Principales destacados
- Google demuestra avances en programación: Gemini 4 Argon desarrolló una aplicación de notas con funciones que iban más allá de las instrucciones iniciales.
- Un enfrentamiento con enfoques diferentes: mientras el modelo de Google apostó por funcionalidades ambiciosas, Claude Opus 5.5 priorizó la organización, la simplicidad y las pruebas automatizadas.
- La experiencia práctica cambió la percepción de la autora: después de varias decepciones con versiones anteriores de Gemini, la periodista encontró un modelo capaz de interpretar necesidades y corregir problemas técnicos.
Google quiere que sus modelos de inteligencia artificial sean reconocidos no solo por su capacidad para responder preguntas, sino también por construir software complejo. En una prueba reciente, Gemini 4 Argon sorprendió a una periodista que ya se había decepcionado varias veces con las herramientas de programación de la compañía.
En un experimento publicado por MakeUseOf, Mahnoor Faisal enfrentó el nuevo modelo a Claude Opus 5.5, de Anthropic. Ambos recibieron la misma misión: crear una aplicación de notas adaptada a la rutina de una estudiante de informática y periodista especializada en tecnología.
El resultado no fue una victoria incontestable de Google. Sin embargo, reveló una diferencia importante entre los competidores: un modelo apostó por imaginar un producto más ambicioso, mientras que el otro se concentró en entregar una implementación organizada y ampliamente probada.
El historial de Gemini jugaba en contra de Google 🧐
Faisal afirma que sigue con interés los experimentos de inteligencia artificial de Google. NotebookLM, por ejemplo, continúa siendo una de sus herramientas favoritas.
Su experiencia con la programación, sin embargo, había sido menos alentadora.
En pruebas anteriores, la periodista comparó modelos de Gemini, Claude y ChatGPT en tareas como desarrollar extensiones para Chrome, recrear aplicaciones a partir de capturas de pantalla y construir sitios web de portafolio.
El problema recurrente era la tendencia de Gemini a entregar únicamente lo mínimo necesario.
En uno de los experimentos, Antigravity produjo un portafolio con apenas siete de los más de 400 artículos publicados por la periodista, a pesar de haber recibido instrucciones para incluirlos todos.
En otro caso, la herramienta creó una aplicación de notas a la que le faltaban varias funcionalidades solicitadas y que contenía un error que impedía su ejecución.
🔎 El patrón que llamó la atención: según Faisal, distintas generaciones de Gemini presentaron dificultades similares, incluso con configuraciones de razonamiento más elevadas.
Claude y ChatGPT también cometieron errores en las pruebas anteriores. La diferencia percibida por la autora era que los problemas de Gemini parecían repetirse tanto en la implementación técnica como en la experiencia visual de las aplicaciones.
Ese historial hizo que el nuevo experimento resultara especialmente interesante.
Dos modelos, el mismo desafío
Para evitar favorecer a cualquiera de los competidores, la periodista utilizó Claude Code con Opus 5.5 y Antigravity con Gemini 4 Argon.
Ambos se configuraron con un nivel de esfuerzo medio. Las herramientas también recibieron ajustes para trabajar sin interrumpir constantemente el proceso con solicitudes de autorización para ejecutar comandos o modificar archivos.
La propuesta era deliberadamente abierta.
En lugar de proporcionar una lista detallada de pantallas y funcionalidades, Faisal quería observar cómo cada modelo llenaría los vacíos y transformaría la información sobre su rutina en decisiones de producto.
💡 La prueba no evaluaba únicamente quién escribía código más rápido. La cuestión era descubrir qué modelo podía transformar una petición vaga en una aplicación útil, completa y funcional.
Esta diferencia importa porque seguir instrucciones detalladas ya es una capacidad relativamente habitual entre las herramientas de programación con IA. Interpretar necesidades, anticipar funcionalidades y tomar decisiones coherentes exige un nivel adicional de iniciativa.
Gemini 4 Argon decidió construir mucho más 🚀
La primera señal de cambio apareció incluso antes de que la aplicación estuviera lista.
En lugar de empezar inmediatamente a producir archivos, Argon examinó el entorno de desarrollo, evaluó las tecnologías disponibles y definió cómo estructuraría el proyecto.
La construcción inicial terminó aproximadamente 20 minutos antes de que Claude Code completara la suya, según el relato. Eso no significa que Gemini trabajara apresuradamente: la periodista observó precisamente lo contrario durante buena parte del proceso.
El modelo también interpretó el contexto personal proporcionado en la solicitud. En vez de crear un espacio genérico para almacenar textos, desarrolló una propuesta llamada Folio, concebida como un entorno de trabajo para investigar, escribir, estudiar y programar.
Entre las funcionalidades implementadas se encontraban:
- Lienzo infinito: un espacio visual para organizar ideas, conectar investigaciones y estructurar proyectos.
- Grafo de conocimiento: conexiones entre notas, inspirado en herramientas como Obsidian.
- Bloques de código ejecutables: soporte para actividades de programación directamente en el entorno.
- Tarjetas de estudio con repetición espaciada: recursos para repasar contenidos y estudiar de forma sistemática.
- Registro de verificación de datos: un espacio para hacer seguimiento de afirmaciones y fuentes utilizadas en artículos.
- Editor Markdown: diferentes modos de visualización y edición de texto.
- Compatibilidad con PDF: lectura de documentos con enlaces a las citas.
- Almacenamiento local: notas guardadas como archivos Markdown, accesibles desde el sistema de archivos del ordenador.
Ninguna de estas funcionalidades había sido solicitada individualmente en el prompt inicial.
🧠 El cambio más significativo: Argon no se limitó a cumplir una lista de tareas. Intentó comprender el tipo de trabajo de la usuaria y organizar el producto en torno a esa rutina.
Esta iniciativa resultó especialmente relevante para Faisal porque contrastaba con las entregas incompletas que había encontrado en pruebas anteriores.
El diseño también fue una sorpresa
Las aplicaciones generadas por IA suelen presentar interfaces similares entre sí, con diseños previsibles y decisiones visuales poco originales.
La primera impresión de Folio fue diferente.
La periodista describió una interfaz relativamente recargada, en parte porque el modelo había incluido una gran cantidad de datos de ejemplo para mostrar las funcionalidades. A pesar de ello, consideró que el conjunto tenía coherencia visual.
La combinación de colores cálidos, tipografía y distribución de las pantallas ayudaba a dar identidad al producto, sin recurrir al patrón de fondos oscuros y degradados morados que suele asociarse con los proyectos de programación mediante conversaciones, conocidos como vibe coding.
Más importante aún, las funcionalidades parecían estar relacionadas entre sí.
El editor de artículos se conectaba con el registro de verificación de datos. El lienzo permitía relacionar ideas y fuentes. El sistema de tarjetas de estudio respondía a las necesidades académicas.
No era simplemente una colección de recursos reunidos en una misma interfaz.
Faisal afirmó que podía imaginarse utilizando varias de estas herramientas con regularidad, una señal de que el resultado había superado la demostración visual y comenzaba a parecerse a un producto utilizable.
Los problemas aparecieron al utilizar la aplicación
La experiencia positiva no significó que Gemini hubiera acertado en todo a la primera.
Cuando la periodista abrió el entorno local, encontró problemas técnicos que no eran evidentes en la descripción generada por el modelo.
El primero estaba relacionado con el almacenamiento de las notas. Al intentar acceder al espacio de archivos, recibió el error Cannot GET /, que indicaba que la ruta solicitada no estaba siendo atendida correctamente por el servidor.
Faisal volvió a Antigravity y explicó lo que estaba ocurriendo.
Argon ajustó la configuración del servidor y añadió un explorador de archivos para el almacenamiento local. Con estos cambios, el espacio comenzó a funcionar.
Después apareció otro defecto: la interfaz principal se actualizaba repetidamente cada pocos segundos.
🛠️ El segundo diagnóstico: el modelo identificó un ciclo continuo de actualización provocado por la sincronización automática de archivos. La solución implicó ajustar la supervisión de archivos por parte del servidor de desarrollo y el proceso de sincronización de las notas.
Después de estos cambios, el problema quedó resuelto.
La capacidad para corregir los errores fue una parte importante de la evaluación. En experiencias anteriores, la autora había tenido que realizar varias rondas de ajustes con Gemini sin conseguir una implementación satisfactoria.
Esta vez, el modelo logró identificar causas plausibles y modificar el proyecto para resolver los problemas comunicados.
Aun así, existe una diferencia entre corregir los defectos encontrados y detectarlos todos de antemano.
Claude Opus 5.5 prefirió un camino más conservador
La aplicación creada por Claude Code también recibió el nombre de Folio, pero siguió una dirección bastante diferente.
En lugar de priorizar un entorno de trabajo con recursos especializados para investigación, programación y estudio, Opus 5.5 produjo una aplicación de notas más convencional.
La interfaz tenía tres columnas e incluía:
- Cuadernos y etiquetas jerárquicas.
- Notas diarias y gestión de tareas.
- Editor de texto enriquecido con comandos de barra.
- Compatibilidad con archivos PDF.
- Opciones de personalización visual y exportación.
El resultado fue considerado pulido e, inicialmente, más fácil de navegar que la versión de Gemini.
El problema, según la evaluación de Faisal, era la falta de audacia.
La mayoría de las funcionalidades ya existían en otras herramientas de notas. Ante un prompt abierto, la periodista esperaba una propuesta más innovadora, especialmente porque Claude había obtenido buenos resultados en experimentos anteriores.
Eso no significa que el enfoque del modelo de Anthropic fuera técnicamente inferior en todos los aspectos.
De hecho, fue precisamente en la validación del software donde Claude presentó una ventaja concreta.
La diferencia quedó clara en las pruebas de calidad
Mientras que Gemini necesitó que la periodista señalara dos problemas durante el uso, Claude Code ejecutó una batería más amplia de verificaciones antes de entregar el proyecto.
Según el relato, el modelo realizó 32 pruebas unitarias y 12 pruebas de extremo a extremo en el navegador. Durante ese proceso, identificó fallos y corrigió varios problemas por su cuenta.
El contraste revela dos dimensiones diferentes de la programación asistida por IA: la capacidad para concebir un producto interesante y la disciplina necesaria para comprobar que su implementación funciona.
| Criterio | Gemini 4 Argon | Claude Opus 5.5 |
|---|---|---|
| Enfoque de producto | Más ambicioso y personalizado | Más convencional y minimalista |
| Funcionalidades | Lienzo, grafo de conocimiento, tarjetas de estudio y verificación de datos | Cuadernos, tareas, etiquetas y editor de texto |
| Experiencia visual | Identidad propia, pero interfaz recargada | Interfaz más limpia y fácil de navegar inicialmente |
| Corrección de problemas | Corrigió fallos después de que la usuaria los comunicara | Identificó y corrigió problemas durante las pruebas |
| Validación reportada | Algunos defectos tuvieron que señalarse manualmente | 32 pruebas unitarias y 12 pruebas de extremo a extremo |
La comparación tiene una salvedad importante: el relato no presenta una evaluación independiente y estandarizada de la calidad del código, la seguridad, el rendimiento o el mantenimiento de ambos proyectos.
Los resultados reflejan un experimento práctico con un prompt específico, no una clasificación definitiva de los modelos.
Entonces, ¿Google finalmente superó a la competencia? 🤔
La prueba sugiere una evolución significativa en la experiencia de la periodista con Gemini, pero no permite declarar a Argon como el mejor programador de inteligencia artificial del mundo.
El modelo demostró iniciativa para interpretar necesidades, crear funcionalidades inesperadas y corregir problemas durante el desarrollo. Son capacidades importantes para quienes pretenden utilizar agentes de IA para construir software.
Por otro lado, Claude presentó evidencias más claras de una rutina sistemática de pruebas. En un proyecto real, esa disciplina puede ser tan importante como la creatividad, especialmente cuando los fallos comprometen datos, seguridad o funcionalidades esenciales.
También es necesario distinguir entre las impresiones de uso y los resultados de benchmarks independientes. Un modelo puede producir una aplicación impresionante en una tarea específica sin ser necesariamente superior en todos los lenguajes, arquitecturas o escenarios de ingeniería de software.
📌 Lo que deja este enfrentamiento: la ventaja de Gemini, en este caso, no fue simplemente escribir código. Fue transformar una solicitud poco detallada en una propuesta de producto que la periodista consideró alineada con sus propias necesidades.
La experiencia también demuestra por qué la velocidad, la cantidad de funcionalidades y la calidad técnica no deben tratarse como sinónimos. Una aplicación puede ser más creativa y, aun así, necesitar pruebas más rigurosas.
Para quienes trabajan con agentes de programación, la cuestión ahora es saber si este comportamiento se repetirá en proyectos más grandes, con requisitos explícitos, bases de código existentes y criterios objetivos de calidad. Es en esos escenarios donde una buena primera impresión debe convertirse en fiabilidad.
