Principales destacados
- Un equipo de IA a partir de un solo prompt: el Teamwork Preview organiza agentes responsables de la planificación, la ejecución y la auditoría de tareas complejas.
- Más de 100 páginas en 17 idiomas: una demostración de Google completó la localización de contenidos de un sitio web en aproximadamente dos días, con revisiones humanas antes de su publicación.
- El trabajo humano cambia de función: en lugar de producir cada línea de código o traducir cada página, los profesionales pasan a definir objetivos, orientar a los agentes y verificar la calidad de los resultados.
Google está probando una nueva forma de desarrollar software en Antigravity: en lugar de depender de un único asistente de inteligencia artificial, el usuario puede delegar un proyecto a un equipo de agentes especializados que dividen las tareas, trabajan en paralelo y revisan los resultados de los demás.
La propuesta consiste en lograr que proyectos complejos avancen durante horas, con menos intervenciones humanas durante la ejecución.
🤖 ¿Y si pudieras contratar a todo un equipo con un solo comando?
Imagina pedir la creación de una aplicación y, en lugar de esperar a que una única IA escriba el código de principio a fin, recibir un equipo virtual que organiza el proyecto, desarrolla funcionalidades, prueba implementaciones y busca errores antes de entregar el resultado.
Esa es la idea detrás del Teamwork Preview, una función experimental de la plataforma de desarrollo agéntico Google Antigravity.
El usuario describe el objetivo en lenguaje natural. Un agente líder hace preguntas para aclarar los requisitos, elabora un plan y distribuye el trabajo entre agentes especializados. Mientras algunos producen código o contenido, otros asumen la función de auditores, buscan inconsistencias y solicitan correcciones.
La diferencia está en la coordinación. No se trata simplemente de abrir varias conversaciones con modelos de IA, sino de organizar un equipo con responsabilidades distintas y un mecanismo de revisión continua.
🔎 El detalle más importante: el sistema pretende ejecutar ciclos de producción y evaluación durante períodos prolongados, sin exigir que una persona apruebe cada pequeño paso.
💡 El cambio de paradigma es este: en lugar de pedirle a la IA que haga una tarea, pasas a coordinar un equipo de agentes que trabaja para entregar un proyecto completo.
🧩 ¿Cómo funciona el equipo de agentes?
La arquitectura presentada por Google combina diferentes funciones para dividir el trabajo y controlar la calidad.
Define el objetivo, los requisitos y los criterios de calidad.
Aclara los requisitos, planifica el trabajo y distribuye las tareas.
Producen código, traducciones, modelos 3D y otros entregables.
Comparan los resultados con los requisitos y las referencias, y señalan errores.
Los agentes ajustan el resultado hasta cumplir los criterios establecidos, con supervisión humana en los momentos relevantes.
Esta división permite que las actividades independientes avancen simultáneamente. El agente líder mantiene la visión general, mientras los demás se concentran en partes específicas del proyecto.
Esto también cambia el tipo de tareas que la plataforma pretende ejecutar: cuanto más claro sea el objetivo y más verificable el resultado, mayor será la posibilidad de automatizar etapas sin perder el control de calidad.
🌎 De 100 páginas a 17 idiomas en dos días
Una de las demostraciones más concretas involucró la localización del propio sitio web de Anti-gravity.
Nick, empleado de Google y antiguo redactor técnico que habla varios idiomas, utilizó la plataforma para traducir más de 100 páginas de contenido de marketing y documentación técnica a 17 idiomas.
El trabajo comenzó con una prueba en español mexicano. La primera versión era precisa, pero sonaba mecánica, con construcciones demasiado próximas al texto original.
En lugar de aceptar el resultado, Nick proporcionó comentarios directamente en la plataforma. Después de tres o cuatro rondas de ajustes, las traducciones comenzaron a sonar más naturales.
✍️ La etapa que marcó la diferencia: después de perfeccionar el proceso para un idioma, el agente líder utilizó ese patrón para distribuir el resto del trabajo entre agentes ejecutores y auditores.
Los equipos virtuales trabajaron en paralelo durante horas, procesando cientos de páginas. El proyecto se completó en aproximadamente dos días, según el relato presentado en el material de referencia. La estimación es que el trabajo manual equivalente habría llevado semanas.
Esto no significa que las traducciones estuvieran listas para publicarse sin revisión. Revisores humanos que dominaban los idiomas todavía verificaron muestras del contenido antes de su publicación.
El ahorro de tiempo se debió principalmente al cambio de función: en lugar de traducir todo manualmente, los profesionales concentraron sus esfuerzos en evaluar y corregir los resultados.
💻 Más productividad, pero sin prescindir de la revisión
La propuesta también se aplica al desarrollo de software, un ámbito en el que los agentes de IA ya escriben código, corrigen errores y ejecutan pruebas.
La diferencia del Teamwork Preview consiste en combinar estas actividades en un flujo coordinado, capaz de seguir trabajando incluso cuando una persona no está supervisando cada operación.
Según las cifras internas citadas por Google, los equipos que utilizaban el modelo Argon en Anti-gravity aumentaron en más de un 35 % el volumen de entregas de código producidas con agentes y redujeron los rollbacks de código en casi un tercio.
| Indicador divulgado | Resultado |
|---|---|
| Entregas de código con agentes | Aumento superior al 35 % |
| Rollbacks de código | Reducción de casi un tercio |
Los datos son cifras internas comunicadas por la empresa, no una evaluación independiente. Aun así, apuntan a una cuestión importante: aumentar la cantidad de código producido no basta si el equipo también tiene que dedicar más tiempo a corregir problemas.
La ambición es mejorar ambos aspectos: productividad y fiabilidad.
🏯 La misma lógica construyó un templo japonés en 3D
El Teamwork Preview no se limita a la programación tradicional.
En otra demostración, un productor creativo del equipo de prototipado de Google DeepMind utilizó Gemini 4 Argon en Anti-gravity para crear un complejo de templos japoneses fotorrealistas en Blender.
El proceso se ejecutó mediante la línea de comandos, sin depender de la interfaz visual de Blender.
La secuencia combinó distintas herramientas y agentes:
1️⃣ Planificación arquitectónica: un agente activó una herramienta para generar planos y referencias estructurales.
2️⃣ Referencias visuales: el modelo de imágenes Nano Banana produjo cuatro imágenes a partir de esos planos.
3️⃣ Construcción y evaluación: los agentes generaron imágenes renderizadas en Blender, mientras un orquestador y un agente crítico comparaban los resultados con las referencias y solicitaban revisiones.
El proceso continuó durante la noche, sin supervisión constante. En instrucciones posteriores, el equipo añadió animaciones y efectos de sonido ambientales generados de forma procedimental.
La demostración ilustra cómo la misma estructura puede conectar la planificación, la generación de referencias, la ejecución técnica y la evaluación visual en un único flujo.
🏺 De la programación a la arqueología: los agentes también conectan datos históricos
Otra experiencia aplicó el mismo concepto a la reconstrucción arqueológica.
Datos brutos de escaneos LiDAR, fotografías de archivo y documentos históricos relacionados con Chaco Canyon, en Nuevo México, se utilizaron para producir modelos geométricos 3D y un sitio web interactivo.
Mediante una integración con Blender, el proyecto también incorporó una función interactiva de reloj solar, relacionada con la historia del lugar como antiguo observatorio solar.
El ejemplo es relevante porque no se limita a generar una imagen convincente. El sistema necesita combinar diferentes fuentes, transformar datos en objetos tridimensionales y crear una experiencia interactiva.
Al mismo tiempo, la calidad visual de una reconstrucción no demuestra por sí sola su precisión histórica. En trabajos científicos, las interpretaciones y los modelos deben seguir sujetos a la validación de especialistas.
⚠️ ¿Qué impide todavía una autonomía completa?
La demostración de Google revela tanto el potencial como las limitaciones de este modelo de trabajo.
La primera traducción del proyecto de localización parecía artificial. Fue necesario recibir comentarios humanos antes de ampliar el enfoque a los demás idiomas.
Este detalle ayuda a entender una limitación importante: los agentes que trabajan en paralelo pueden multiplicar la productividad, pero también pueden reproducir el mismo error en distintas partes del proyecto si los criterios iniciales son incorrectos.
El sistema funciona mejor cuando existe una manera objetiva de evaluar el resultado.
| Tipo de tarea | Cómo verificar el resultado |
|---|---|
| Desarrollo de software | Pruebas, revisión del código y ejecución de la aplicación |
| Traducción | Revisión lingüística y terminológica |
| Modelado 3D | Comparación visual y validación técnica |
| Reconstrucción histórica | Evidencias documentales y revisión especializada |
Las tareas subjetivas o con criterios poco definidos son más difíciles de automatizar por completo. En esos casos, el criterio humano sigue siendo una parte central del proceso.
🚀 ¿Quién podrá utilizar Teamwork Preview?
Según el material de referencia, la función está vinculada a la disponibilidad de Gemini 4 Argon en Anti-gravity y, en esta fase, está dirigida a los suscriptores del plan Anti-gravity Ultra.
La arquitectura presentada sigue una tendencia más amplia del desarrollo con IA: dejar atrás la interacción aislada con un chatbot y avanzar hacia sistemas que planifican, ejecutan y verifican proyectos compuestos por varias etapas.
El texto proporcionado no especifica un límite exacto de agentes por tarea ni ofrece métricas independientes que permitan evaluar la eficiencia de la función en distintos escenarios.
La idea central, sin embargo, está clara: el trabajo de quienes utilizan estas herramientas puede dejar de consistir en escribir o producir directamente cada elemento y pasar a definir qué debe hacerse, establecer estándares de calidad y decidir cuándo el resultado está listo.
La promesa es ambiciosa. Pero, en un equipo formado por agentes de IA, quizá la pregunta más importante no sea cuántos agentes pueden trabajar al mismo tiempo, sino quién garantiza que todos avanzan en la dirección correcta.
