--- title: "Google combina Antigravity con Gemini 3.7 Flash y equipos de agentes resuelven siete problemas matemáticos abiertos" description: "Google presentó los resultados de Teamwork, su framework de equipos autónomos de agentes en Antigravity. Con Gemini 3.7 Flash resolvieron siete problemas abiertos publicables, construyeron desde cero un simulador de CPU RISC-V que arranca el sistema operativo xv6 y duplicaron el rendimiento de una librería de código abierto." slug: "google-antigravity-gemini-3-7-flash-equipos-agentes-siete-problemas-abiertos-26-09-01" canonical: "https://www.revenuehublatam.com/noticias/tendencias-saas/google-antigravity-gemini-3-7-flash-equipos-agentes-siete-problemas-abiertos-26-09-01" language: "es" section: "Noticias" category: "Tendencias SaaS" published: "2026-09-01T16:25:00+00:00" updated: "2026-09-01T16:25:00+00:00" tags: ["Google", "Antigravity", "Gemini 3.7 Flash", "agentes de IA", "multiagente"] keywords: ["Google Antigravity Teamwork", "Gemini 3.7 Flash agentes", "equipos de agentes IA", "orquestacion multiagente", "agentes IA empresas Chile", "automatizacion IA Latinoamerica", "TCSBench"] source_name: "Google - The Keyword" source_url: "https://blog.google/innovation-and-ai/technology/developers-tools/antigravity-teamwork-multi-agent/" publisher: "Revenue Hub Latam" publisher_url: "https://www.revenuehublatam.com" --- # Google combina Antigravity con Gemini 3.7 Flash y equipos de agentes resuelven siete problemas matemáticos abiertos > El 31 de agosto de 2026 Google publicó los resultados de Teamwork, el framework de Antigravity que permite a equipos autónomos de agentes colaborar, criticarse y iterar durante horas o días. Combinado con Gemini 3.7 Flash, el sistema resolvió siete problemas abiertos de matemáticas y ciencias de la computación en foros como FOCS y JMLR, incluida la Conjetura de Ciclos de Knuth verificada en Lean con pruebas de más de 40 páginas, alcanzó 71% en TCSBench y construyó un simulador de CPU RISC-V con 0,71% de error de alineación. Google publicó el 31 de agosto de 2026 los resultados de **Teamwork**, el framework dentro de **Google Antigravity** que permite a equipos autónomos de agentes de IA colaborar, criticarse mutuamente e iterar durante horas o días sobre desafíos de horizonte largo. Emparejado con **Gemini 3.7 Flash**, el modelo que Google posicionó como su opción de bajo costo para código y agentes, la orquestación multiagente produjo resultados en tres frentes distintos. ## ¿Qué resolvieron exactamente los equipos de agentes? Google reporta tres categorías de resultados, todas con cifras verificables: - **Matemáticas y ciencias de la computación teórica**: siete problemas abiertos resueltos en foros de primer nivel como FOCS y JMLR. Entre ellos la **Conjetura de Ciclos de Knuth**, verificada formalmente en Lean con pruebas de más de 40 páginas, además de optimización convexa dispersa, cuantización demostrable de modelos de lenguaje y factorizaciones de matrices de prefijos. El sistema alcanzó **71% en TCSBench**. - **Ingeniería de sistemas**: construyó desde cero un simulador de CPU RISC-V fuera de orden y con precisión de ciclo, capaz de arrancar el sistema operativo xv6 hasta la shell con **0,71% de error de alineación de ciclos** contra la referencia de hardware real. - **Software de código abierto**: incorporó optimizaciones de rendimiento aguas arriba en librerías centrales, incluyendo rutas rápidas SIMD en Eigen y, en ParlayHash, **el doble de throughput de inserción con 25% menos de memoria**. ## ¿Por qué el resultado es distinto de un modelo resolviendo un problema? La diferencia está en la palabra «equipo». No se trata de un modelo grande respondiendo una pregunta difícil, sino de **varios agentes que se reparten el trabajo, revisan el output del otro y sostienen el hilo durante horas o días**. Esa persistencia en el tiempo es justamente lo que ha limitado a los modelos de lenguaje en tareas reales: rinden bien en tramos cortos y se degradan cuando la tarea exige mantener contexto y corregirse a lo largo de muchos pasos. El detalle del modelo elegido también dice algo. Google no usó su modelo más caro sino **Gemini 3.7 Flash**, la variante económica. La lectura es que el salto de capacidad vino de la **orquestación**, no del tamaño del modelo. Eso cambia la ecuación de costos de cualquiera que esté evaluando agentes. ## ¿Qué significa para las empresas de la región? Los problemas resueltos son de investigación, no de negocio. Ninguna empresa en Chile o Latinoamérica necesita demostrar la Conjetura de Ciclos de Knuth. Pero el patrón sí es transferible: **un equipo de agentes baratos, correctamente coordinado y con criterio de revisión mutua, supera a un agente único potente** en tareas largas y ambiguas. Ese es exactamente el perfil de buena parte del trabajo operativo en una empresa B2B, como reconciliar datos entre sistemas, limpiar una base de contactos o preparar una propuesta compleja. ## Análisis de Revenue Hub El titular es académico y por eso se presta a ignorarlo. Sería un error. La señal comercial es la elección del modelo: Google logró esto con Gemini 3.7 Flash, no con su modelo tope de línea. Para un líder comercial en Chile o Latinoamérica que está armando presupuesto de IA para el próximo ciclo, eso reordena la pregunta. La discusión de los últimos dos años fue qué modelo contratar; la discusión que se viene es **cómo se coordinan varios agentes baratos**, porque ahí es donde aparece el rendimiento sin que se dispare el costo por token. Hay una implicancia concreta sobre dónde poner agentes hoy. Si el diferencial viene de la coordinación y la crítica mutua, entonces las tareas candidatas en una operación de ingresos no son las de un solo paso, que ya se resuelven con automatización clásica y más barato. Son las tareas largas y con criterio: revisar un pipeline completo para detectar oportunidades mal calificadas, cruzar datos de facturación contra el CRM buscando inconsistencias, preparar el material de una renovación revisando toda la historia de la cuenta. Un solo agente falla en esas por pérdida de contexto. Un equipo con revisión cruzada es una arquitectura distinta. La advertencia razonable es que Google publica sus victorias y no sus fracasos, y no sabemos cuántos intentos costó cada resultado ni el gasto de cómputo total. Antes de rediseñar un proceso comercial alrededor de esto conviene medir el costo real en un piloto acotado. Pero la dirección es clara y vale planificar sobre ella: la ventaja competitiva en IA está migrando del modelo a la orquestación. Seguimos este movimiento en nuestra sección de [tendencias SaaS](/noticias/tendencias-saas) y en el [blog](/blog). ## Preguntas frecuentes ### ¿Qué es Google Antigravity y qué es Teamwork? Antigravity es la plataforma de desarrollo con agentes de Google. Teamwork es su framework interno que permite a equipos autónomos de agentes de IA colaborar, criticarse mutuamente e iterar durante horas o días para resolver desafíos complejos de horizonte largo. ### ¿Qué problemas resolvieron los agentes de Google? Siete problemas abiertos en foros de primer nivel como FOCS y JMLR, incluida la Conjetura de Ciclos de Knuth verificada en Lean con pruebas de más de 40 páginas, optimización convexa dispersa, cuantización demostrable de modelos de lenguaje y factorizaciones de matrices de prefijos. ### ¿Qué es Gemini 3.7 Flash y por qué se usó ese modelo? Es la variante económica y rápida de la familia Gemini 3.7, orientada a código y agentes. Google la eligió para estos experimentos, lo que sugiere que el salto de capacidad vino de la orquestación multiagente y no del tamaño o costo del modelo individual. ### ¿Qué resultado obtuvo en ingeniería de sistemas? Los agentes construyeron desde cero un simulador de CPU RISC-V fuera de orden y con precisión de ciclo, capaz de arrancar el sistema operativo xv6 hasta la shell con 0,71% de error de alineación de ciclos contra la referencia de hardware real. ### ¿Cuánto puntuó el sistema en TCSBench? Alcanzó 71% en TCSBench, un benchmark de ciencias de la computación teórica, además de aportar optimizaciones aguas arriba en librerías de código abierto como Eigen y ParlayHash, esta última con el doble de throughput de inserción y 25% menos de memoria. ### ¿Sirve esto para una empresa B2B en Chile o Latinoamérica? Los problemas resueltos son de investigación, no de negocio, pero el patrón es transferible. Muestra que varios agentes económicos bien coordinados superan a un agente único potente en tareas largas y ambiguas, que es el perfil de buena parte del trabajo operativo en una empresa B2B. ### ¿Es mejor un equipo de agentes o un solo agente potente? Según estos resultados, para tareas de horizonte largo el equipo rinde más, porque la revisión cruzada entre agentes corrige errores y sostiene el contexto a lo largo de muchos pasos. Para tareas de un solo paso la automatización clásica sigue siendo más simple y barata. ### ¿Qué precaución conviene tomar antes de adoptar equipos de agentes? Google publica resultados exitosos sin detallar cuántos intentos ni cuánto cómputo consumió cada uno. Antes de rediseñar un proceso comercial conviene medir el costo real en un piloto acotado, con una tarea larga y bien delimitada, y comparar contra el proceso actual. --- Fuente original: [Google - The Keyword](https://blog.google/innovation-and-ai/technology/developers-tools/antigravity-teamwork-multi-agent/) (blog.google)