JOURNAL / 2026.10.29
Gemini 4 Carbon mejora en defensa de software, pero el acceso sigue restringido
Google anuncia un modelo para ingeniería prolongada y ciberseguridad. Las evaluaciones externas respaldan avances frente a Argon; sus condiciones y el despliegue limitado impiden confundirlos con una solución disponible para cualquier equipo.
Google anunció Gemini 4 Carbon el 28 de octubre. Describe ejecuciones internas de varios días para resolver problemas de ingeniería y empieza a ofrecerlo a un grupo de defensores de ciberseguridad, con ampliación gradual mediante Fairwind. La llegada general a desarrolladores, empresas y consumidores queda para después. Es una novedad de capacidad que merece atención, aunque todavía no permita planificar una migración ordinaria.
Hay evidencia más allá del anuncio. Artificial Analysis sitúa Carbon primero en su Intelligence Index v5, con 59 puntos frente a los 50 de Argon. En su índice de agentes de programación, Carbon con Antigravity queda detrás de Opus 5.5 con Claude Code. La mejora dentro de Gemini es importante; el resultado compara sistemas con herramientas y configuraciones, y no establece superioridad en cualquier repositorio.
También cambió la regla de medir. La versión 5 del índice, publicada el día anterior, dedica el 60% del peso a evaluaciones con tareas privadas o respuestas reservadas. Combina programación, ciencia, trabajo profesional y capacidades generales. Comparar Carbon y Argon dentro de esa misma versión tiene sentido; encadenar titulares de clasificaciones anteriores puede confundir un cambio del modelo con un cambio del examen.
La prueba más útil termina en un parche
CWE-bench v1, de Collinear AI, plantea 120 tareas privadas de auditoría y reparación. El agente recibe un repositorio sin que le indiquen las vulnerabilidades. Los verificadores comprueban que el ataque deje de funcionar y que las pruebas existentes sigan pasando. En el resultado programático de un intento, Carbon alcanza el 71%, frente al 68% de Argon; ambos usan Antigravity. Es una diferencia concreta dentro de una prueba acotada, no una tasa de éxito prevista para una auditoría comercial.
Ese diseño me parece más cercano a una necesidad real que producir una explicación convincente de un fallo. Un parche que bloquea el ejemplo de ataque pero rompe una función legítima no resuelve el encargo. Aun así, superar los verificadores disponibles tampoco demuestra ausencia de otras vulnerabilidades. La utilidad está en entregar algo que otra persona pueda revisar y poner a prueba.
La metodología de Google para Carbon obliga a separar otras cifras del lanzamiento. SEC-bench Pro se calcula sobre 183 tareas de motores JavaScript, con Antigravity y criterios de reproducción del fallo. ExploitGym usa un entorno sin internet, mitigaciones desactivadas y presupuestos de tiempo distintos. Esas mediciones son ejecuciones del proveedor; CWE-bench procede de Collinear. No se pueden multiplicar sus porcentajes para estimar cuántos fallos encontraría, explotaría y repararía de principio a fin un mismo agente.
Tampoco equipararía persistencia con productividad. Seguir trabajando durante días puede permitir investigar una dependencia difícil o insistir en una hipótesis equivocada. Yo querría evaluar el coste hasta obtener un cambio aceptado, cuántas propuestas descarta el mantenedor y si el agente conserva las pruebas que contradicen su solución. Un proceso más largo sólo compensa cuando mejora el resultado revisable.
La seguridad del propio agente sigue siendo una cuestión separada. Google comunica menos conductas indebidas en sus pruebas internas; eso no prueba que una ejecución prolongada vaya a respetar todos los límites de un proyecto. La página comparativa de Gemini permite ver además avances desiguales entre tareas: una clasificación general resume capacidades diferentes y deja fuera las condiciones particulares de cada integración.
Mi lectura es que Carbon refuerza una dirección valiosa: encargar investigaciones de software con una entrega verificable y conservar una revisión capaz de rechazarla. Para un equipo sin acceso, la decisión inmediata es preparar casos propios y criterios de aceptación. Cuando se amplíe el despliegue, habrá una pregunta más útil que «¿es el primero?»: ¿encuentra y corrige problemas relevantes que nuestro proceso anterior dejaba pasar, con un coste de revisión asumible?
Fuentes primarias consultadas el 29 de octubre de 2026. No hemos ejecutado Carbon ni reproducido las evaluaciones. Las propuestas de evaluación expresan nuestro criterio, no resultados observados.