Google anunció Gemini 4 Neon el 18 de noviembre y ese mismo día empezó a meterlo en la app de Gemini. Si estás construyendo agentes, la noticia no es "salió otro modelo": es que el modelo que ahora te toca por defecto en el plan Pro es distinto al de la semana pasada, y el costo por tarea se movió.
Te cuento qué cambió de verdad, con los números que publicaron, y qué haría yo con eso esta semana.
Dónde encaja Neon entre Carbon y Hydrogen
La familia Gemini 4 ya venía con dos extremos. Carbon para lo más pesado, Hydrogen para lo que tiene que ir rápido y barato. Neon se sienta justo en el medio y, según Google, está afinado para programación, análisis de documentos, investigación y tareas largas con agentes.
El detalle que mucha gente va a notar sin leer ningún anuncio: en Google AI Pro, Neon reemplaza a Argon y al modelo Pro anterior. Carbon sigue siendo exclusivo de AI Ultra. O sea, si tienes Pro y ayer te funcionaba un prompt de cierta forma, hoy te está respondiendo otro modelo. Vale la pena revisar tus flujos antes de culpar al prompt.
Los números: precio y benchmarks
Esto es lo que Google y los primeros análisis independientes publicaron:
- ▸Precio en la API: 3 USD por millón de tokens de entrada y 15 USD por millón de salida, con los tokens de razonamiento contando como salida.
- ▸Caché de entrada a 0.15 USD por millón de tokens, cerca de un 95% de descuento sobre la entrada normal.
- ▸Ventana de contexto de 1 millón de tokens y cuatro niveles de razonamiento.
- ▸Acepta texto, imágenes, video, audio y PDF. Solo genera texto.
- ▸Primer puesto en el Artificial Analysis Coding Agent Index con 58.6, y 65.2% en Terminal-Bench 4.1.
- ▸En CursorBench 4.1 marca 65.4% contra 58.1% de Opus 5.5, pero queda por debajo de Opus 5.5 en Terminal-bench 4.1 y FrontierCode 2.0.
Y el dato que a mí me parece el más honesto de todo el lanzamiento: con razonamiento alto, Neon sacó 63.7% a un costo promedio de 6.54 USD por tarea, mientras Carbon al mismo nivel sacó 61.5% a 8.52 USD. Mejor resultado y más barato. Google habla de un costo por tarea 32% menor que Carbon en high.
Un cambio sencillo para dimensionar: una tarea de 20,000 tokens de entrada y 4,000 de salida te cuesta alrededor de 0.12 USD. Multiplica eso por las iteraciones que hace un agente antes de terminar y ahí está tu factura real.
Qué significa si construyes agentes
La parte que nadie pone en el titular: en agentes, el benchmark de un solo turno importa poco. Lo que te quiebra el presupuesto es el número de llamadas que hace el grafo antes de llegar a una respuesta. He visto agentes que "funcionan" en demo y en producción gastan ocho veces más porque reintentan, releen el mismo contexto y vuelven a razonar sobre lo que ya sabían.
Por eso el precio del caché de entrada (0.15 USD por millón) pesa más que el precio de lista. Si tu agente arrastra un system prompt largo y un catálogo de herramientas en cada turno, cachear eso es la diferencia entre un piloto viable y uno que apagas al mes. Esa decisión no la toma el modelo: la tomas tú cuando diseñas el loop.
Tres cosas que haría esta semana antes de migrar nada:
- Correr tus evals actuales contra Neon con el mismo set de casos. Sin eso, "se siente mejor" no es un argumento.
- Medir costo por tarea terminada, no costo por llamada. Es el único número que se puede defender frente a quien paga.
- Probar el nivel de razonamiento más bajo que te sirva. Los cuatro niveles están ahí para eso y casi nadie los baja.
Un caveat: Neon no tiene capa gratuita en la API de Gemini. Si venías prototipando gratis con otro modelo, el salto a Neon es un salto de factura desde el primer día.
Dónde probarlo hoy
Neon está disponible en la app de Gemini con plan de pago, en la API de Gemini en su tier pagado, y dentro de Google Antigravity. Esa última es la vía más interesante si tu trabajo es escribir código: Antigravity orquesta agentes que editan, corren y revisan, y ahí es donde un modelo con mejor coding agéntico se nota de verdad. Si nunca lo tocaste, en Antigravity for Developers se arma el flujo completo.
Si tu caso es más de empresa que de editor de código, el camino es Vertex AI y el ecosistema de Google Cloud. Ahí vale más entender cómo se conectan modelos, herramientas y datos que memorizar el nombre del modelo de turno, porque el nombre va a cambiar otra vez en febrero.
Cómo aprender a construir con esto
La habilidad que sobrevive a los lanzamientos no es "saber usar Neon". Es saber diseñar el agente: cuándo llamar al modelo, cuándo no, cómo manejar memoria, cómo evaluar y cómo controlar el gasto. Eso es lo que trabajamos en la ruta de AI Agentic Engineer, que va desde el primer grafo hasta un agente en producción con trazas y evals.
Y si quieres el camino específico de Google: el taller de creación de agentes inteligentes con Google Cloud es la vía corta para armar uno sobre Vertex AI, y la especialización en IA generativa en Google Cloud cubre el resto del stack: modelos, RAG, despliegue y gobierno.
Lo que haría mañana
Abre tu agente actual, toma los diez casos que más te importan y córrelos contra Neon con razonamiento medio. Anota tres cosas: cuántos pasó, cuánto gastaste y cuánto demoró. Con esa tabla decides en diez minutos si migras o no, y tienes algo que mostrarle a quien firma el presupuesto. Todo lo demás es ruido de lanzamiento.
Si quieres ver el catálogo completo de cursos de IA y datos, ahí está todo ordenado por nivel. Y si prefieres practicar esto acompañado, cada semana hacemos un taller en vivo en la Comunidad AI Builders: desde 19 USD al mes, y lo que se arma en la sesión te lo llevas funcionando.


