La inteligencia artificial ya puede hacer muchas cosas por nosotros, pero en los últimos tiempos la industria está poniendo el foco en los agentes de IA, programas de software creados desde cero para hacer tareas específicas de manera autónoma e incluso tomar decisiones por sí mismos.
En la actualidad, esas herramientas están en fase de desarrollo y no paran de avanzar para ser cada vez más útiles, aunque siguen encontrándose con el problema de que muchas páginas webs de internet y herramientas están pensadas las personas.
Ese obstáculo ahora deja de ser un problema gracias a la última innovación que ha desarrollado uno de los mayores líderes en esta tecnología en la actualidad, con el permiso de OpenAI y Nvidia: Google, que precisamente acaba de hacer llegar el modo de IA de su buscador a España.
La compañía estadounidense ha lanzado Gemini 2.5 Computer Use, un nuevo modelo de IA especializado que se centra en permitir que los agentes sean capaces de interactuar con interfaces de usuario tradicionales, pensadas para seres humanos.
La nueva herramienta está desarrollada sobre la base de la versión más avanzada y reciente de su modelo de IA generativa, Gemini 2.5 Pro, pero le añade capacidades visuales y de razonamiento sobre lo que ve para funcionar con interfaces de una forma similar a como lo haría una persona.
“Gemini 2.5 Computer Use supera en rendimiento a las alternativas más populares en múltiples pruebas de control desde la web y desde el móvil”, como explica Google en un publicación en su blog oficial.
Esta herramienta ya está disponible y se centra especialmente en desarrolladores, a través de la API de Gemini.
Cómo funciona Gemini 2.5 Computer Use
En la actualidad, los modelos de IA ya pueden funcionar con interfaces, pero necesitan de APIs o que el software sea estructura para poder navegar y hacer tareas de forma autónoma. Las interfaces gráficas como los formularios suponen el mayor reto.
El nuevo Gemini solventa esto con un sistema que solo necesita la petición del usuario, realizar capturas de pantalla del entorno y un historial con las acciones recientes. El modelo analiza esta información y produce una respuesta, normalmente interactuando con la interfaz a través de clics o escritura.
En los casos en los que el agente tiene que realizar una compra, por ejemplo, su respuesta requiere la confirmación del usuario, y después procede a navegar por la tienda online por su compra para realizar el pedido.
El modelo continúa la tarea hasta finalizarla, hasta que se produce un error o hasta que necesita la respuesta de una persona para continuar.
Gemini 2.5 Computer Use está pensado para utilizarse en navegadores de internet (Chrome, Safari, Edge y compañía), pero también puede usarse para controlar interfaces visuales de sistemas operativos móviles, aunque de momento no en sistemas de ordenadores.
Para garantizar la seguridad, la compañía que recientemente ha lanzado también el popular generador de imágenes Nano Banana ha diseñado este modelo para que no pueda utilizarse para rellenar captchas de forma fraudulenta a través de diferentes controles dentro y fuera del algoritmo que utiliza.
Conoce cómo trabajamos en ComputerHoy.
Etiquetas: Inteligencia artificial
