AIREITERGoogle llevó Gemini Computer Use a disponibilidad general el 30 de octubre de 2026, aunque el anuncio se redujo a dos líneas en el registro de cambios: disponibilidad general en las API de Interactions y GenerateContent, sin modelo nuevo ni cambios de precio. Para un equipo de producción, la conclusión práctica es sencilla: el bucle de capturas sigue siendo el mismo, la facturación de tokens continúa siendo exclusiva de los planes de pago y, ahora sí, puedes construir sobre una versión estable.
La disponibilidad general elimina la objeción de que el producto estaba en preview, pero la facturación de capturas y la gestión de la seguridad siguen siendo responsabilidad de tu aplicación.
Qué cambia realmente con la disponibilidad general del 30 de octubre
La entrada del 30 de octubre de 2026 dice una sola cosa: la herramienta Computer Use está disponible de forma general en la API de Interactions y en la API de GenerateContent. El registro de cambios no menciona nuevos identificadores de modelo, un esquema de acciones distinto, límites de velocidad ni cifras de precios.
El cambio es de estado, no de funcionamiento. Las integraciones en preview que utilizaban computer_use con un bucle de capturas deberían seguir funcionando. Lo que desaparece es la limitación asociada al estado preview; la fiabilidad y la seguridad siguen dependiendo de tu implementación. La facturación continúa restringida a los planes de pago y se realiza como tokens normales, tú sigues ejecutando cada clic y cualquier acción con consecuencias requiere un mecanismo de confirmación.
Si desarrollaste sobre la preview de Gemini 2.5 Computer Use (anunciada el 7 de octubre de 2025 como preview pública), la migración consiste en ajustar la configuración, no en rehacerlo todo. Dirige las peticiones a la herramienta GA desde Interactions (https://generativelanguage.googleapis.com/v1/interactions en el ejemplo REST) o GenerateContent, conserva tu ejecutor de Playwright o Browserbase y vuelve a probar las decisiones de seguridad. La implementación de referencia sigue usando gemini-3.6-flash como valor predeterminado en el ejemplo del README, así que conviene fijar explícitamente un identificador de modelo compatible con GA en lugar de depender de ese valor.
Cómo funciona el bucle de interacción
Gemini Computer Use API no controla directamente tu ordenador. Tu aplicación envía una captura de pantalla junto con una instrucción; el modelo devuelve una acción de interfaz propuesta en forma de function_call; tu código la ejecuta, toma otra captura y la devuelve al modelo. El ciclo se repite hasta completar la tarea, producirse un error, activarse una parada de seguridad o finalizarlo el usuario.
La ruta mínima en Python necesita google-genai en su versión 2.7.0 o posterior (según la documentación de Computer Use), además de Playwright para controlar el navegador:
pip install google-genai playwright
playwright install chromiumEl ejemplo de la documentación abre Chromium con headless=False, una ventana de 1440 x 900 y https://www.google.com como página inicial. La petición configura "environment": "browser", el modelo gemini-3.8-flash y el tipo de herramienta computer_use. Los ejemplos completos del bucle de agente en Python, JavaScript, Java y Go utilizan un límite de 5 turnos como demostración, no como cuota general de la API.
Las coordenadas son el punto donde más implementaciones se equivocan. El modelo devuelve x e y normalizadas en un espacio de 1000 x 1000, normalmente como enteros del 0 al 999. Tu código debe convertirlas a píxeles reales:
actual_x = int(x / 1000 * screen_width)
actual_y = int(y / 1000 * screen_height)No se envían las dimensiones de la pantalla en la petición. En las respuestas de Gemini 4 y Gemini 3.x, cada acción incluye además una cadena intent que explica por qué el modelo la ha elegido, junto con un safety_decision opcional.
Modelos y entornos compatibles
La documentación actual de Computer Use indica que cuatro modelos son compatibles. Google recomienda Gemini 3.8 Flash como opción predeterminada para interactuar con interfaces y realizar llamadas a herramientas con fiabilidad. Gemini 4 Argon ocupa la posición de modelo más capaz para flujos de trabajo agénticos complejos.
| Identificador del modelo | Enfoque |
|---|---|
gemini-4-argon | El más capaz, para razonamiento complejo y flujos agénticos de interfaz |
gemini-3.8-flash | Recomendado para Computer Use, con interacción de alta precisión con la interfaz |
gemini-3.5-flash-lite | Opción de baja latencia y coste reducido |
gemini-3-flash-preview | Variante en preview; su comportamiento todavía puede cambiar |
| Entorno | Más adecuado para | Acciones destacadas |
|---|---|---|
Navegador (ENVIRONMENT_BROWSER) | Formularios web, pruebas e investigación | Clic, doble clic, triple clic, clic derecho, clic central, mover, escribir con press_enter, arrastrar y soltar, desplazarse de 0 a 999 con 300 como valor predeterminado, press_key, hotkey, atrás, adelante, navigate, wait con 1 s por defecto y captura de pantalla |
Móvil (ENVIRONMENT_MOBILE) | Flujos de aplicaciones Android | open_app, list_apps, clic táctil, escribir, arrastrar y soltar, long_press con 2 s por defecto, atrás, wait y captura de pantalla |
Escritorio (ENVIRONMENT_DESKTOP) | Tareas con el cursor a nivel del sistema operativo | Variantes de clic, mover, escribir, arrastrar y soltar, desplazarse, press_key, hotkey, wait y captura de pantalla |
La referencia de GitHub (google-gemini/computer-use-preview, con licencia Apache-2.0) permite ejecutar la misma tarea de dos formas: con Chrome local mediante Playwright o con un navegador en la nube de Browserbase. El comando de la CLI es python main.py --query "Go to Google and type 'Hello World' into the search bar" --env="playwright"; --initial_url utiliza https://www.google.com por defecto y --highlight_mouse sirve para depurar visualmente. Hay un problema conocido que conviene tener presente antes de pasarte una hora depurando: Playwright puede no capturar los menús desplegables HTML nativos <select> porque el sistema operativo los dibuja fuera de la página, y el README considera Browserbase una solución mejor que inyectar CSS o JavaScript.
Los niveles de razonamiento permiten equilibrar la calidad de las acciones y la velocidad. Los niveles bajos encajan con ciclos estándar de rellenado de formularios y pruebas; un esfuerzo mayor resulta más útil cuando la interfaz presenta estados ambiguos. La documentación no publica nombres de niveles ni cifras de latencia, así que lo sensato es probar esta opción con un A/B en tus propios flujos.
Cuánto cuesta
Computer Use no tiene nivel gratuito. La página de precios lo indica directamente en la sección de precios de herramientas: Computer Use no está disponible en el plan Free y, en Paid, se factura como tokens normales, por ejemplo, con los precios de Gemini 3.8 Flash. No existe un recargo específico de Computer Use; el uso se cobra como tokens de entrada y salida a las tarifas base del modelo.
Ahí está el motivo por el que el coste de una tarea puede sorprender. Cada turno factura la captura de pantalla, el historial acumulado y la salida de la acción, por lo que rellenar un formulario en 20 pasos implica 20 llamadas de visión más los reintentos. Puedes estimarlo con turns x (screenshot + history input tokens + action output tokens) x base-model rate. La página de precios muestra para Flash Standard $0.75 por cada millón de tokens de entrada y $3.75 por cada millón de tokens de salida hasta el 31 de diciembre de 2026; Batch y Flex ofrecen tarifas de tokens inferiores, pero Computer Use sigue estando limitado a Paid.
Cada ronda devuelve una captura, que se factura como tokens: los clics aleatorios no solo rompen la página, también disparan la factura. — @vastplan, cuenta de despliegue de IA, publicación
Controla el presupuesto desde el propio bucle: limita los turnos, la resolución de las capturas y los reintentos en el código.
La seguridad que debes implementar por tu cuenta
En Computer Use, la seguridad es una capa de servicio alrededor del modelo, no una función que el modelo resuelva por sí solo. Gemini 4 y Gemini 3.x evalúan cada acción propuesta frente a siete categorías de políticas integradas y pueden devolver require_confirmation o un bloqueo en lugar de una acción ejecutable. Tu cliente debe gestionar esa respuesta siempre.
| Política | Qué protege |
|---|---|
FINANCIAL_TRANSACTIONS | Pagos, compras y productos regulados |
SENSITIVE_DATA_MODIFICATION | Registros sanitarios, financieros y gubernamentales |
COMMUNICATION_TOOL | Envío de correos, chats y borradores |
ACCOUNT_CREATION | Registro de cuentas nuevas en sitios web |
DATA_MODIFICATION | Cambios en archivos, uso compartido y eliminación de almacenamiento |
USER_CONSENT_MANAGEMENT | Banners de cookies y avisos de privacidad |
LEGAL_TERMS_AND_AGREEMENTS | Términos de servicio y contratos vinculantes |
Cuando el modelo devuelve un safety_decision con decision: require_confirmation y una explicación como must check check-box, el flujo de la documentación no deja lugar a dudas: pide confirmación a una persona, permite continuar o terminar y, si se aprueba, incluye safety_acknowledgement en el siguiente function_result con el resultado CONTINUE o TERMINATE. Desactivar políticas mediante disabled_safety_policies —el ejemplo desactiva data_modification— solo expresa una preferencia; aun así puede ser necesaria la confirmación.
La detección de inyecciones de instrucciones está desactivada por defecto y debes activarla de forma explícita. Se habilita con enable_prompt_injection_detection: true y está disponible desde Gemini 3.5 Flash-Lite en adelante. El sistema analiza las capturas en busca de instrucciones ocultas como ignore previous commands y bloquea la ejecución cuando las encuentra. Google también recomienda aislar el agente en una máquina virtual, un contenedor Docker o un perfil de navegador dedicado con permisos limitados; usar listas de permitidos o bloqueados para la navegación, sanitizar las entradas, aplicar controles al contenido, iniciar cada tarea desde un estado de interfaz estable y registrar para auditoría las instrucciones, capturas, acciones function_call propuestas, respuestas de seguridad y acciones ejecutadas.
Las instrucciones de seguridad del ejemplo enumeran lo que nunca debe ejecutarse de forma autónoma: aceptar términos de servicio o banners de cookies, resolver CAPTCHAs, completar compras o mover dinero, enviar correos o publicaciones, modificar historiales sanitarios o financieros, números de la Seguridad Social o tarjetas, descargar archivos, compartir datos, leer historiales o contraseñas, iniciar sesión, suplantar identidades o quedarse en un bucle infinito cuando se atasca. El patrón recomendado en producción es dejar que el agente haga el trabajo preparatorio y detenerlo antes de pulsar Enviar, Confirmar, Completar compra o Compartir.
¿Está listo para producción? Lista de comprobación y comparación
La disponibilidad general convierte Computer Use en una apuesta razonable para automatización del navegador, rellenado de formularios, pruebas automatizadas de interfaces e investigación en páginas de productos. Aun así, sigue siendo un agente guiado por capturas que puede interpretar mal una interfaz, perder contexto durante ejecuciones largas y consumir tokens en reintentos.
Antes de activarlo para usuarios reales:
- Fija explícitamente un identificador de modelo GA
- Limita los turnos y añade detección de bucles inactivos
- Ejecuta el agente en un perfil de navegador o contenedor aislado con una lista de permitidos
- Exige confirmación humana antes de cualquier acción irreversible
- Activa la detección de inyecciones de instrucciones
- Registra las capturas y las decisiones de seguridad
- Inicia cada tarea desde un estado limpio y conocido
- Prueba los flujos de compra e inicio de sesión con las confirmaciones activadas
En cuanto a las pruebas de referencia, la ficha del modelo de Google ofrece resultados de la línea Gemini 2.5 Computer Use, no de los modelos GA actuales. Úsalos como contexto de esa línea para tareas de navegador:
| Prueba | Línea Gemini 2.5 | Mejor comparativa |
|---|---|---|
| Online-Mind2Web (oficial) | 69.0% | 61.3% OpenAI Operator |
| WebVoyager (oficial) | 88.9% | 87.0% OpenAI |
| Online-Mind2Web (Browserbase) | 65.7% | 55.0% Sonnet 4.5, 61.0% Sonnet 4, 44.3% OpenAI |
| WebVoyager (Browserbase) | 79.9% | 71.4% Sonnet 4.5, 69.4% Sonnet 4, 61.0% OpenAI |
| AndroidWorld | 69.7% | 56.0% Sonnet 4.5, 62.1% Sonnet 4 |
La ficha todavía no ofrecía compatibilidad con el control de escritorio en OSWorld, frente al 61.4% declarado por Claude. La documentación actual ya incluye el escritorio entre los entornos compatibles, pero conviene considerar el control a nivel del sistema operativo como una función más nueva y menos probada que los flujos de navegador.
| Tarea | Elección |
|---|---|
| Rellenado sencillo de gran volumen, priorizando el coste | gemini-3.5-flash-lite + límites estrictos de turnos |
| Automatización general del navegador, priorizando la precisión | gemini-3.8-flash |
| Razonamiento complejo entre varias aplicaciones | gemini-4-argon, en un entorno aislado y con aprobaciones humanas activadas |
| Cualquier tarea relacionada con dinero, cuentas o términos legales | Persona en el circuito, sin desactivar las políticas financieras |
Si la renderización local de Playwright te da problemas, una plantilla de Browserbase con Stagehand (npx create-browser-app --template gemini-cua) es una opción alojada para hacer una primera prueba. En cualquier caso, tanto la factura como el límite de confianza siguen bajo tu responsabilidad.
Preguntas frecuentes
¿Cambió Gemini Computer Use API de endpoints al llegar a GA?
No se anunció ningún endpoint nuevo en la entrada sobre GA. Google muestra la misma herramienta en la API de Interactions y en la API de GenerateContent. Dirige el mismo ejecutor a la herramienta GA utilizando un identificador de modelo explícito.
¿Gemini Computer Use es gratis o de pago?
Solo está disponible en el nivel de pago. La página oficial de precios indica que Computer Use no está disponible en Free y que se factura como tokens normales, según las tarifas del modelo subyacente. Cada captura y cada acción del bucle generan tokens facturables.
¿Qué modelo de Gemini debería usar con Computer Use?
Google recomienda gemini-3.8-flash por su precisión con interfaces y la fiabilidad de sus llamadas a herramientas. Usa gemini-3.5-flash-lite para tareas de gran volumen y baja latencia, y gemini-4-argon para flujos agénticos complejos. Evita los identificadores preview en producción.
¿Controla todo el escritorio o solo el navegador?
La documentación GA incluye compatibilidad con navegador, dispositivos móviles Android y control del cursor a nivel del sistema operativo de escritorio. Los flujos de navegador son los más maduros y los que cuentan con más referencias. El control del escritorio es más reciente, así que aíslalo con mayor rigor.
¿Tengo que ejecutar yo los clics?
Sí. El modelo solo propone un function_call con coordenadas normalizadas de 0 a 999 y una intención. Tu sistema basado en Playwright, Browserbase o una herramienta nativa mueve el ratón, escribe, toma capturas y devuelve el resultado.
¿Cómo se gestionan las confirmaciones de seguridad en el código?
Comprueba cada respuesta en busca de safety_decision. Si aparece require_confirmation, pide confirmación al usuario y envía safety_acknowledgement con CONTINUE o TERMINATE en el siguiente function_result. Sigue gestionando este caso aunque hayas desactivado una política.
También te puede interesar: precios de Gemini 3.8 Flash y costes de las tareas agénticas, precios y disponibilidad de Gemini 4 Argon API, análisis de CUA-Lite para agentes de uso informático.