Gemini 3.1 Flash-Lite: el cerebro detrás de la planificación de redes sociales

Esta semana Google ha liberado Gemini 3.1 Flash-Lite: el escalón más barato de la familia 3.1, pensado para tareas masivas y repetitivas. No es noticia espectacular pero es noticia útil. Te cuento dónde encaja exactamente en el submódulo CRM Redes Sociales que viene en mayo: la creatividad la pone Claude; la programación la pone Flash-Lite.

Qué hace Flash-Lite mejor que nadie

Flash-Lite no es el modelo más capaz del momento. Es el más eficiente para una clase concreta de tareas: clasificación, extracción estructurada, generación corta de texto con plantilla. Coste de entrada y salida ~10× menor que el flagship 3.1 Pro. Latencia bajo el segundo en respuestas cortas.

Para planificación de redes sociales eso es justo lo que necesitas. Decidir si un post va lunes o jueves no requiere razonamiento profundo. Requiere mirar histórico, aplicar reglas de horario y devolver un slot. Cosa de Flash-Lite.

Cómo se reparten Claude y Flash-Lite en redes

El submódulo CRM Redes Sociales que tenemos en /crm/redes (7 páginas) tiene una división clara de trabajo entre modelos:

• claude-sonnet-4-6: genera el copy del post. Texto que tiene que sonar a humano, con voz de marca, con gancho. Anthropic gana por margen.
• gemini-3-1-flash-lite: decide cuándo publicarlo y en qué red. Lee histórico de engagement, calendario corporativo, festivos, y propone slot.
• nano-banana-2: genera imagen de acompañamiento cuando no hay foto real disponible.
• Metricool API: publica en el slot decidido por Flash-Lite.

El operador humano —el responsable de redes de la constructora— solo revisa y aprueba. Cinco minutos al día le bastan para una semana de calendario.

Por qué este modelo de "varios modelos en pipeline" gana

La tentación cuando lanzas un feature con IA es usar un único modelo grande. Es más simple. Y es más caro. El patrón que estamos viendo funcionar en producción es romper la tarea en pasos y poner el modelo correcto en cada paso. Esto:

• Baja el coste por feature en un orden de magnitud.
• Sube la calidad (cada modelo gana en su tarea).
• Permite cambiar el modelo de un paso sin tocar el resto.
• Hace explicable el comportamiento — sabes qué hizo qué.

Próximo episodio

El martes 24 saltamos otra vez a Google con Ask Maps y la navegación inmersiva. Y qué llega de eso a la App Trabajador móvil: ruta óptima entre partes con check-in geolocalizado.