# blount-googlecloudtech-fable-gemini-flash-same-team-2026-09-14

## Veille

Artículo extenso publicado el **14 de septiembre de 2026** en la cuenta de X **@GoogleCloudTech** (~2.000 palabras, cuatro pasos, seis bloques de comandos y configuración), firmado por **Alan Blount**, Technical Solutions Consultant en Google. Punto de partida: una pregunta trivial, confiada a un agente de investigación, facturada en **38 $**. El artículo propone ejecutar **Claude Fable 5.1** y **Gemini 3.8 Flash** en paralelo detrás de la misma API **Gemini Enterprise Agent Platform** (antes Vertex AI). **(1) Configuración**: el acceso a Fable está sujeto al *Advanced AI Safety Addendum* de Google Cloud, que exige una llamada a `setPublisherModelConfig` con el intercambio de prompts y respuestas habilitado para Anthropic, so pena de un 403; Flash funciona en cuanto se habilita. **(2) Benchmark interno** con promptfoo pilotando opencode en dos tareas: en un estado de rama git, Flash responde en **1,1 s** por menos de una décima de centavo mientras Fable cuesta **23 veces más**; en una migración de Postgres a Spanner, Fable produce en **12 s** un DAG formal con riesgos de desviación de reloj y una puerta de rollback, mientras que Flash entrega una secuencia lineal en 3 s. **(3) Uso**: *« coordinación asimétrica »* — el modelo rápido como coordinador de primera línea, el planificador profundo en los puntos de control, una herramienta `ask_for_help` para la escalada, y una advertencia contra los routers dinámicos: *« Keep it boring »*. **(4) ROI de tokens**: el valor del tiempo humano, las funcionalidades entregadas y los incidentes evitados, menos el coste de los tokens y la curva de aprendizaje del equipo. El mismo movimiento de enrutamiento por frontera de tarea que [[mazmanov-portal-spotify-shunt-claude-code-tokens-2026-09-03]], dentro del marco FinOps planteado por [[rafal-wenvision-tokenomics-foundation-finops-ia-2026-06-04]].

## Titre Article

Put Claude Fable 5.1 and Gemini 3.8 Flash on the same team

## Date

2026-09-14

## URL

https://x.com/GoogleCloudTech/status/2099507349828350285

## Keywords

enrutamiento de modelos, coordinación asimétrica, tokenomics, ROI de tokens, Claude Fable 5.1, Gemini 3.8 Flash, Gemini Enterprise Agent Platform, Vertex AI, Model Garden, Advanced AI Safety Addendum, setPublisherModelConfig, intercambio de prompts y respuestas, opencode, promptfoo, benchmark interno, evaluaciones, subagents especializados, deep-thinker, worker, escalada ask_for_help, routers dinámicos, bandits multibrazo, frontera de tarea, migración Postgres Spanner, DAG, Google ADK, LangGraph, nivel de pensamiento, cuota, throughput provisionado

## Authors

Alan Blount (Technical Solutions Consultant, Google Cloud, @zeroasterisk), publié sur le compte X @GoogleCloudTech.

## Ton

**Perfil**: tutorial de ingeniería publicado en una cuenta editorial de Google Cloud, escrito en primera persona, que promueve la plataforma de la empresa mientras describe sus puntos de friction. Audiencia: desarrolladores que construyen agentes de codificación o servicios de agentes personalizados, y responsables de los costes de inferencia.

**Estilo**: una progresión numerada en cuatro pasos, cada uno cerrado con artefactos ejecutables — variables de entorno, llamadas curl, respuestas JSON esperadas, códigos de error 409 y 403 con su mensaje exacto, archivos `opencode.json` y `promptfooconfig.yaml`. El humor autocrítico (*« impossible things are easy, but easy things are hard »*, *« whew. We did it 🎉 »*) reconoce lo tosco del recorrido de activación. Fórmulas breves sirven de reglas: *« That is a mistake »*, *« Keep it boring »*.

**Postura epistémica**: el autor rechaza de entrada las clasificaciones públicas (*« Twitter vibes and synthetic leaderboards »*) y enmarca su propia comparación como *« one illustrative example »* que debe repetirse sobre las propias tareas. Las cifras dadas (1,1 s, 23 veces, 12 s) cubren dos tareas en un contenedor limpio, sin repetición ni protocolo detallado. Las tasas de escalada (85 a 90% resueltas por el worker) y el umbral de 3 a 5 herramientas se enuncian como heurísticas, sin fuente. La ecuación de ROI se presenta explícitamente como imposible de generalizar. El texto es contenido de plataforma: los modelos citados son los que distribuye Google Cloud, y la referencia final apunta a otras publicaciones de la misma cuenta.

## Pense-betes

- **El caso fundador es un ROI pobre, no una caída del servicio**: una pregunta de bajo riesgo, un agente rastreando chats y documentos, la respuesta correcta, 38 $. La tarea no requería una planificación costosa. Es el valor marginal del token, abordado en [[gupta-token-budget-wars-marginal-token-utility-2026-05-28]].
- **Dos formas de modelo, una única superficie de API**: Fable 5.1 para la planificación autónoma de clase Mythos, la ventana de un millón de tokens y la diligencia en varios pasos; Gemini 3.8 Flash para la velocidad a **0,75 $ / 3,75 $** por millón de tokens de entrada/salida, con un nivel de pensamiento ajustable. Enrutar todo hacia uno u otro se señala como el error a evitar en ambos sentidos: pagar tarifas de frontera para leer diffs, o lanzar un modelo rápido en una migración irreversible sin plan.
- **Activar Fable en Google Cloud es un recorrido de varios pasos**: habilitar la API, habilitar el modelo, completar un formulario de uso y luego aceptar el Advanced AI Safety Addendum llamando a `setPublisherModelConfig` con `dataSharingEnabledProvider: ANTHROPIC` a nivel de proyecto. Un 409 significa que ya está hecho; un 403 explícito señala el paso faltante. El nombre del modelo en la URL usa guiones, `claude-fable-5-1`. Se recomienda un endpoint global, con variantes multirregionales y regionales.
- **El benchmark interno cabe en dos archivos**: opencode configurado con ambos proveedores de Vertex, promptfoo lanzando `opencode run --auto` con cada modelo sobre los mismos prompts, tiempo de espera de 60 segundos. La regla: no modificar los archivos de tareas entre pasadas.
- **Los dos resultados se cruzan**: en un estado de rama de PR, Fable recorre turnos de meta-razonamiento reinspeccionando hashes de árbol sin cambios (casi 6 s, 23 veces el coste); Flash activa las herramientas git y responde en 1,1 s. En la migración de Postgres a Spanner, Flash renderiza una secuencia lineal limpia en 3 s; Fable, en 12 s, un DAG completo con riesgos de desviación de reloj en escrituras duales, claves de idempotencia y una puerta de rollback reversible.
- **Patrón adoptado, coordinación asimétrica**: velocidad económica en primera línea, profundidad deliberada en los puntos de control de arquitectura. En un harness de codificación, subagents con nombre asignados a modelos distintos (`worker` en Flash, `deep-thinker` en Fable); el planificador identifica la causa y descompone el trabajo, los workers ejecutan e informan, el planificador verifica y confirma o reasigna. Dos familias de modelos verificándose entre sí, un posible paralelismo con [[willison-fable-judgement-delegation-subagents-2026-07-03]].
- **Remodelar el harness para ajustarse al modelo**: de 3 a 5 herramientas específicas con esquemas JSON estrictos para el modelo rápido, frente a un catálogo de 50 herramientas que genera confusión de parámetros y desperdicio de contexto; documentos de arquitectura, esquemas y directrices para Fable, pero sin acceso de escritura directo a los archivos.
- **Escalada 'Ask for Help'**: toda solicitud comienza en el worker rápido, equipado con una herramienta `ask_for_help(reason, failed_attempts, context)`; resuelve por sí solo del 85 al 90% de las solicitudes y solo escala ante ambigüedad, una acción irreversible o dos fallos consecutivos de herramienta.
- **Contra los routers 'inteligentes' automáticos**: maduros en el ML predictivo (bandits, publicidad, fraude) porque las entradas están acotadas y la retroalimentación es inmediata; en agentes multi-turno, el primer turno carece de señal, el éxito no se traduce en características aprendibles, y las malas decisiones se repiten en la otra vía, erosionando el ahorro y añadiendo latencia. Veredicto: componer explícitamente, enrutar por frontera de tarea, dejar que las aserciones de código o la intención humana gobiernen los traspasos.
- ⚠️ **Las cifras comparativas se apoyan en dos tareas ejecutadas una sola vez cada una**, sin varianza ni protocolo publicado; el propio autor lo reconoce y remite a cada uno a sus propias evaluaciones.
- **La ecuación de ROI** suma el tiempo humano ahorrado, las funcionalidades entregadas más rápido y los errores e interrupciones evitados, menos el coste de los tokens y la curva de aprendizaje del equipo. El autor señala que este cálculo se mueve más por hacer más trabajo, más rápido, que por ahorrar tokens. Una comparación por equipo que vale la pena leer junto con [[patel-block-buzz-teams-tokens-benchmarks-2026-08-06]].

## RésuméDe400mots

Alan Blount, Technical Solutions Consultant en Google Cloud, publica el 14 de septiembre de 2026 en la cuenta de X @GoogleCloudTech un tutorial en cuatro pasos sobre cómo hacer que Claude Fable 5.1 y Gemini 3.8 Flash trabajen juntos. Punto de partida: una pregunta trivial confiada a un agente que buscó en sus conversaciones y documentos costó 38 dólares por una respuesta correcta pero de bajo riesgo.

Ambos modelos son accesibles detrás de la misma API Gemini Enterprise Agent Platform, el nuevo nombre de Vertex AI, vía Model Garden. Fable 5.1 aporta una planificación autónoma de clase Mythos, una ventana de un millón de tokens y diligencia en varios pasos; Gemini 3.8 Flash aporta un razonamiento cercano a la frontera a un precio de 0,75 dólares por millón de tokens de entrada y 3,75 de salida, con un nivel de pensamiento ajustable. Enrutar todo hacia un único modelo se presenta como un error.

El primer paso detalla la activación. Fable está sujeto al Advanced AI Safety Addendum de Google Cloud: el intercambio de prompts y respuestas para Anthropic debe habilitarse a nivel de proyecto mediante una llamada a la API setPublisherModelConfig, de lo contrario cada solicitud devuelve un error 403. Flash funciona en cuanto el modelo está habilitado.

El segundo paso recomienda no depender de las clasificaciones públicas y, en su lugar, comparar los modelos en las propias tareas, aquí con promptfoo pilotando el agente opencode. En un resumen de estado de rama git, Flash responde en 1,1 segundos por menos de una décima de centavo, mientras que Fable multiplica los turnos de razonamiento y cuesta 23 veces más. En una migración de Postgres a Spanner, Flash entrega una secuencia lineal en 3 segundos, Fable un grafo de dependencias formal en 12 segundos, con riesgos de desviación de reloj y una puerta de rollback.

El tercer paso describe la coordinación asimétrica: el modelo rápido en primera línea, el planificador profundo en los puntos de control de arquitectura. En un harness de codificación, esto se traduce en subagents asignados a modelos distintos; en un servicio personalizado, en un harness adaptado a cada modelo, evaluaciones automatizadas y una herramienta de escalada que el worker invoca ante ambigüedad, una acción irreversible o un doble fallo. Los routers dinámicos quedan descartados en favor de un enrutamiento explícito por frontera de tarea.

El cuarto paso expone una ecuación de ROI de tokens fundamentada en el valor producido más que en tablas de precios.

## GrapheDeConnaissance

- Alan Blount —travaille_chez→ Google Cloud (ORGANISATION, 0.95)
- Google Cloud —publie→ Gemini Enterprise Agent Platform (TECHNOLOGIE, 0.95)
- Gemini Enterprise Agent Platform —remplace→ Vertex AI (TECHNOLOGIE, 0.93)
- Gemini Enterprise Agent Platform —utilise→ Model Garden (TECHNOLOGIE, 0.93)
- Model Garden —permet→ Claude Fable 5.1 (TECHNOLOGIE, 0.94)
- Model Garden —permet→ Gemini 3.8 Flash (TECHNOLOGIE, 0.94)
- Claude Fable 5.1 —fait_partie_de→ Advanced AI Safety Addendum (DOCUMENT, 0.92)
- Advanced AI Safety Addendum —utilise→ setPublisherModelConfig (TECHNOLOGIE, 0.92)
- Alan Blount —mesure→ une question anodine traitée par un agent de recherche a coûté 38 $ (MESURE, 0.93)
- Gemini 3.8 Flash —mesure→ 0,75 $ par million de tokens en entrée, 3,75 $ en sortie (MESURE, 0.93)
- Claude Fable 5.1 —mesure→ fenêtre de contexte d'un million de tokens (MESURE, 0.92)
- Alan Blount —utilise→ promptfoo (TECHNOLOGIE, 0.93)
- promptfoo —utilise→ opencode (TECHNOLOGIE, 0.93)
- Gemini 3.8 Flash —surpasse→ Claude Fable 5.1 (TECHNOLOGIE, 0.88)
- Gemini 3.8 Flash —mesure→ résumé d'état de branche git en 1,1 s pour moins d'un dixième de cent, Fable 5.1 près de 6 s et 23 fois plus cher (MESURE, 0.9)
- Claude Fable 5.1 —surpasse→ Gemini 3.8 Flash (TECHNOLOGIE, 0.88)
- Claude Fable 5.1 —mesure→ plan de migration Postgres vers Spanner en DAG formel en 12 s, contre une séquence linéaire en 3 s pour Flash (MESURE, 0.9)
- Alan Blount —recommande→ coordination asymétrique (CONCEPT, 0.95)
- coordination asymétrique —est_instance_de→ routage de modèles (CONCEPT, 0.93)
- coordination asymétrique —utilise→ subagents (TECHNOLOGIE, 0.92)
- coordination asymétrique —utilise→ escalade Ask for Help (METHODOLOGIE, 0.92)
- escalade Ask for Help —affirme_que→ le worker rapide traite 85 à 90 % des requêtes et n'escalade que sur ambiguïté, action irréversible ou deux échecs d'outil consécutifs (AFFIRMATION, 0.9)
- Alan Blount —recommande→ 3 à 5 outils à schémas JSON stricts pour le modèle rapide, un catalogue de 50 outils causant confusion de paramètres (AFFIRMATION, 0.9)
- Alan Blount —s_oppose_à→ routeurs de modèles dynamiques (CONCEPT, 0.92)
- routeurs de modèles dynamiques —affirme_que→ signal insuffisant au premier tour, succès non traduisible en features, mauvais choix rejoués sur l'autre chemin (AFFIRMATION, 0.9)
- Alan Blount —affirme_que→ "Keep it boring" (CITATION, 0.95)
- Alan Blount —recommande→ ROI des tokens (CONCEPT, 0.92)
- ROI des tokens —affirme_que→ valeur du temps humain, des fonctionnalités livrées et des incidents évités, moins le coût des tokens et de la montée en compétence (AFFIRMATION, 0.9)
- coordination asymétrique —s_applique_à→ LangGraph (TECHNOLOGIE, 0.85)

---
Canonical: https://www.thekb.eu/es/fiches/blount-googlecloudtech-fable-gemini-flash-same-team-2026-09-14/