Grounding de Google vs API de búsqueda: 40 preguntas

Sin búsqueda, dos modelos de Gemini no acertaron ninguna de 40 preguntas recientes. Una llamada de búsqueda de API Pick por pregunta subió ambos a 35 de 40; el grounding con Google Search llegó a entre 30 y 40 según el modelo y el prompt. Resultados completos, precios verificados el 2026-11-14 y el conjunto de preguntas.

Resumen

• •Sin búsqueda, Gemini 3.8 Flash y Gemini 3.5 Flash-Lite no acertaron ninguna de 40 preguntas sobre noticias de octubre y noviembre de 2026. Una búsqueda web de API Pick por pregunta subió ambos a 35 de 40, sin respuestas erróneas.
• •El grounding con Google Search fue lo más preciso y lo más rápido: 39 de 40 con Flash-Lite en 2,5 segundos, y 40 de 40 con 3.8 Flash cuando el prompt dejó de invitarle a saltarse la búsqueda.
• •El grounding se factura por consulta de búsqueda, no por pregunta: el modelo hizo de 1,9 a 2,85 consultas por pregunta, así que 1.000 preguntas cuestan entre 24 y 40 $ en búsquedas una vez agotadas las 5.000 consultas gratuitas al mes. Una llamada a API Pick cuesta 15 $ fijos por cada 1.000.
• •Elige grounding para aplicaciones solo con Gemini y menos de unas 1.750 preguntas al mes. Elige una API de búsqueda si usas otros modelos, necesitas una llamada predecible por pregunta o quieres ver y filtrar tú mismo las fuentes.

¿Cuánto mejora una búsqueda web las respuestas de un LLM?

En 40 preguntas sobre noticias de octubre y noviembre de 2026, Gemini 3.8 Flash y Gemini 3.5 Flash-Lite no acertaron ninguna sin búsqueda. Una sola búsqueda web de API Pick por pregunta subió ambos modelos a 35 de 40 (87,5 %) sin respuestas erróneas, y el grounding con Google Search los llevó a entre 30 y 40 de 40, según el modelo y el prompt. Ejecutamos todas las preguntas el 2026-11-14 en cuatro configuraciones y calificamos las respuestas con fuentes que comprobamos a mano.

Desarrollamos API Pick, la API de búsqueda de esta prueba. El grounding integrado de Google la superó en precisión y velocidad en la mayoría de las ejecuciones, y esta página explica dónde y por qué.

El resto de respuestas fueron «no lo sé». Ningún modelo se inventó nada cuando no tenía búsqueda, que es justo lo que quieres. En las 10 preguntas de control de cultura general, todas las configuraciones sacaron 10 de 10 salvo Flash-Lite con búsqueda de noticias, que se rindió en dos preguntas que sabía porque los resultados no venían al caso.

¿Cuánto cuesta el grounding con Google Search?

En Gemini 3 y modelos posteriores, el grounding con Google Search cuesta 14 $ por cada 1.000 consultas de búsqueda tras 5.000 consultas gratuitas al mes. La trampa está en la unidad: pagas cada consulta que el modelo decide hacer, no cada pregunta. Estas son las condiciones de las páginas de precios de Google el 2026-11-14:

• Cuota gratuita: 5.000 consultas de búsqueda al mes, compartidas entre todos los modelos Gemini 3 y posteriores.
• Tarifa de pago: 14 $ por cada 1.000 consultas, con un límite por defecto de 1.500 solicitudes de grounding al día por proyecto en el nivel de pago de la Gemini Developer API.
• Consultas por pregunta: Gemini hizo de media entre 1,9 y 2,85 en nuestras ejecuciones, y hasta 16 en una sola pregunta.
• Modelos anteriores: los modelos Gemini 2.5 se facturan por prompt con grounding, a 35 $ por cada 1.000 tras 1.500 gratuitos al día. Desde el 1 de diciembre de 2026, las solicitudes a gemini-2.5-flash se redirigen a Gemini 3.5 Flash-Lite.

El texto que Google pasa al modelo desde la búsqueda no se factura como tokens de entrada; por eso las ejecuciones con grounding usaron unos 90 tokens de entrada por pregunta, frente a unos 1.400 en las que pegamos cinco resultados de API Pick en el prompt. Precios de modelo usados: Gemini 3.8 Flash a 0,75 $ por millón de tokens de entrada y 3,75 $ por millón de salida hasta el 31 de diciembre de 2026, y Gemini 3.5 Flash-Lite a 0,30 $ y 2,50 $.

¿Por qué Gemini 3.8 Flash se saltó la búsqueda?

Porque con grounding el modelo decide si busca, y nuestro prompt le daba una salida fácil. En la primera ejecución, Gemini 3.8 Flash no hizo ninguna búsqueda en 9 de las 40 preguntas y respondió «no lo sé». Quitamos entonces la frase que permitía «no lo sé» y volvimos a ejecutar Gemini 3.8 Flash con las 40 preguntas de noticias:

Sin la vía de escape, el grounding buscó siempre, hizo más consultas (2,85 por pregunta en lugar de 1,9) y acertó las 40. La ejecución con API Pick apenas cambió, porque la búsqueda ya se había hecho antes de que el modelo viera la pregunta.

¿Dónde falló la API de búsqueda?

La búsqueda web de API Pick falló 5 de las 40 preguntas. En cuatro, ninguno de los cinco resultados contenía el dato; en la quinta, el dato solo aparecía de forma indirecta. En todos los casos el modelo dijo que no lo sabía en lugar de adivinar:

• Ingresos de Uber en el tercer trimestre de 2026: los resultados eran crónicas de resultados que hablaban de reservas y beneficios, pero el texto devuelto no incluía la cifra de ingresos.
• Ingresos comerciales de Palantir en EE. UU.: los resultados daban la tasa de crecimiento (148 %) pero no el importe.
• El modelo líder del ranking search-lift de Firecrawl: los resultados eran rankings generales de LLM.
• Precio del plan Standard de Composio: entre los resultados estaba la página de precios de Composio, pero el fragmento mostraba «18 $ en créditos por puesto» en lugar del precio del plan. Con la opción «no lo sé» el modelo se abstuvo; sin ella respondió 18 $ por puesto al mes, que es correcto.
• Dónde lanzó Exa su búsqueda el 13 de noviembre: los resultados hablaban de la oficina de Exa en Singapur. En la segunda ejecución, sin la opción «no lo sé», el modelo respondió Singapur, que es incorrecto (fue la UE).

El endpoint de noticias rindió peor que la búsqueda web en preguntas de producto: acertó 5 de 13 sobre IA y herramientas para desarrolladores, porque las páginas de precios, la documentación y los changelogs no son noticias. Elige el endpoint según la pregunta: búsqueda web para páginas y documentación, búsqueda de noticias para la cobertura de acontecimientos y endpoints especializados como la búsqueda de documentos de la SEC cuando la respuesta está en un registro oficial.

¿Cuánto cuesta cada configuración por cada 1.000 preguntas?

Agotadas las cuotas gratuitas, la búsqueda web de API Pick cuesta 15 $ por cada 1.000 preguntas más 0,46–2,29 $ en tokens del modelo, mientras que el grounding con Google Search cuesta 24–40 $ por cada 1.000 preguntas en búsquedas más 0,11–1,64 $ en tokens. API Pick cobra 15 créditos por llamada, 1 $ compra 1.000 créditos y solo se cobran las respuestas HTTP 200 (precios).

Las cuotas gratuitas apuntan en sentido contrario. Las 5.000 consultas gratuitas al mes de Google cubren aproximadamente entre 1.750 y 2.600 preguntas con las tasas de consulta que medimos. API Pick regala 100 créditos una sola vez, es decir, seis búsquedas. Una aplicación Gemini con menos de unas 1.750 preguntas al mes no paga nada por el grounding; por encima, el precio por pregunta del grounding es aproximadamente el doble.

La velocidad favorece a Google. El grounding respondió en una mediana de 2,5 segundos con Flash-Lite y de 7,1 a 7,4 segundos con 3.8 Flash. Una búsqueda web de API Pick tardó por sí sola una mediana de 5,75 segundos (7,8 segundos en el percentil 90), así que la respuesta completa llevó entre 7,5 y 11 segundos. La búsqueda de noticias tuvo una cola lenta: 16 segundos en el percentil 90.

¿Cuándo usar grounding y cuándo una API de búsqueda?

Este es el pipeline que usamos en las ejecuciones con API Pick, reducido a lo esencial. Funciona igual con cualquier modelo que acepte un prompt de texto; para un bucle de agente completo con llamadas a herramientas, consulta cómo añadir búsqueda web a un agente de OpenAI o Claude.

import os, requests

APIPICK_KEY = os.environ["APIPICK_API_KEY"]
GEMINI_KEY = os.environ["GEMINI_API_KEY"]

def search(question: str) -> str:
    r = requests.post(
        "https://www.apipick.com/api/search/web",
        headers={"x-api-key": APIPICK_KEY},
        json={"query": question, "max_num_results": 5},
        timeout=60,
    )
    r.raise_for_status()
    return "\n\n".join(
        f"[{i + 1}] {x['title']} ({x['url']})\n{x['snippet']}"
        for i, x in enumerate(r.json()["results"])
    )

def answer(question: str, model: str = "gemini-3.8-flash") -> str:
    prompt = (
        "Today's date is November 14, 2026. Answer in one short sentence.\n\n"
        f"Search results:\n{search(question)}\n\nQuestion: {question}"
    )
    r = requests.post(
        f"https://generativelanguage.googleapis.com/v1beta/models/{model}:generateContent",
        headers={"x-goog-api-key": GEMINI_KEY},
        json={"contents": [{"parts": [{"text": prompt}]}],
              "generationConfig": {"temperature": 0}},
        timeout=120,
    )
    r.raise_for_status()
    return r.json()["candidates"][0]["content"]["parts"][0]["text"]

print(answer("What revenue did AMD report for the third quarter of 2026?"))

El grounding con Google Search, en cambio, es un campo más en el cuerpo de la solicitud a Gemini:

{"contents": [{"parts": [{"text": "Who won the 2026 World Series?"}]}],
 "tools": [{"google_search": {}}]}

¿Cómo se compara con el ranking search-lift de Firecrawl?

Firecrawl publicó un Web Search LLM Leaderboard con datos a 10 de noviembre de 2026. Evalúa 10 modelos con 4.703 preguntas de investigación difíciles de BrowseComp, DeepSearchQA, HLE y un conjunto privado propio, deja que cada modelo busque y lea páginas repetidamente dentro de un presupuesto de herramientas y reporta una mejora media de 40,6 puntos con su capa de datos Alexandria. Claude Opus 5.5 obtuvo la puntuación más alta, 79,0.

Nuestra prueba responde a una pregunta más acotada: ¿qué aporta una búsqueda a hechos sencillos y recientes que un modelo no puede conocer? Nuestras preguntas requieren una sola consulta, no una cadena de búsquedas, así que las mejoras son mayores (de 0 a 87,5 % y más) y no son comparables con las de Firecrawl. Nuestras 40 preguntas y respuestas están más abajo; Firecrawl mantiene privado su conjunto.

¿Cómo hicimos la prueba?

Todas las ejecuciones se hicieron el 2026-11-14:

• Preguntas: 40 sobre hechos ocurridos entre principios de octubre y el 13 de noviembre de 2026, en cuatro grupos (premios y deporte 7, bancos centrales 5, resultados empresariales 15, IA y herramientas para desarrolladores 13), más 10 de control de cultura general. Cada respuesta procede de una fuente primaria que leímos nosotros: nobelprize.org, comunicados de la Reserva Federal, el BCE y el Banco de Inglaterra, anexos de formularios 8-K de la SEC y blogs y páginas de precios de los propios proveedores.
• Modelos: gemini-3.8-flash y gemini-3.5-flash-lite a través de Vertex AI, temperatura 0, razonamiento por defecto.
• Configuraciones: sin búsqueda; una búsqueda web de API Pick (5 resultados, la pregunta como consulta); una búsqueda de noticias de API Pick; y la herramienta Google Search integrada en Gemini. Los resultados de búsqueda se obtuvieron una vez por pregunta y se dieron a ambos modelos.
• Prompt: la fecha de hoy, «responde en una frase corta» y, en la primera ejecución, «si no estás seguro, responde I don't know». La segunda ejecución quitó esa última frase.
• Calificación: dos modelos (Gemini 3.8 Flash y Gemini 3.1 Pro Preview) etiquetaron cada una de las 520 respuestas como correcta, incorrecta o abstención frente a la referencia. Revisamos a mano con la fuente cada desacuerdo (6) y cada respuesta incorrecta, y cambiamos una etiqueta en la que ambos coincidían: afirmar que Exa no había anunciado Exa 3.0 cuenta como error, no como abstención. Las cifras debían coincidir con la precisión de la referencia, así que «AWS creció un 39 %» se consideró incorrecto frente a 39,3 %.

El conjunto completo de preguntas con respuestas de referencia y fuentes:

id   question (shortened)                         reference answer           source
N1   2026 Nobel Prize in Physics                  Francis Halzen             nobelprize.org
N2   2026 Nobel Prize in Chemistry                Henri B. Kagan, Kenso Soai nobelprize.org
N3   2026 Nobel Prize in Physiology or Medicine   Deisseroth, Hegemann, Nagel nobelprize.org
N4   2026 Nobel Prize in Literature               Anne Carson                nobelprize.org
N5   2026 Nobel Peace Prize                       Navanethem Pillay          nobelprize.org
N6   2026 Nobel Prize in Economic Sciences        Robert E. Hall, M. Woodford nobelprize.org
S1   2026 World Series winner                     Milwaukee Brewers          mlb.com
C1   FOMC target range, 2026-10-28                3.75% to 4.00%, unchanged  federalreserve.gov
C2   FOMC dissents, 2026-10-28                    2 (Cook, Hammack)          federalreserve.gov
C3   ECB deposit facility rate, 2026-10-29        2.50%, unchanged           ecb.europa.eu
C4   Bank of England Bank Rate, Nov 2026          4%, raised 0.25 pt         bankofengland.co.uk
C5   BoE MPC vote, meeting ending 2026-11-04      8-1                        bankofengland.co.uk
E1   Apple revenue, FQ4 2026                      $114.5 billion             SEC 8-K Ex. 99.1
E2   Apple revenue, fiscal 2026                   $479 billion ($478.834 bn) SEC 8-K Ex. 99.1
E3   Microsoft revenue, quarter to 2026-09-30     $92.3 billion              SEC 8-K Ex. 99.1
E4   Microsoft Cloud revenue, same quarter        $63.9 billion              SEC 8-K Ex. 99.1
E5   Alphabet revenue, Q3 2026                    $127.6 billion             SEC 8-K Ex. 99.1
E6   Amazon net sales, Q3 2026                    $201.9 billion             SEC 8-K Ex. 99.1
E7   AWS net sales growth, Q3 2026                39.3%                      SEC 8-K Ex. 99.1
E8   Meta revenue, Q3 2026                        $64.60 billion             SEC 8-K Ex. 99.1
E9   Netflix revenue, Q3 2026                     $12.9 billion              SEC 8-K Ex. 99.1
E10  Intel revenue, Q3 2026                       $16.5 billion              SEC 8-K Ex. 99.1
E11  AMD revenue, Q3 2026                         $13.4 billion              SEC 8-K Ex. 99.1
E12  Uber revenue, Q3 2026                        $14.8 billion              SEC 8-K Ex. 99.1
E13  Palantir revenue, Q3 2026                    $2.313 billion             SEC 8-K Ex. 99.1
E14  Palantir U.S. commercial revenue, Q3 2026    $984 million               SEC 8-K Ex. 99.1
E15  Starbucks net revenues, FQ4 2026             $9.1 billion               SEC 8-K Ex. 99.1
T1   Firecrawl MCP v3: tools per connection       3,000+                     firecrawl.dev/blog
T2   Firecrawl Series B, Nov 2026                 $75 million                firecrawl.dev/blog
T3   #1 on Firecrawl's search-lift leaderboard    Claude Opus 5.5 (79.0)     firecrawl.dev/benchmarks
T4   Questions in that leaderboard                4,703                      firecrawl.dev/benchmarks
T5   AWS AgentCore Web Search API price           $7 per 1,000 queries       aws.amazon.com
T6   AgentCore Web Search API GA date             2026-11-10                 aws.amazon.com
T7   Composio Standard plan                       $18 per seat per month     composio.dev/pricing
T8   Court dismissed Google's amended complaint   2026-11-09                 serpapi.com/blog
T9   Model behind Cursor Voice Chat with Agents   Grok Voice                 cursor.com/changelog
T10  Episodes searchable in Exa Podcasts          3.2 million                exa.ai/blog
T11  Exa 3.0 announcement date                    2026-10-19                 exa.ai/blog
T12  Region where Exa Search launched 2026-11-13  The EU                     exa.ai/blog
T13  Model gemini-2.5-flash routes to on Dec 1    Gemini 3.5 Flash-Lite      ai.google.dev pricing
K1-K10  control: Hubble launch year, symbol for tungsten, author of One Hundred Years of
        Solitude, capital of Australia, IPv6 address bits, HTTP 429, Titan's planet,
        Berlin Wall year, PostgreSQL port, painter of The Night Watch

¿Qué no demuestra esta prueba?

• Es pequeña. 40 preguntas de noticias y una ejecución por configuración. Una diferencia de dos o tres preguntas está dentro del ruido.
• Solo prueba Gemini. Otros modelos pueden buscar, leer y abstenerse de otra manera.
• Solo prueba preguntas de un único dato. La investigación en varios pasos requiere búsquedas y lecturas repetidas; para eso, consulta el ranking de Firecrawl.
• No prueba otras API de búsqueda. Aquí no ejecutamos Tavily, Exa, Brave ni AWS AgentCore; para sus precios de lista, consulta nuestra comparativa de alternativas a Tavily.
• Los precios cambian. Los precios por token de Gemini 3.8 Flash se duplican el 1 de enero de 2027, y todos los precios de esta página son de lista, verificados el 2026-11-14.

Si tu agente funciona con Gemini y hace unos pocos miles de preguntas al mes, activa el grounding y no le digas al modelo que puede saltarse la búsqueda. Si usa varios modelos, o necesitas controlar qué fuentes llegan al modelo y cuánto cuesta cada respuesta, usa una API de búsqueda web y lee por qué las API solo deberían cobrar las llamadas correctas.

Escrito por

Sarah Choy

CEO, API Pick

Sarah Choy es la CEO de API Pick. Escribe sobre cómo construir APIs listas para producción para agentes de IA y flujos de trabajo con LLMs.