Gemini 4 Argon: Google presenta su nuevo modelo frontera

¿Qué es Gemini 4 Argon y por qué Google lo lanza en fases?

Google presentó este martes Gemini 4 Argon, su nuevo modelo de inteligencia artificial de frontera, con un detalle poco habitual: el acceso inicial se restringe a un grupo reducido de defensores cibernéticos de confianza dentro de su nuevo Fairwind Program, y luego se irá ampliando gradualmente a desarrolladores, empresas y consumidores, empezando por clientes de API de pago y suscriptores de Google AI Ultra. El despliegue se coordina, además, con el proceso voluntario del gobierno de EE. UU. para revisión previa de modelos frontera.

El precio introductorio fijado por Google es US$2 por millón de tokens de input y US$10 por millón de tokens de output, con los tokens cacheados de input a un 95% de descuento sobre el precio de input. Para ponerlo en contexto, según reportó The Verge sobre el modelo anterior, Gemini 3.8 Flash se ofreció a US$0,75 / US$3,75 por millón de tokens; Argon es claramente más caro, pero se posiciona como modelo frontera, no como modelo de trabajo.

Una ventana de contexto de 1 millón de tokens

El cambio técnico más relevante para product builders es la expansión de la ventana de output a 1 millón de tokens, frente a los 64.000 del modelo anterior. En la práctica, esto significa que el modelo puede «pensar» y generar secuencias mucho más largas sin tener que fragmentar el trabajo en llamadas múltiples.

👥 ¿Quieres ir más allá de la noticia?

En nuestra comunidad discutimos las tendencias, compartimos oportunidades y nos ayudamos entre emprendedores. Sin humo, solo acción.

👥 Unirme a la comunidad

Según Google, cuando el modelo dispone de ese margen para razonar en una sola trayectoria, alcanza una profundidad nueva en la resolución de problemas complejos. El anuncio menciona 77,9% en DeepSWE v1.1, un benchmark que mide ingeniería de software real de horizonte largo, y describe el salto respecto a iteraciones previas como un umbral cualitativo, no sólo cuantitativo.

Resultados en benchmarks: coding, legal, finanzas y oficina

Google presenta a Argon como el líder del Vals Index, que pondera impacto económico en finanzas, coding, legal e impuestos según la contribución al PIB de EE. UU. También reporta:

51,3% en AutomationBench (benchmark de Zapier para ejecución de extremo a extremo de funciones de negocio), donde Argon quedó en primer lugar.
91,7% en LVBench, la evaluación de comprensión de video largo, donde Argon alcanza estado del arte.
68% en CWE-bench v1, empatando el primer puesto en remediación de vulnerabilidades de seguridad.

Google aclara que, en el resto de comparativas públicas del sector, el desempeño de Argon se mantiene en el rango alto, sin afirmar superioridad universal sobre todos los rivales.

Cómo lo está usando Google internamente

El caso más concreto para founders viene de los despliegues internos que Google ya tiene en producción con Argon:

Optimización cuántica: investigadores de quantum computing usaron Argon para optimizar recursos de espacio-tiempo (qubits × puertas) en subrutinas. En un caso, superó la línea base publicada en un 40% en minutos.
Eficiencia de memoria en centros de datos: un equipo de agentes Argon analizó telemetría de profiling de toda la flota y aplicó optimizaciones autónomas, liberando más de 300 TiB de memoria ya desplegados, con un estimado de 500 TiB a 1 PiB de ahorro total.
Migraciones masivas de C/C++ a Rust: agentes Argon están migrando código en Google, escalando desde decenas de miles de líneas en bibliotecas como re2 y libgav1 hasta más de 800.000 líneas en el kernel Zircon de Fuchsia OS.

El caso de libgav1 (decodificador de video open source de Google) es especialmente interesante: los agentes tomaron un port a Rust existente y reemplazaron 32.000 líneas de código SIMD ejecutando rondas de experimentos guiadas por profiling. El resultado: un decodificador memory-safe que corre 2,7 veces más rápido que el port previo, con output idéntico, acercándose al rendimiento del C++ optimizado.

El frente de ciberseguridad defensiva

Argon fue entrenado específicamente para encontrar, validar y parchear vulnerabilidades críticas de forma autónoma. Google anuncia que, para defensores de confianza y sus propios equipos internos, liberará el modelo sin guardarraíles cibernéticos, aprovechando su capacidad completa.

Wiz ya lo está usando dentro de su iniciativa Scan for Good, programa que protege infraestructura pública crítica de forma gratuita. En una primera prueba, Argon descubrió una vulnerabilidad crítica que exponía información personal sensible en software de salud usado por hospitales a nivel mundial, un riesgo severo que modelos frontera anteriores no habían detectado.

El contexto competitivo: dónde queda Google

Para entender qué significa el lanzamiento hay que mirar el calendario reciente. Según Ars Technica, Google lanzó Gemini 3.8 Flash el 2 de septiembre de 2026, apenas unas semanas después de 3.7 Flash y 3.6 Flash. Es decir, en seis semanas Google publicó tres modelos Flash pero, según el mismo reporte, no lanzaba un modelo Pro de frontera desde начале de 2026. Argon viene a llenar ese hueco.

En CNBC, el analista Gil Luria (D.A. Davidson) describió a Google como un «tercer actor distante en el mercado enterprise» de IA, aunque valoró que el lanzamiento ayuda a Google a «mantenerse en la carrera». The Verge comparó a Gemini 3.8 Flash con Anthropic Fable 5 en el benchmark DeepSWE v1.1 y reportó que Google superó a Anthropic en esa prueba específica.

Según el mismo artículo de The Verge, Artificial Analysis señaló que 3.8 Flash era «el modelo más barato que hemos medido a este nivel de inteligencia», aunque advirtió que el consumo real por tarea subió cerca del 40% frente a 3.7 Flash por un mayor número de tokens de output y de turnos en evaluaciones agentic. Es un matiz importante: el precio por token no cuenta toda la historia cuando el modelo razona más.

Google complementa el lanzamiento con cambios comerciales en Gemini Enterprise: pricing pay-as-you-go, descuentos de tokens de hasta el 20%, topes mensuales de gasto en agentes y una suscripción base de cero dólares, según reportó CNBC. La empresa asegura que cerca del 75% de sus clientes de Google Cloud ya usan productos de IA y que esos clientes gastan alrededor de un 50% más que sus compromisos originales, según declaró Thomas Kurian, CEO de Google Cloud, al mismo medio.

¿Qué significa esto para tu startup?

Trespalancas concretas para founders y CTOs:

Planifica costes por tarea, no por token. El precio de lista de Argon (US$2 / US$10 por millón de tokens) es engañoso si el modelo decide razonar más. Antes de integrarlo en producción, mide tokens consumidos por caso de uso real y simula el peor escenario. El precedente de 3.8 Flash, que subió cerca de 40% el consumo por tarea manteniendo el precio por token, es una alerta.
Evalúa el output de 1M tokens en flujos agentic. Si tu producto encadena varias llamadas a un modelo, Argon puede permitir consolidarlas en una sola trayectoria. Eso reduce latencia, errores de orquestación y coste de pipelines. Prueba primero con tareas como migración de código, auditorías largas o análisis de documentos extensos antes de mover producción.
Espera al acceso general si tu caso es de ciberseguridad ofensiva. Google libera el modelo sin guardarraíles sólo para un grupo cerrado de defensores. Si estás construyendo seguridad ofensiva o red teaming, la versión pública aún tendrá restricciones; diseña tu producto sobre el comportamiento de la versión con guardarraíles o espera al acceso ampliado.