Gemini 4 Argon: US$2 por millón de tokens y 1M de salida

Gemini 4 Argon ya está disponible de forma global con un precio introductorio de US$2 por millón de tokens de entrada y US$10 por millón de salida, y con los tokens de entrada en caché un 95% más baratos. Para un founder que paga inferencia en cada agente que corre en producción, esa cifra es la noticia: según The Verge, el precio de lanzamiento equivale a cerca de un quinto de lo que cuestan GPT-6 Astra de OpenAI y los modelos Fable 5 de Anthropic.

El movimiento importa porque Google llevaba meses fuera de la conversación del frontier. Según The Verge, Argon es su primer lanzamiento importante de esa categoría desde Gemini 3, a finales de 2025, y llega después de una racha en la que Anthropic y OpenAI marcaron el ritmo. La propia Google sostiene que Argon supera a esos modelos rivales en benchmarks de código, ciberseguridad, ciencia, finanzas y derecho.

¿Dónde está disponible Gemini 4 Argon y quién puede usarlo ya?

El despliegue no es uniforme. Google lo repartió por segmentos, y conviene revisar en cuál caes antes de planificar una migración:

• Desarrolladores: API de Gemini en su tier pago, además de AI Studio, Android Studio y Google Antigravity para suscriptores de Google AI Ultra.
• Empresas: Gemini for business, la API y Google Antigravity.
• Usuarios finales: la app Gemini y AI Mode en Search, para suscriptores Ultra y Pro.
• Investigadores: 10.000 plazas con el tier de mayor uso de Antigravity gratis durante 6 meses, con incorporación escalonada y sujeto a elegibilidad, capacidad y selección.
• Defensores de ciberseguridad: el programa Fairwind, que da acceso a Argon sin los guardrails de ciber, también de forma escalonada.

Un detalle que suele pasar desapercibido: The Verge señala que no está claro cuándo —ni si— Argon llegará a los suscriptores de Plus o a los usuarios gratuitos. Si tu producto depende del tier gratuito de Gemini, no cuentes con Argon en el corto plazo.

¿Qué hace diferente a Argon? Razonamiento profundo y 1M de tokens

Google posiciona a Argon para "trabajo profundo" en tareas complejas del mundo real: código, finanzas, legal, ciberseguridad y ciencia. La compañía afirma que el modelo encabeza el Vals Index, un índice que mide desempeño en sectores económicos críticos como finanzas, código, legal y trabajo fiscal.

El dato técnico más relevante para quien construye agentes es el límite de 1 millón de tokens unificados de entrada y salida a través de la API de Gemini. En la práctica, eso habilita generar artefactos largos —código multiarchivo, documentos extensos— en una sola pasada continua, en lugar de encadenar llamadas y arrastrar errores entre tramos.

En razonamiento físico y espacial, Google reporta un 87% en el benchmark Embodied Reasoning (ERQA), que evalúa la capacidad de resolver problemas físicos y espaciales en entornos 3D.

Los resultados internos de Google: de meses a semanas

La parte más útil del anuncio son los casos internos, porque muestran el modelo trabajando sobre bases de código reales y no sobre demos:

• Chrome: Argon ayudó al equipo a separar el manejo central de páginas web de una carpeta legacy de aproximadamente 6 millones de líneas dentro del código de Chromium, que ronda los 40 millones de líneas. El refactor arquitectónico abarcó cientos de archivos y, según Google, completó en semanas un trabajo que tomaba meses.
• Agent Development Kit (ADK) de Python: con una regla de skills y un objetivo de un párrafo, Argon trabajó de forma autónoma durante la noche y entregó optimizaciones que redujeron 40% el tiempo de preparación de sesiones en memoria en sesiones largas y aceleraron 21% las importaciones en frío.
• xTB, paquete open source de química cuántica: hasta 2,3x más rápido prediciendo estructuras moleculares y 1,8x más rápido en búsqueda de conformeros.
• Modelos Gemma: un speedup de 2,85x de extremo a extremo en una A100 vía vLLM, pasando de unos 37.900 a más de 108.000 tokens por segundo en Gemma 4 E2B, con paridad total de tokens.

A nivel agregado, Google dice que Argon en Antigravity ayudó a sus equipos a aumentar más de 35% los envíos de código agéntico y a reducir casi un tercio los rollbacks.

Ciencia, ciberseguridad y robótica: dónde ya está dando resultados

Más allá del código, el anuncio enumera aplicaciones en dominios de alto riesgo:

• Ciberseguridad: Wiz usa Argon en su iniciativa "Scan for Good". En un caso, el modelo ayudó a detectar y corregir un bypass de descarga de archivos que exponía una master key y otorgaba acceso de administrador, protegiendo cientos de miles de registros de pacientes.
• Computación cuántica: Argon tradujo una versión interna de AlphaQubit, el decodificador de corrección de errores cuánticos de Google, a un kernel de hardware optimizado, casi duplicando su throughput de inferencia. En un subrutina llamada arcsin, una implementación escrita por Argon y verificada formalmente en Lean recortó el costo espacio-temporal en más de 100x frente a una línea base publicada.
• Fusión nuclear: junto al profesor Matt Landreman (University of Maryland), un equipo de Google encontró una clase más amplia de contraejemplos a la conjetura de Grad sobre campos magnéticos de estelaradores.
• Enfermedades raras: investigadores de Gamow Labs usaron Argon para analizar genomas de recién nacidos con trastornos pulmonares poco frecuentes. En un caso, el modelo identificó un reordenamiento cromosómico que el software de rutina no detectaba desde hacía años. En evaluaciones privadas, Argon registró 57% en RareBench y 52,2% en LabBench.
• Diseño de enzimas: los científicos de Google usaron Argon para diseñar serina esterasas y llegaron a cinco diseños novedosos en cuestión de horas, con actividad catalítica confirmada en laboratorio.
• Robótica: en una prueba interna, Argon observó un video de una persona jugando cornhole, mapeó las coordenadas espaciales y generó el código de simulación. Transferido a Apollo, el humanoide de Apptronik, el robot embocó siete tiros consecutivos.

¿Qué significa esto para tu startup?

El titular de precios es atractivo, pero conviene leerlo con cuidado. The Verge advierte que el precio introductorio se duplica a finales de noviembre, cuando termina el período promocional. Aun así, el medio señala que Argon seguiría siendo más barato por token que sus rivales frontier. Y agrega una advertencia clave: un precio por token más bajo no se traduce automáticamente en un costo menor en la práctica, porque cada modelo consume distinta cantidad de tokens para la misma tarea.

Ese punto lo refuerzan los analistas. Charlie Dai, VP de Forrester, dijo a InfoWorld que los CIO "deberían evaluar el costo por resultado de negocio, no el costo por token". Anushree Verma, de Gartner, fue más lejos: "los modelos se están convirtiendo cada vez más en commodities". El contexto lo confirma: según Ars Technica, Anthropic lanzó Opus 5.5 a US$4 y US$20 por millón de tokens, 20% menos que Opus 5, y OpenAI recortó a la mitad el precio de GPT-6 Sol y Luna frente a sus predecesores.

Con ese panorama, dos acciones concretas para tu equipo:

• Mide costo por tarea completada, no por token. Antes de migrar, corre una muestra de tus prompts reales en Argon y en tu modelo actual, y compara tokens consumidos, latencia y tasa de éxito. Un modelo más barato por token puede salir más caro si necesita más intentos.
• Aprovecha el caché y el contexto largo. El descuento del 95% en tokens de entrada en caché y el límite de 1M de tokens unificados cambian la economía de los flujos agénticos con contexto pesado. Si hoy troceas documentos o bases de código para ahorrar contexto, vale la pena rehacer ese cálculo.

Conclusión

Gemini 4 Argon no es solo otro modelo en la lista: es la apuesta de Google por volver a competir en el frontier, con un precio agresivo y casos de uso internos verificables en código, ciencia y ciberseguridad. Para un founder, la lectura práctica es que la presión de precios entre Google, OpenAI y Anthropic sigue bajando el costo de construir con IA, pero también que elegir modelo se está volviendo una decisión de ingeniería de costos, no de marca. La pregunta ya no es cuál es el mejor modelo, sino cuál completa tus tareas al menor costo total.

Fuentes

• Introducing Gemini 4 Argon (Google) (fuente original)
• Google finally releases Gemini 4 Argon (The Verge)
• How Google Stock Investors Should View the Long-Awaited Gemini 4 Argon Launch (Barchart / Yahoo Finance)
• New Anthropic, OpenAI models make same promise: A little more for a lot less money (Ars Technica)
• OpenAI, Anthropic cut AI model costs as price-performance race intensifies (InfoWorld)