Gemini 4 Carbon: Google logra 88,2% en ciberdefensa

Gemini 4 Carbon: el modelo que Google reserva primero a los ciberdefensores

Gemini 4 Carbon es el nuevo modelo frontera de Google y, según la compañía, el más potente que ha construido. Encabeza el Artificial Analysis Intelligence Index v5.0 con 59 puntos y lidera tres pruebas de ciberseguridad: 88,2% en SEC-bench Pro (detección autónoma de vulnerabilidades), 54,8% en ExploitGym (explotación) y 71,0% en CWE-bench (parcheo).

Para un founder, el dato que más pesa no es el ranking sino el precio: Google mantiene la tarifa introductoria de US$2 por millón de tokens de entrada y US$10 por millón de tokens de salida, con los tokens de entrada en caché a 95% de descuento. Es la misma estructura que fijó para su modelo anterior.

Carbon llega apenas dos semanas después de Gemini 4 Argon, el modelo que Google presentó el 30 de septiembre de 2026, según reportó SiliconANGLE. Argon se canalizó primero a través del Fairwind Program, un programa para socios de ciberseguridad que abrió el 3 de septiembre con el modelo Gemini 3.8 Flash Cyber y que ya suma más de 650 organizaciones, entre ellas CrowdStrike y Palo Alto Networks.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Carbon repite ese guion. Google afirma que participa en el proceso voluntario del gobierno de Estados Unidos para pruebas de modelos antes de su lanzamiento, y que esta semana abre el acceso a un subconjunto de defensores cibernéticos para ampliarlo después vía Fairwind. Desarrolladores, empresas y consumidores quedan para más adelante, sin fecha anunciada.

¿Qué tan bueno es Carbon frente a sus competidores?

Según el recuento de OfficeChai sobre los 15 benchmarks que Google publicó, Carbon lidera en 11, empata o queda cerca en un par y pierde con claridad solo en dos. Los números más relevantes para un equipo de producto:

Inteligencia general: 59 puntos en el Intelligence Index v5.0, por delante de Claude Opus 5.5 (58), GPT-6 Astra (57), Gemini 4 Argon (50) y Claude Fable 5.1 (49).
Contexto largo: 96,2% en GraphWalks (256k a 1M tokens), frente al 84,2% de Argon y el 71,8% de GPT-6 Astra. Es su mayor margen de victoria y explica la promesa de «long horizon».
Trabajo de conocimiento: 53,9% en AutomationBench, contra 51,3% de Argon y 42,5% de Opus 5.5.
Desarrollo web: Google reporta una subida de +89 puntos elo hasta el puesto #4 (1769) en WebDev Arena.
Donde pierde: Claude Opus 5.5 domina OSWorld-2.1 con 87,2% frente al 81,5% de Carbon, y GPT-6 Astra gana FrontierSWE 2 con 65,5% frente al 61,2% de Carbon.

El detalle que más debería interesar a quien construye software: Google dice que el equipo de Chrome reportó que Carbon generó parches de alta calidad «más de 10 veces mejor» que el modelo frontera de otro laboratorio, y que Wiz, la plataforma de seguridad cloud de Google, lo ve liderando las pruebas de penetración web que usa en su iniciativa Scan for Good.

¿Qué significa el «long horizon» en la práctica?

La expresión aparece en todo el anuncio y conviene traducirla. Un modelo de horizonte largo es el que sostiene una tarea de varios pasos durante mucho tiempo sin perder el hilo: no responde un prompt, sino que persigue un objetivo a través de decenas o cientos de acciones.

Google dice que sus equipos internos han visto a Carbon «correr durante días» para atravesar callejones sin salida y resolver problemas de ingeniería de varios pasos, como encontrar la causa raíz de bugs sutiles en bases de código grandes y en sistemas de bajo nivel. En el caso de Argon, SiliconANGLE documentó que los agentes del modelo migraban código de C y C++ a Rust en proyectos que iban desde librerías de decenas de miles de líneas hasta el kernel Zircon, de más de 800.000 líneas, dentro del sistema operativo Fuchsia de Google.

Ese es el tipo de trabajo que hoy nadie delega entero a un modelo. La apuesta de Google es que empiece a ser razonable hacerlo.

Seguridad y alineación: los números que Google publica

Carbon hereda la pila de seguridad de Argon —entrenamiento, defensas en tiempo real contra uso indebido, resiliencia a inyección de prompts y monitoreo de la cadena de razonamiento— y Google reporta mejoras concretas en sus pruebas internas:

Los intentos exitosos de hacer trampa en Terminal-Bench 4.0 bajaron a 0,0%, con los intentos cayendo a 0,4%.
Las alertas de desalineación de alta severidad en entornos de código en vivo cayeron casi 80%.
Las afirmaciones sin respaldo se reducen aproximadamente 2x frente a Argon.
La extralimitación bajó 26% y la falta de servicio 29%.
En el benchmark de inyección indirecta de prompts de Gray Swan, Argon registraba 0,7% de éxito de ataque y Carbon llega a 0,0%.

Google aclara que los benchmarks externos de ciberseguridad se evaluaron sin guardrails. Es decir: el modelo que verás en producto no es el mismo que saca 88,2% en SEC-bench Pro. Los miembros de Fairwind y los equipos internos reciben una versión con los controles ciber removidos.

¿Qué significa esto para tu startup?

1. El costo de la ciberseguridad automatizada sigue bajando. Si tu equipo paga hoy herramientas de análisis estático o servicios de pentesting, la referencia de precio importa: US$2 por millón de tokens de entrada pone la revisión de código asistida por un modelo frontera al alcance de una startup pre-serie A. No cambies tu stack todavía —Carbon no está disponible para developers—, pero sí empieza a medir cuánto gastas hoy en encontrar y parchear vulnerabilidades.

2. Prepara tu código para agentes de horizonte largo. La diferencia entre un modelo que responde y uno que trabaja durante horas es la calidad del entorno donde opera. Eso significa tests que fallen con mensajes claros, documentación de arquitectura actualizada y tareas troceadas en unidades verificables. Un agente que corre días sobre un repositorio sin tests no te ahorra tiempo: te genera deuda técnica a escala.

3. Vigila el acceso antes que el benchmark. El patrón de Google —Fairwind primero, developers después, sin fecha— se está volviendo el estándar para modelos con capacidades ofensivas. Si tu producto depende de capacidades de seguridad de un modelo frontera, conviene tener un plan B con un proveedor alternativo y no asumir que la API estará disponible cuando la necesites.

4. No compres el ranking sin mirar el costo por tarea. El propio Intelligence Index v5.0 muestra que, entre los diez modelos mejor puntuados, el costo de resolver una tarea varía más de 13 veces, según OfficeChai: desde US$0,96 por tarea en GPT-6.1 Terra hasta US$13,04 en Claude Fable 5.1. Un punto más de benchmark puede costarte diez veces más en producción.

El contexto: una carrera que se mide en semanas

El Intelligence Index v5.0, que Artificial Analysis lanzó junto con este anuncio, es la actualización más agresiva desde su versión 4: por primera vez 60% del índice se construye sobre datasets privados o respuestas reservadas, según OfficeChai. El objetivo declarado es resistir la contaminación de benchmarks, y el efecto fue inmediato: la brecha entre el mejor modelo de pesos abiertos y el líder pasó de 3 a 12 puntos, y varios modelos abiertos perdieron más de diez puntos de un golpe, según Cybernews.

Para un founder que decide con benchmarks, la lección es doble. Primero, que los rankings cambian de metodología sin avisar y una caída de puntaje no siempre significa que el modelo empeoró. Segundo, que el ritmo de lanzamientos se comprimió: Google pasó de Argon a Carbon en menos de un mes, y OpenAI y Anthropic han mostrado la misma disposición a responder rápido.

La conclusión práctica es no atar tu arquitectura a un solo proveedor. La ventaja competitiva ya no está en elegir el modelo con el número más alto, sino en tener la capa de abstracción que te permita cambiarlo en una tarde cuando el número cambie.