Die Kurzfassung
Gemini 4 Argon ist Googles Versuch, die Spitze bei Frontier-Modellen zurückzuerobern, und es kommt in Stufen: Security-Partner jetzt, zahlende API-Kunden und AI-Ultra-Abonnenten „bald“, ein Termin für die allgemeine Verfügbarkeit fehlt noch. Der Einführungspreis von 2 $ Input und 10 $ Output pro Million Token entspricht OpenAIs Mittelklassemodell GPT-6.1 Sol, das Output-Limit springt auf 1 Million Token. Für Teams auf Googles Plattform Vertex AI oder der Gemini API ändert sich im Produktivbetrieb heute nichts.
Was sich ändert, ist der Planungshorizont. Ein Frontier-Modell zum Mittelklassepreis, dessen Standardtarif sich später verdoppelt, ist genau der Fall, in dem sich ein kleines Evaluierungs-Harness und ein konfigurierbarer Modell-Router bezahlt machen, bevor der Zugang überhaupt da ist.
Was hat Google mit Gemini 4 Argon angekündigt?
Argon ist das erste Modell der Gemini-4-Generation. Im Launch-Beitrag beschreibt Koray Kavukcuoglu, Chief AI Architect bei Google und SVP bei Google DeepMind, das Modell als gebaut für tiefes Reasoning über lange, komplexe Workflows; Softwareentwicklung, professionelle Wissensarbeit und Cyberabwehr sind die zentralen Einsatzfelder. CNBC nannte es das bislang fortschrittlichste KI-Modell von Alphabet.
Für Entwickler zählen vor allem zwei Eckdaten. Erstens steigt das Output-Limit von 64.000 auf 1 Million Token; sehr lange Generierungen wie das Neuschreiben ganzer Module oder umfangreicher Dokumentensätze werden damit in einer einzigen Antwort möglich. Zweitens der Preis: Google nennt einen Einführungspreis von 2 $ pro Million Input-Token und 10 $ pro Million Output-Token, gecachter Input mit 95 % Rabatt, bevor ein Standardtarif von 4 $ und 20 $ gilt. Laut Yahoo Finance entspricht der Startpreis dem von OpenAIs GPT-6.1 Sol und beträgt ein Fünftel des Listenpreises von 10 / 50 $ für GPT-6 Astra und Anthropics Fable 5.1.
Google hat zudem interne Ergebnisse veröffentlicht. Argon habe geholfen, C- und C++-Code im Umfang von mehr als 800.000 Zeilen nach Rust zu migrieren, darunter Teile des Fuchsia-Zircon-Kernels, und Speicheroptimierungen gefunden, die in Googles Rechenzentren rund 300 TiB ohne neue Hardware freigesetzt hätten.
Warum geht Argon zuerst an Cyber-Verteidiger?
Weil dieselben Fähigkeiten, die ein Modell gut im Reparieren von Code machen, es auch gut im Aufbrechen machen. Google sagt, Argon könne schwerwiegende Schwachstellen finden, validieren und patchen; gemeinsam mit Wiz habe es eine kritische Lücke in Healthcare-Software aufgedeckt, die frühere Frontier-Modelle übersehen hätten. Statt diese Fähigkeit am ersten Tag für alle zu öffnen, beginnt Google mit vertrauenswürdigen Verteidigern im Fairwind-Programm und nimmt parallel am freiwilligen Vorab-Testverfahren der US-Regierung teil.
„Diesen Rollout so zu beginnen, gibt uns mehr Sicherheit, ermöglicht es aber auch, ein in der Cyberabwehr trainiertes und starkes Modell so früh wie möglich in die Hände von Verteidigern zu geben“, sagte Tulsee Doshi, Product Lead für die Gemini-Modelle, gegenüber CNBC. Das Muster zieht sich inzwischen durch die Branche: Auch OpenAI und Anthropic haben ihre stärksten Cyber-fähigen Modelle in den letzten Wochen nur eingeschränkt freigegeben. Der gestaffelte Rollout wird bei Frontier-Releases zur Regel, nicht zur Ausnahme.
Wie stark ist Argon beim Coding wirklich?
Nach den von Google veröffentlichten Zahlen sehr stark: 77,9 % auf DeepSWE v1.1, Platz eins auf Zapiers AutomationBench mit 51,3 %, 91,7 % im Langvideo-Test LVBench und ein geteilter erster Platz auf CWE-bench v1 mit 68 %. TechCrunch gibt Googles Angabe wieder, Argon schneide in mehreren dieser Tests deutlich besser ab als GPT-6 Astra sowie Anthropics Fable- und Opus-Modelle; CNBC weist darauf hin, dass es bei Cybersecurity gleichauf mit GPT-6 Astra und Grok 4.7 liegt.
Es gibt allerdings ein Gegensignal, das man ernst nehmen sollte. Bloomberg berichtete unter Berufung auf Personen mit direktem Zugang, dass einige Google-Mitarbeiter Gemini 4 bei realem Coding weniger beeindruckend fanden, als die Benchmark-Werte vermuten lassen; Google bezeichnete diese Darstellung gegenüber Bloomberg als unzutreffend. Hersteller-Benchmarks werden von Herstellern gefahren, und genau in der Lücke zwischen Leaderboard und eigenem Repository spüren Engineering-Teams den Unterschied.
Was das für Softwareteams in den USA und der EU bedeutet
Erstens: Frontier-Qualität zu Mittelklassepreisen ist jetzt ein Wettlauf, kein Einzelfall. Binnen zwei Tagen hat OpenAI GPT-6.1 Sol mit 2 / 10 $ bepreist, und Google hat für ein Frontier-Modell gleichgezogen. Dieser Druck nützt Einkäufern, aber nur Teams, deren Architektur es erlaubt, Traffic zwischen Anbietern zu verschieben, können ihn nutzen. Fest verdrahtete Modellaufrufe quer durch die Codebasis machen jede Preissenkung zu einem Refactoring-Projekt.
Zweitens: mit dem Standardpreis budgetieren. Der Einführungstarif verdoppelt sich auf 4 / 20 $ zu einem Termin, den Google nicht genannt hat. Ein Business Case auf Basis des Startrabatts kann in einem späteren Quartal unbemerkt kippen. Rechnen Sie beide Tarife durch und messen Sie die Kosten pro erledigter Aufgabe statt pro Token, denn ein Modell mit längeren Antworten kann einen niedrigeren Stückpreis wieder auffressen.
Drittens: 1 Million Token Output verändert die Fehlerbilder. Längere Antworten bedeuten höhere Worst-Case-Kosten pro Aufruf, längere Timeouts sowie nachgelagerte Parser und Speicher, die oft von viel kleineren Payloads ausgehen. Begrenzen Sie die Output-Länge pro Workflow explizit, statt sich auf das Modelllimit zu verlassen.
Viertens: gestaffelter Zugang ist ein Governance-Signal. Für EU-Teams bedeuten die Pflichten des EU AI Act für KI-Modelle mit allgemeinem Verwendungszweck und die Rechenschaftspflicht der DSGVO, dass Sie wissen sollten, welche Modellversion einen Output erzeugt hat und wo die Daten verarbeitet wurden. Prüfen Sie Regionsverfügbarkeit und Vertragsbedingungen des konkreten Google-Endpunkts, bevor Sie personenbezogene Daten an ein neues Modell leiten, und loggen Sie die Modell-ID bei jeder Antwort.
Was bedeutet Argon für den DACH-Markt?
In Deutschland, Österreich und der Schweiz entscheidet über den Einsatz eines neuen Frontier-Modells selten der Benchmark, sondern die Freigabe durch Datenschutz, Informationssicherheit und Betriebsrat. Für den Mittelstand heißt das konkret: Argon erst dann für Produktivdaten einplanen, wenn klar ist, ob das Modell in einer EU-Region von Vertex AI angeboten wird (Google betreibt etwa die Region Frankfurt) und ob der bestehende Auftragsverarbeitungsvertrag nach Art. 28 DSGVO es abdeckt. Bis dahin ist ein Testbetrieb mit synthetischen oder anonymisierten Daten der realistische Weg.
Spannend ist der Cyber-Fokus für Security-Teams und Dienstleister in der Region: Wer Schwachstellenanalyse, Code-Reviews oder Legacy-Modernisierung (etwa C/C++ nach Rust) anbietet, sollte Argon früh gegen eigene Aufgaben testen – gerade weil Kunden aus regulierten Branchen wie Banken, Versicherungen und KRITIS-Betreibern nachvollziehbare Belege verlangen, nicht Hersteller-Benchmarks. Dokumentieren Sie Modellversion, Datenfluss und Evaluierungsergebnisse von Anfang an; das erleichtert später die Nachweise gegenüber Aufsicht, Prüfern und internem ISMS.
Was vor dem API-Start zu tun ist
- Evaluierungsset auffrischen. 50 bis 200 echte Aufgaben aus eigenen Repositories und Workflows mit klaren Pass/Fail-Kriterien sammeln, damit Sie Argon in der Woche testen können, in der der Zugang kommt.
- Modelle hinter einen Router legen. Anbieter und Modell-ID zur Konfiguration machen, nicht zu Code, und für jeden Workflow eine benannte Fallback-Route vorhalten.
- Beide Tarife kalkulieren. Kosten zu 2 / 10 $ und zu 4 / 20 $ rechnen, inklusive Anteil gecachter Inputs, Retries und Output-Länge.
- Outputs begrenzen. Maximale Output-Token und Timeouts pro Workflow explizit setzen, da Antworten jetzt 1 Million Token erreichen können.
- Residenz und Verträge prüfen. Klären, welche Regionen und Verträge Argon abdecken, bevor regulierte oder personenbezogene Daten dorthin fließen.
Häufige Fragen
Was ist Gemini 4 Argon?
Gemini 4 Argon ist das erste Frontier-Modell der Gemini-4-Generation von Google, vorgestellt am 30. September 2026. Google positioniert es für lange Softwareentwicklungs-Aufgaben, professionelle Wissensarbeit etwa in Finanzen und Recht sowie für die Cyberabwehr und gibt an, dass es mehrere externe Benchmarks anführt, darunter DeepSWE v1.1 und den Vals Index.
Wer kann Gemini 4 Argon heute nutzen?
Zunächst nur geprüfte Cybersecurity-Partner im Fairwind-Programm von Google. Zahlende API-Kunden und Google-AI-Ultra-Abonnenten sollen als Nächstes folgen. Google nimmt am freiwilligen Vorab-Testverfahren der US-Regierung teil, hat aber noch keinen Termin für die allgemeine Verfügbarkeit genannt.
Was kostet Gemini 4 Argon in der API?
Google nennt einen Einführungspreis von 2 $ pro Million Input-Token und 10 $ pro Million Output-Token, mit 95 % Rabatt auf gecachten Input. Danach gilt der Standardpreis von 4 $ und 20 $. Wann die Einführungsphase endet, hat Google nicht gesagt.
Ist Gemini 4 Argon besser als GPT-6 Astra und Claude?
Nach den von Google veröffentlichten Zahlen führt oder teilt es sich die Spitze in mehreren Benchmarks, darunter 77,9 % auf DeepSWE v1.1 und Platz eins auf CWE-bench; laut CNBC liegt es bei Cybersecurity-Tests gleichauf mit GPT-6 Astra und Grok 4.7. Bloomberg berichtete, dass einige Google-Mitarbeiter es bei realem Coding schwächer fanden, als die Benchmarks nahelegen, was Google bestreitet. Deshalb: eigene Evaluierungen fahren.
Was sollten Teams im DACH-Raum vor dem API-Start tun?
Vorbereiten statt migrieren: ein Evaluierungsset aus echten Aufgaben aufbauen, Modell-IDs konfigurierbar hinter einen Router legen, Kosten zum Einführungs- und zum Standardpreis rechnen, Output-Limits in den Pipelines prüfen und vor der Verarbeitung personenbezogener Daten klären, in welchen Regionen Argon verfügbar ist und welche DSGVO-Auftragsverarbeitung greift.
Quellen
Google — Gemini 4 Argon (company announcement)
TechCrunch — Google releases Gemini 4 Argon, called its most powerful model yet
CNBC — Google rolls out Gemini 4 Argon, its most advanced AI model
Yahoo Finance — Google debuts Gemini 4 Argon, its latest frontier model
Techmeme — Bloomberg report on internal Gemini 4 coding feedback