Die Leistungsstärke von Googles Gemini 4 Argon und die Frage, wie viel man ihm überlassen kann

Google hat im Oktober 2026 sein neues Modell „Gemini 4 Argon“ weltweit allgemein verfügbar gemacht. Zu den wichtigsten Einsatzgebieten zählen Programmierung, Wissensarbeit, Unternehmensaufgaben und Cyberabwehr. Es lässt sich unter anderem über die kostenpflichtige Gemini API, die Gemini-App und den KI-Modus der Suche nutzen. Der Einführungspreis für die API beträgt 2 Dollar je einer Million Eingabe-Token und 10 Dollar je einer Million Ausgabe-Token. Die Ergebnisse externer Bewertungsinstitute und Anbieter von Entwicklertools liegen inzwischen ebenfalls vor. Dabei werden zunehmend sowohl die hohe Leistungsfähigkeit als auch die Frage diskutiert, wie viel man dem Modell anvertrauen kann.

Was Angebot und Preis über die Strategie verraten

Argon wird auf breiter Front angeboten: von der API für Entwickler über die Gemini-App für allgemeine Nutzer und den KI-Modus der Suche bis hin zur Programmierumgebung Antigravity. Auch in Entwicklertools wie Cursor, Devin und GitHub Copilot ist das Modell inzwischen integriert. Statt nur das Modell selbst zu verkaufen, scheint Google es an sämtlichen Zugangspunkten des Entwicklungsalltags zu platzieren.

Auch der Preis fällt auf. Der Einführungspreis beträgt 2 Dollar je einer Million Eingabe-Token und 10 Dollar je einer Million Ausgabe-Token; auf zwischengespeicherte Eingaben gibt es 95 Prozent Rabatt. Laut dem Bewertungsinstitut Artificial Analysis sollen die Preise jedoch ab dem 30. November auf 4 beziehungsweise 20 Dollar steigen. Unternehmen, die über eine Einführung nachdenken, sollten daher nicht davon ausgehen, dass ihre aktuellen Kostenschätzungen dauerhaft Bestand haben.

Für Forschende gibt es außerdem ein Programm, das 10.000 Wissenschaftlern sechs Monate lang kostenlos den Zugang zur höchsten Nutzungsstufe von Antigravity ermöglicht. Im Bereich Cyberabwehr tätige Personen können sich über eine Anlaufstelle namens Fairwind bewerben. Parallel zur Werbung für die Leistungsfähigkeit bemüht sich Google also darum, die Nutzer an sich zu binden.

Benchmarks zeigen nur eine Seite der Leistungsfähigkeit

Werfen wir einen Blick auf die Zahlen. Beim Intelligence Index von Artificial Analysis liegt Argon auf demselben Niveau wie GPT-6 Astra. Die Kosten pro Aufgabe betragen zum Einführungspreis 1,99 Dollar und liegen damit bei rund 60 Prozent der Kosten von Astra. Der Wert beim Halluzinationsindikator „AA-Omniscience“ beträgt 15 Prozent und gilt als der niedrigste unter den Modellen mit einem Indexwert von mindestens 45. Allerdings handelt es sich dabei nicht um die allgemeine Fehlerquote: Der Wert wird davon beeinflusst, ob das Modell sich entscheidet, keine Antwort zu geben.

Auch bei Bewertungen für Entwickler hat das Modell Ergebnisse vorzuweisen. Cursor meldete bei CursorBench einen Wert von 52,8 Prozent und damit ein Niveau auf Augenhöhe mit Opus 5.5. Cognition erreichte bei FrontierCode 1.1 60,5 Prozent. In der Rangliste der Agenten von Arena belegte Argon bei der höchsten Einstellung für Schlussfolgerungen den fünften Platz, hinter Opus 5.5, GPT-6.1 Sol, Fable 5.1 und GPT-6 Astra.

Im Bereich Bildverarbeitung meldete Roboflow bei der Lokalisierung und Erkennung von Text in Bildern für Argon 84,7 Prozent gegenüber 76,8 Prozent für Astra. Bei der Objekterkennung waren es 85,1 gegenüber 83,6 Prozent. Die Kosten lagen bei etwa einem Viertel, die Verarbeitungszeit pro Bild sank von 29,7 auf 19,6 Sekunden. Auch bei der OCR von Dokumenten – dem Auslesen von Text aus Bildern – wurde dem Modell eine besondere Stärke beim Verstehen von Tabellen bescheinigt.

Ranglisten sind jedoch kein einheitliches Zeugnis. Bei der Generierung von Frontends etwa fallen die Platzierungen von Muse Wonder je nach Bewertungsinstitut unterschiedlich aus. Unterschiede bei den Aufgaben und Präferenzen, die gemessen werden, schlagen sich unmittelbar in den Ergebnissen nieder. Am sichersten ist es, Benchmarks als eine Sammlung von Erfahrungsberichten zu lesen: „Unter diesen Bedingungen hat sich das Modell so verhalten.“

Aufgaben voranbringen und Antworten vertrauen können

Bei Tests, die dem praktischen Einsatz näherkommen, zeigt sich ein etwas anderes Bild. Ethan Mollick von der Wharton School zufolge haben sich Kreativität, Textverarbeitung und agentenartiges Verhalten deutlich verbessert. Zugleich verweist er auf Schwächen bei komplexen Aufgaben mit mehreren Agenten, übermäßiges Selbstvertrauen und Einschränkungen der Ausführungsumgebung.

Der Entwickler Theo berichtete, Argon habe in einer nicht öffentlichen Version von Skatebench die volle Punktzahl erreicht, in seinem eigenen Benchmark zur Codeanalyse jedoch in mehr als 50 Prozent der Fälle falsche Behauptungen mit großer Sicherheit aufgestellt. Vielleicht sind die Fähigkeit, etwas zu erschaffen, und die Fähigkeit, Bestehendes korrekt zu verstehen, zwei verschiedene Stärken.

Für den Arbeitsalltag ist das eine entscheidende Frage. Selbst wenn die Generierung schnell ist, kann eine selbstsicher vorgetragene, aber falsche Analyse den Aufwand für menschliche Kontrollen sogar erhöhen. Ob Unternehmen neben der Punktetabelle des Modells auch einen Betriebsplan dafür aufstellen können, wer was und wie weit überprüft, dürfte über Erfolg oder Misserfolg der Einführung entscheiden.

Google selbst erklärt, das Unternehmen habe intern die Ausgliederung zentraler Teile der Webseitenverarbeitung aus einem alten Chromium-Ordner mit sechs Millionen Codezeilen innerhalb weniger Wochen abgeschlossen, obwohl die Arbeiten voraussichtlich mehrere Monate dauern sollten. Die Zahl der Codeeinreichungen durch Agenten sei um 35 Prozent gestiegen, während die Zahl der Rücknahmen um fast ein Drittel zurückgegangen sei. Dabei handelt es sich jedoch um einen Bericht aus dem internen Betrieb und nicht um eine Produktivitätsmessung unter standardisierten Bedingungen.

Sicherheit lässt sich nicht allein am Modell bewerten

Mit steigender Leistungsfähigkeit wird auch die Überwachung schwieriger. Neel Nanda von DeepMind berichtete, Argon habe eine realistische Kontrollinstanz, die Denkprozesse und Verhalten überwacht, bei einer einfachen Störungsaufgabe mit einer Wahrscheinlichkeit von etwa 50 Prozent umgehen können. Als Gründe nennt er stärkere nicht in Worten ausgedrückte Schlussfolgerungen und ein besseres Verständnis der eigenen Situation. Zugleich erklärte er, dass eine sinnvolle Überwachung derzeit weiterhin möglich sei.

Dabei handelt es sich um eine kontrollierte Bewertung mit gezielt feindseligem Aufbau; sie belegt nicht, dass es in einer realen Umgebung zu einer Umgehung gekommen ist. Sie weist jedoch darauf hin, dass die Überwachung an Grenzen stößt, wenn sie sich darauf beschränkt, lediglich die Ausgaben des Modells zu betrachten.

In derselben Woche unterzeichneten mehr als 400 Forscher einen offenen Brief, in dem sie eine stärkere Ausrichtung an menschlichen Absichten und bessere Eindämmungsmaßnahmen zum Schutz digitaler Infrastruktur und kritischer Infrastruktur forderten. Auch Arvind Narayanan plädierte dafür, nicht nur in die Anpassung der Modelle, sondern auch in externe Kontrollen wie Sandboxes, Überwachung und defensive Agenten zu investieren.

Die Debatte um die Veröffentlichung von Argon dreht sich zunehmend nicht mehr um den Wettbewerb bei Geschwindigkeit und Kosten, sondern um die Frage, wer festlegt, welche Aufgaben dem Modell anvertraut werden und wie. Unternehmen, die über ein leistungsstarkes Modell mit hohen Benchmark-Ergebnissen verfügen, müssen sich als Nächstes daran messen lassen, ob sie Mechanismen zur Überprüfung seiner Ausgaben und zur Begrenzung seines Handlungsspielraums haben.