Gemini 4 Argon: benchmarks, precio y qué cambia para las empresas

Qué ha anunciado Google y qué sigue pendiente

Google presentó Gemini 4 Argon el 30 de septiembre de 2026. Su apuesta es sostener tareas complejas de programación, conocimiento empresarial y ciberseguridad. Anuncia un límite de salida de un millón de tokens, frente a los 64.000 anteriores: hablamos de salida, no de una nueva cifra de contexto de entrada. El acceso inicial es selectivo; la ampliación comenzará por clientes de API de pago y suscriptores de Google AI Ultra, sin fecha general concreta en el anuncio. Anuncio de Google, firmado por Koray Kavukcuoglu.

Para una empresa, la pregunta útil es qué proceso merece volver a evaluar cuando se abra el acceso. Resolver una tarea larga exige conservar el objetivo, consultar información, utilizar herramientas y comprobar el resultado. Nuestra lectura es que ahí puede aparecer valor: en terminar un trabajo verificable. Una respuesta extensa, por sí sola, no demuestra que se haya resuelto bien.

Benchmarks: dónde destaca y dónde no

Los gráficos siguientes son elaboraciones originales de Olduvia a partir de cifras publicadas por Google DeepMind, consultadas el 1 de octubre. Comparan cuatro modelos de su tabla, no todo el mercado. Cada prueba conserva su nombre y versión; los ejes parten de cero y llegan a 100. No calculamos una media entre pruebas de distinta naturaleza ni presentamos estos datos como mediciones realizadas por Olduvia. Tabla de resultados de Google DeepMind.

Vals Index combina evaluaciones de finanzas, programación, derecho y fiscalidad, ponderadas con referencias a la economía estadounidense. Su página identifica la versión 2.1 y actualización del 30 de septiembre. Es una aproximación al rendimiento en esas tareas, no una medida de cuánto aumentará el beneficio de una pyme española. Además, incluye pruebas privadas y públicas: el lector no puede reproducir íntegramente todos sus componentes con materiales abiertos. Definición y metodología de Vals AI.

En las dos pruebas empresariales seleccionadas, Argon encabeza esta comparación. Conviene leer el resultado de AutomationBench con especial cuidado: una puntuación del 51,3 % no significa que pueda automatizar el 51,3 % de cualquier empresa. Esa traducción requeriría estudiar tareas, criterios de aprobación y errores concretos. Una compra equivocada, una clasificación imperfecta y un borrador que necesita retoques tampoco tienen el mismo coste.

La comparación de programación ofrece un contraste útil: Argon obtiene el mayor resultado de estos cuatro modelos en DeepSWE v1.1, mientras GPT-6 Astra lo supera en FrontierSWE v2. Elegir únicamente la primera prueba ocultaría una parte relevante de la evidencia. Para seleccionar un modelo de desarrollo, probaríamos incidencias y repositorios representativos del trabajo real, con el mismo entorno, permisos y criterio de aceptación.

Las condiciones cambian la lectura de una clasificación

La metodología de Google utiliza normalmente un intento, sin votación mayoritaria ni cómputo paralelo durante la prueba, y el máximo ajuste de razonamiento; señala excepciones y promedia varias ejecuciones en pruebas pequeñas. DeepSWE para Argon fue calculado por Google con mini-swe; otras cifras proceden de clasificaciones o informes de proveedores. FrontierSWE se toma de la clasificación de Proximal. AutomationBench usa el conjunto privado y resultados publicados por Zapier. PDF de metodología, páginas 2–3.

Esto aconseja comparar sistemas completos. El modelo, las herramientas, el tiempo permitido y la forma de verificar forman parte del resultado. Nuestros gráficos muestran las puntuaciones publicadas y no incluyen barras de incertidumbre porque la tabla seleccionada no las aporta. Una distancia pequeña entre barras no permite afirmar, por sí sola, que la diferencia sea estadísticamente concluyente.

También importa el idioma y el entorno. Una evaluación vinculada a prácticas estadounidenses no sustituye una prueba con documentos españoles, terminología del sector y datos autorizados de la organización. Antes de comprometer una implantación, exigiríamos ejemplos que permitan reconocer tanto los aciertos como los fallos.

Precio: distinguir la introducción de la tarifa posterior

Google anuncia 2 dólares por millón de tokens de entrada y 10 de salida durante la introducción, con un descuento del 95 % para entrada en caché. La nota al pie especifica después 4 y 20 dólares, respectivamente. No concreta la duración de la promoción. Son tarifas anunciadas para el lanzamiento, no una confirmación de contratación general disponible hoy. Condiciones y nota de precios.

Ejemplo aritmético de Olduvia, no presupuesto comercial: una ejecución hipotética con 100.000 tokens de entrada sin caché y 20.000 de salida supondría 0,40 dólares con los precios introductorios y 0,80 con los posteriores. El cálculo multiplica cada volumen por su tarifa; excluye impuestos, herramientas, almacenamiento y otros cargos. Tampoco representa el consumo habitual de una tarea real.

Para decidir si compensa, mediríamos el coste por resultado aceptado. Una ejecución barata puede salir cara si obliga a rehacer el trabajo; otra más costosa puede ser razonable si reduce correcciones. Incluiríamos los reintentos y el tiempo de revisión humana. El límite de salida anunciado tampoco es una recomendación de gastar un millón de tokens en cada consulta.

Seguridad y disponibilidad: autonomía con límites comprobables

Fairwind ofrece acceso anticipado a defensores seleccionados y somete la participación a controles de acceso y diligencia previa. Su documentación limita los usos de doble uso a finalidades defensivas y de investigación autorizadas, y prohíbe redistribuir el acceso. Esa vía especializada no equivale a una disponibilidad ordinaria para cualquier cliente. Programa Fairwind y condiciones de acceso.

La ficha del modelo describe protección frente a usos indebidos e inyecciones de instrucciones, supervisión de acciones y refuerzo de entornos aislados. Son medidas declaradas por el fabricante. Nuestra recomendación operativa es conservar permisos mínimos, registrar acciones y exigir aprobación para los cambios que la organización considere críticos. Un documento recibido del exterior debe tratarse como información a analizar; no debería poder otorgar nuevos permisos al agente. Medidas de seguridad descritas por Google.

Qué probaríamos en una empresa

Los siguientes son escenarios propuestos por Olduvia, no experiencias de clientes ni capacidades que hayamos validado con Argon. El acceso y las condiciones aplicables tendrían que confirmarse antes de comenzar.

1. Preparación de expedientes. Entregar documentos autorizados y pedir un borrador con referencias a cada dato. Medir omisiones, afirmaciones sin respaldo y minutos de revisión. El resultado aceptable debe poder rastrearse hasta la documentación.
2. Mantenimiento de software. Trabajar sobre una copia de un proyecto con incidencias conocidas. Pedir una corrección, ejecutar las comprobaciones habituales y someter el cambio a revisión. Medir tareas cerradas, regresiones y coste total, manteniendo la publicación bajo control del equipo.
3. Tramitación administrativa. Preparar un registro o una respuesta a partir de una solicitud. Separar extracción de datos, reglas de negocio y aprobación. Las tarifas y condiciones comerciales deben proceder de fuentes vigentes; una excepción debe llegar a una persona.

Comenzaríamos con un conjunto acotado de casos históricos, incluyendo situaciones difíciles. Compararíamos el proceso actual y la alternativa con IA con una misma definición de éxito. Después pasaríamos a trabajo real supervisado, con un límite de gasto y una forma sencilla de detener o revertir acciones. Si la mejora desaparece al sumar las revisiones, el piloto habría servido para evitar una mala inversión.

Ese es el vínculo con los servicios de Olduvia: definir el proceso y su evaluación, organizar el conocimiento que lo alimenta y preparar a las personas para comprobar los resultados. La selección del modelo se revisa cuando cambian las pruebas y los requisitos; no debería obligar a reconstruir todo el proceso cada vez que aparece un nuevo lanzamiento.

Qué falta por comprobar

Seguiremos la apertura efectiva del acceso, las condiciones finales y evaluaciones comparables con costes y tiempos. Este artículo verifica el anuncio y los resultados publicados; no acredita una prueba independiente de Argon por Olduvia. Para una empresa, el siguiente paso útil es definir qué trabajo necesita mejorar y cómo reconocer una mejora real. Cuéntanos qué proceso quieres evaluar.

Fuentes consultadas el 1 de octubre de 2026. Anuncio: 30 de septiembre. Gráficos y análisis: Olduvia. No se reproducen imágenes promocionales de Google ni se atribuye una licencia no comprobada a sus gráficos.