Gemini 4 Argon está pensado para agentes que trabajan durante horas. Pruebe lo que ocurre en la tercera hora

Los primeros diez minutos de un agente son la parte fácil. El modelo tiene un contexto limpio, un objetivo claro y todavía nada que olvidar. Lo difícil llega después: tras unos cientos de llamadas a herramientas, una compactación de contexto, una prueba que falla por un motivo ajeno a la tarea y una instrucción en un archivo de log que parece una orden.

Ese es el terreno que Google reclama con Gemini 4 Argon, lanzado el 13 de octubre. Google lo describe como un modelo de razonamiento de frontera para “tareas largas”, entrenado para “respetar los límites del sistema, informar con honestidad los resultados negativos y detenerse a pedir confirmación antes de pasos irreversibles”. Está disponible en Gemini for business, en la Gemini API (gemini-4-argon), en Google AI Studio y en Antigravity. Ese mismo día llegó a GitHub Copilot, con disponibilidad general (GA) para los planes Pro+, Max, Business y Enterprise, y Databricks lo incorporó a Unity Gateway a través de sus Foundation Model APIs.

La cifra de la caja y la cifra que importa

La model card indica una ventana combinada de entrada y salida de hasta un millón de tokens. La misma ficha recoge los resultados de contexto largo de Google en GraphWalks: un F1 de 99,7% hasta 128.000 tokens y de 84,2% entre 256.000 y un millón. Es un buen resultado. También recuerda que la ventana es una capacidad, no una promesa de la misma precisión a cualquier profundidad.

Para un agente empresarial esto pesa más que cualquier clasificación. Una tarea larga no falla porque el modelo no sepa razonar. Falla porque la evidencia que necesita en el paso 300 se leyó en el paso 12, se compactó y se sustituyó por un resumen que perdió justo la salvedad que importaba. La pregunta de ingeniería no es “¿qué tamaño tiene la ventana?”, sino “¿qué sabe todavía el agente, con precisión, cuando toma su decisión más arriesgada?”.

El propio relato de ingeniería de Google sobre una ejecución nocturna en su Agent Development Kit, que analizamos aparte, usó un modo de objetivo que mantiene la meta fijada a través de las compactaciones de contexto. Es el instinto correcto: lo que deba sobrevivir a toda la ejecución hay que tratarlo como estado gestionado fuera de la memoria del modelo, no como algo que la ventana de contexto guardará por usted.

Afirmaciones de seguridad para verificar, no para adoptar

Google afirma que Argon es su modelo más resistente a la inyección indirecta de prompts y reporta una tasa de éxito de ataque de 0,7% en 15 intentos adaptativos en el benchmark de Gray Swan. Es una cifra del proveedor, en un benchmark, y mide el modelo, no su agente. Un agente que lee tickets, correos y páginas web con permisos de escritura en producción sigue necesitando que la frontera esté fuera del modelo, como explicamos en los guardrails de prompt no son una frontera de seguridad. Un modelo mejor reduce la frecuencia con que se pone a prueba la frontera. No la sustituye.

La model card también es franca sobre la capacidad cibernética: Google “no puede descartar” que Argon alcance el nivel crítico de capacidad en ciberseguridad de su Frontier Safety Framework, aplica mitigaciones que bloquean tareas ofensivas en el modelo público y ofrece una versión sin mitigaciones solo a socios gubernamentales, de infraestructura crítica y de ciberseguridad verificados en su Fairwind Program. Si su equipo de seguridad pensaba usar Argon para pruebas de penetración a través de la API normal, cuente con rechazos.

El precio tiene fecha de caducidad

El precio introductorio es de 2 dólares por millón de tokens de entrada y 10 dólares por millón de tokens de salida hasta el 30 de noviembre de 2026. Desde el 1 de diciembre se aplica el precio estándar de 4 y 20 dólares. La entrada en caché tiene un 95% de descuento.

De ahí salen dos consecuencias. Primero, cualquier business case que se prepare en las próximas seis semanas debe calcularse con el precio estándar, porque es el precio al que funcionará la carga. Segundo, el descuento de caché abarata mucho las ejecuciones largas cuando la parte estable del contexto (instrucciones, definiciones de herramientas, documentos de referencia) está organizada para reutilizarse. Las tareas largas son donde el costo por tarea completada más se aleja del precio por token: una ejecución que reintenta, entra en bucle o relee documentos puede costar varias veces lo que una limpia.

Puede que el modelo ya esté activado

El detalle más discreto del lanzamiento está en el changelog de GitHub. En Copilot, “los modelos nuevos se habilitan automáticamente salvo que un administrador haya desactivado el valor global por defecto”, y Argon se factura al precio de lista del proveedor con facturación por uso, en un despliegue gradual. En muchas organizaciones Business y Enterprise, un nuevo modelo de frontera quedó al alcance de los desarrolladores sin que nadie lo decidiera. Puede que no haya problema. Aun así debería ser una decisión, registrada en la política de modelos de la organización, la misma distinción que hicimos entre valores por defecto y políticas en Copilot.

En Databricks, la disponibilidad a través de Unity Gateway permite aplicar al nuevo modelo las políticas, presupuestos y registros que ya existen en el gateway sin reconstruir la aplicación. Esa es la ventaja de un gateway. No resuelve las condiciones de tratamiento de datos, la región ni el comportamiento; eso hay que comprobarlo modelo por modelo y workspace por workspace.

Qué probar antes de enviarle trabajo

Ponga a prueba Argon con sus propias tareas largas, no con demos, y mida cuatro cosas:

• Precisión en profundidad. Siembre datos al principio de una ejecución larga y compruebe si las decisiones finales todavía los respetan, antes y después de la compactación.
• Fallo honesto. Google dice que el modelo avisa cuando no encontró algo o no terminó una tarea. Cuente cuántas ejecuciones terminan con un “no terminado” explícito y no con un resultado parcial presentado con seguridad.
• Pausas que se sostienen. Confirme que las acciones irreversibles se detienen para aprobación porque su runtime lo impone, y luego compruebe si el modelo también lo pide por su cuenta.
• Costo por tarea terminada con el precio de diciembre, incluidos los reintentos.

Un modelo de frontera que trabaja durante horas es un avance real para los agentes empresariales. La tercera hora es donde se descubre si es el adecuado para su trabajo.