Google startet Gemini 4 Argon für komplexe professionelle Aufgaben

Google veröffentlicht Gemini 4 Argon weltweit

Google hat Gemini 4 Argon veröffentlicht, ein neues Frontier-KI-Modell, das nach Angaben des Unternehmens für schwierige, mehrstufige Aufgaben in Bereichen wie Softwareentwicklung, Finanzen, Recht, Cybersicherheit und Wissenschaft entwickelt wurde. Das Unternehmen erklärte, das Modell sei seit dem 13. Oktober weltweit über seine API-Angebote, AI Studio, die Gemini-Plattform, die Gemini-App, den AI Mode in Search und Google Antigravity für berechtigte Abonnenten verfügbar.

Bemerkenswert ist an der Veröffentlichung weniger eine einzelne Funktion für Verbraucher als vielmehr die Bandbreite der Aufgaben, die Google dem Modell zutraut. Argon wird als System für „Deep Work“ positioniert: Aufgaben, bei denen ein Modell den Kontext bewahren, über mehrere Stufen hinweg schlussfolgern und in Umgebungen nützliche Ergebnisse liefern muss, in denen Fehler teuer oder zeitaufwendig zu korrigieren sein können.

Google zufolge belegte Argon im Vals Index den ersten Platz. Dabei handelt es sich um einen Benchmark, der laut Google die Leistung in wirtschaftlich bedeutenden Bereichen wie Finanzen, Programmierung, juristischer Arbeit und Steuerwesen misst. Wie bei jeder Benchmark-Aussage sollte dieses Ergebnis als ein Indikator für die Leistungsfähigkeit des Modells verstanden werden, nicht als Garantie für seine Leistung mit den Daten, Arbeitsabläufen oder Risikoanforderungen einer bestimmten Organisation.

Ein Vorstoß zu größeren Engineering-Aufgaben

Eines der zentralen Beispiele von Google ist die Softwarewartung im großen Maßstab. Das Unternehmen erklärte, seine Ingenieure hätten Argon bei schwierigen internen Projekten eingesetzt, darunter Arbeiten an Chromium, der Open-Source-Browser-Codebasis, auf der Chrome und andere Browser aufbauen.

Nach Angaben von Google half Argon dem Chrome-Team dabei, zentrale Funktionen zur Verarbeitung von Webseiten von einem veralteten Ordner mit Browserfunktionen zu trennen, der innerhalb der etwa 40 Millionen Zeilen umfassenden Chromium-Codebasis rund 6 Millionen Zeilen Code enthielt. Die Arbeit umfasste eine architektonische Umstrukturierung über Hunderte von Dateien hinweg. Google erklärte, das Modell habe dem Team ermöglicht, eine Arbeit in wenigen Wochen abzuschließen, die sonst Monate gedauert hätte.

Das Unternehmen sagte, die Umstrukturierung solle es ermöglichen, Webseiten ohne Neuladen zwischen Tabs, Seitenleisten und schwebenden Fenstern zu verschieben. Das Beispiel verdeutlicht die Art von KI-gestütztem Engineering, die Google hervorhebt: nicht nur das Erzeugen eines eigenständigen Codeausschnitts, sondern die Unterstützung von Teams beim Navigieren, Ändern und Validieren von Anpassungen in einer großen, voneinander abhängigen Codebasis.

Google berichtete außerdem, dass Ingenieure, die Argon in Antigravity einsetzen, die Zahl agentischer Code-Einreichungen um mehr als 35 % steigern konnten, während Code-Rollbacks um fast ein Drittel zurückgingen. Diese Zahlen sind interne Angaben des Unternehmens und belegen nicht, dass jedes Entwicklungsteam dieselben Ergebnisse erzielen wird. Sie zeigen jedoch, wie große Technologieunternehmen KI-Tools zunehmend messen: anhand ihres Einflusses auf die Bereitstellungsgeschwindigkeit und darauf, wie häufig Änderungen rückgängig gemacht werden müssen.

Verfügbarkeit und Preise

Entwickler und Unternehmen können über die API und die Plattformprodukte von Google auf Gemini 4 Argon zugreifen. Google erklärte, das Modell sei für Google-AI-Ultra-Abonnenten auch in Antigravity verfügbar, während Abonnenten von Google AI Ultra und Pro es in der Gemini-App und im AI Mode in Search nutzen können.

Das Modell startet mit einem Einführungspreis von 2 US-Dollar pro Million Eingabetokens und 10 US-Dollar pro Million Ausgabetokens. Google teilte mit, dass zwischengespeicherte Eingabetokens einen Rabatt von 95 % erhalten. Die Tokenpreise sind relevant, weil komplexe agentische Workloads lange Dokumente, Codebasen oder anderen Kontext wiederholt an ein Modell senden können; Caching kann die Kosten für die Wiederverwendung von Informationen innerhalb eines Arbeitsablaufs senken.

Für Organisationen bedeutet die Verfügbarkeit in Entwickler- und Verbraucherprodukten, dass Argon potenziell an mehreren Stellen desselben Technologie-Stacks eingesetzt werden kann: in einer benutzerdefinierten Anwendung über eine API, in einer arbeitsorientierten Plattform und in einem allgemeinen Assistenten. Diese Reichweite könnte die Einführung erleichtern, wirft aber auch bekannte Governance-Fragen auf: Wo werden sensible Informationen verarbeitet, welche Aufgaben lassen sich automatisieren und welche menschliche Kontrolle bleibt erforderlich?

Behauptungen zu Wissenschaft und Wirtschaft

Google erklärte, interne Teams, Unternehmenskunden und Forscher hätten Argon bereits für Code-Refactoring, die Optimierung von Arbeitsabläufen, Arbeiten zu Cybersicherheitslücken, Quantencomputing, Kernfusion und die Erforschung der Biowissenschaften eingesetzt. Das Unternehmen stellte diese Anwendungen nicht als Ersatz für Fachwissen dar. Vielmehr beschrieb es das Modell als Beschleuniger für Spezialisten, die mit komplexen Informationen und technischen Prozessen arbeiten.

Diese Einordnung gewinnt im Wettbewerb zwischen Entwicklern von Frontier-Modellen zunehmend an Bedeutung. Der Fokus verschiebt sich von der Fähigkeit eines Chatbots, eine flüssige Antwort zu liefern, hin zu seiner Fähigkeit, zuverlässig zu einer längeren Arbeitskette beizutragen. In der Praxis kann das bedeuten, ein großes Repository zu lesen, einen ersten Entwurf für einen juristischen oder finanziellen Arbeitsablauf zu erstellen, potenzielle Sicherheitsprobleme zu erkennen oder Forschern beim Organisieren und Testen von Ideen zu helfen.

Auch Googles Ankündigung legt besonderen Wert auf Sicherheit und Zuverlässigkeit. Das Unternehmen erklärte, Argon verantwortungsvoll und sicher entwickelt zu haben, während die Beispiele Präzision in Bereichen mit weitreichenden Folgen betonen. Die praktische Bewährungsprobe wird sein, wie Kunden die Ergebnisse in ihren eigenen Umgebungen bewerten, insbesondere wenn eine Antwort mit aktuellen Regeln, Ausgangsmaterialien, Code oder experimentellen Belegen abgeglichen werden muss.

Was sich durch die Veröffentlichung ändert

Gemini 4 Argon erweitert Googles Bemühungen, fortgeschrittene KI zu einem Arbeitswerkzeug für Entwickler, Unternehmen und Forscher zu machen und nicht nur zu einem Assistenten für Verbraucher. Die breite Veröffentlichung und die nutzungsabhängige Preisgestaltung geben Organisationen einen direkten Weg, dieses Versprechen zu testen.

Die unmittelbare Frage ist nicht, ob ein Modell komplexe professionelle Aufgaben versuchen kann. Entscheidend ist, ob es dies konstant genug leisten kann, um in die Prüfprozesse realer Teams zu passen. Googles Chromium-Beispiel deutet darauf hin, dass das Unternehmen die groß angelegte Codewartung als frühes Testfeld betrachtet. Sollten sich die gemeldeten Verbesserungen über Googles eigene Entwicklungsorganisation hinaus übertragen lassen, könnte Argon Teil einer breiteren Bewegung hin zu KI-Systemen werden, die bei umfangreichen, mehrstufigen technischen Aufgaben unterstützen.

Dieser Artikel basiert auf einer Berichterstattung des Google AI Blog. Originalartikel lesen.