Am 30. September 2026 kündigte Google DeepMind Gemini 4 Argon an, sein neues Frontier-Modell für Softwareentwicklung, Wissensarbeit und Cyberabwehr. Das Modell kann kritische Softwareschwachstellen autonom finden, validieren und beheben, und es hebt das Limit für eine einzelne Antwort auf 1 Million Tokens an, nach zuvor 64.000. Allgemein verfügbar ist es noch nicht: Google stellt es zuerst vertrauenswürdigen Cyberverteidigern über sein Fairwind-Programm bereit, danach zahlenden API-Kunden und Abonnenten von Google AI Ultra. Der Einführungspreis liegt bei $2 pro Million Input-Tokens und $10 pro Million Output-Tokens.

Die eigentliche Nachricht ist, dass Google sein stärkstes Modell denjenigen übergibt, die Systeme schützen, bevor es diejenigen erreicht, die sie angreifen könnten. Allein diese Entscheidung zeigt, wohin sich das Sicherheitsrisiko im kommenden Jahr entwickelt.

Was Google angekündigt hat, in Zahlen

  • Ausgabelimit: 1 Million Tokens in einer einzigen Antwort, nach dem bisherigen Limit von 64.000 Tokens.
  • Einführungspreis: $2 pro Million Input-Tokens und $10 pro Million Output-Tokens, mit 95% Rabatt auf gecachten Input.
  • Preis nach der Einführungsphase: $4 für Input und $20 für Output pro Million Tokens. Planen Sie Ihr Budget mit dieser Zahl, nicht mit dem Startpreis.
  • Veröffentlichte Benchmark-Ergebnisse: 77,9% bei DeepSWE v1.1 für Softwareentwicklung, 51,3% bei AutomationBench, wo es auf Platz eins liegt, 68% bei CWE-bench v1 für die Arbeit an Schwachstellen, wo es sich den ersten Platz teilt, und 91,7% bei LVBench für das Verständnis langer Videos.

Das sind Googles eigene Zahlen. Unabhängige Tests dauern Wochen, und die ersten Ergebnisse von Dritten fallen gemischt aus. Das erinnert daran, jedes Modell mit den eigenen Aufgaben zu testen, bevor man echte Arbeit darauf verlagert.

Warum zuerst die Verteidiger? Das Fairwind-Programm

Mit Fairwind gibt Google Verteidigern mit hoher Priorität, etwa Behörden, Gesundheitsdienstleistern und Telekommunikationsunternehmen, frühen Zugang zu fortgeschrittenen Modellen, damit sie einen Vorsprung vor Angreifern haben, bevor ein Modell für alle verfügbar wird. Google gibt außerdem an, am freiwilligen Verfahren der US-Regierung für den Zugang zu Modellen vor deren Veröffentlichung teilzunehmen, und Argon habe Tests durch interne und externe Red Teams durchlaufen, mit Schutzmechanismen, die die Gedankenkette des Modells und seine Aktionen überwachen.

Die Logik ist einfach: Ein Modell, das eine Schwachstelle finden und beheben kann, kann sie in den falschen Händen finden und offen lassen. Wer den Verteidigern einen frühen Start verschafft, verkleinert das Zeitfenster, in dem der Angreifer vorne liegt.

Was Argon laut Google intern erreicht hat

Google berichtet, dass Argon geholfen hat, mehr als 300 TiB Speicher in seinen Systemen freizugeben, und dabei half, mehr als 800.000 Zeilen des Fuchsia-Zircon-Kernels nach Rust zu migrieren. Das sind Ergebnisse eines Großkonzerns auf seiner eigenen Infrastruktur, aber sie zeigen, für welche Art von Arbeit das Modell gebaut wurde: lange, mehrstufige Engineering-Aufgaben, nicht kurze Chat-Antworten.

Was ein Limit von 1 Million Tokens in der Praxis ändert

Die meisten Modelle hören auf zu schreiben, bevor sie eine große Aufgabe beendet haben. Ein Limit von 1 Million Tokens bedeutet, dass das Modell in einem Durchgang eine vollständige Migration eines alten Moduls Ihres Systems, einen kompletten technischen Bericht oder eine gründliche Sicherheitsprüfung einer Codebasis erstellen kann. Das ist nützlich, aber auch teuer, wenn Sie nicht aufpassen: Eine Antwort, die die vollen eine Million Tokens nutzt, kostet $10 zum Einführungspreis und $20 zum Standardpreis. Multiplizieren Sie das mit der Zahl der Versuche und der Zahl der Mitarbeitenden, und die Rechnung wächst schnell. Die eigentliche Kennzahl sind die Kosten pro erledigter Aufgabe, wie wir in unserem Artikel über KI-Kosten pro Aufgabe erklärt haben.

Die Sicherheitslektion wartet nicht auf den Zugang

Sie können Argon heute nicht nutzen, und das ändert wenig. Die Richtung ist klar: KI, die Schwachstellen selbstständig findet, kommt, und zwar auf beiden Seiten. Alte, ungepatchte Systeme werden schneller entdeckt als früher. Dieses Muster haben wir bei den WordPress-Angriffen gesehen, die wenige Stunden nach Veröffentlichung eines Fixes begannen, und bei Netzwerkgeräten, deren Schwachstellen aktiv ausgenutzt werden. Schritte, mit denen Sie jetzt beginnen sollten:

  • Wissen Sie, was Sie betreiben. Führen Sie eine aktuelle Liste aller Systeme, Plugins und Bibliotheken, auf die Ihr Unternehmen angewiesen ist, und wer für die Aktualisierung jedes einzelnen zuständig ist.
  • Verkürzen Sie Ihre Patch-Zeit. Wenn das Einspielen eines kritischen Updates bei Ihnen Wochen dauert, ist diese Lücke jetzt länger als die Zeit, die ein Angreifer braucht.
  • Fragen Sie Ihren Softwareanbieter direkt. Wer überwacht Schwachstellen in Ihrem System, und wie lange dauert es, einen Fix auszuliefern? Halten Sie die Antwort dann im Vertrag fest.
  • Prüfen Sie sich an den nationalen Kontrollen. Die Essential Cybersecurity Controls der Nationalen Behörde für Cybersicherheit (NCA) sind eine praktische Grundlage für Organisationen in Saudi-Arabien.

Bevor Sie ein neues Modell einführen

Wenn Argon die kostenpflichtige API erreicht, wird die Frage aufkommen: Sollen wir wechseln? Unser Rat ist bei jedem Launch derselbe: Binden Sie Ihre Systeme nicht an einen einzigen Anbieter. Bauen Sie eine Zwischenschicht, mit der Sie Gemini, Claude und GPT bei derselben Aufgabe vergleichen und zwischen ihnen wechseln können, wenn sich Preis oder Qualität ändern, wie wir beim Vergleich von GPT-6 Astra und Claude Fable 5.1 besprochen haben. Und wenn personenbezogene Daten Ihrer Kunden oder Mitarbeitenden durch das Modell laufen, prüfen Sie, wo sie verarbeitet werden und ob ihre Übermittlung mit dem Gesetz zum Schutz personenbezogener Daten (PDPL) vereinbar ist.

Bei Origami bauen wir Systeme, die KI über eine Schicht, die Sie kontrollieren, mit Ihren Unternehmensdaten verbinden: Sie wählen das Modell, legen fest, was es sehen darf, und messen die Kosten jeder Aufgabe. Wenn ein stärkeres Modell erscheint, wird der Wechsel zu ihm zu einer Konfigurationsänderung, nicht zu einem Neubau.

Quellen