El 30 de septiembre de 2026, Google DeepMind anunció Gemini 4 Argon, su nuevo modelo de frontera para ingeniería de software, trabajo del conocimiento y ciberdefensa. El modelo puede encontrar, validar y corregir de forma autónoma vulnerabilidades críticas de software, y eleva el límite de una sola respuesta a 1 millón de tokens, frente a los 64.000 anteriores. Todavía no está disponible para el público general: Google lo está desplegando primero entre ciberdefensores de confianza a través de su programa Fairwind, y después entre clientes de pago de la API y suscriptores de Google AI Ultra. El precio de lanzamiento es de $2 por millón de tokens de entrada y $10 por millón de tokens de salida.

La verdadera noticia es que Google decidió entregar su modelo más potente a quienes protegen los sistemas antes de que llegue a quienes podrían atacarlos. Esa decisión, por sí sola, indica hacia dónde se dirige el riesgo de seguridad durante el próximo año.

Lo que anunció Google, en cifras

  • Límite de salida: 1 millón de tokens en una sola respuesta, frente al límite anterior de 64.000 tokens.
  • Precio de lanzamiento: $2 por millón de tokens de entrada y $10 por millón de tokens de salida, con un 95% de descuento en la entrada en caché.
  • Precio tras el periodo de lanzamiento: $4 por la entrada y $20 por la salida por millón de tokens. Construya su presupuesto sobre esta cifra, no sobre el precio de lanzamiento.
  • Resultados de benchmarks publicados: 77,9% en DeepSWE v1.1 para ingeniería de software, 51,3% en AutomationBench, donde ocupa el primer puesto, 68% en CWE-bench v1 para trabajo con vulnerabilidades, donde empata en el primer puesto, y 91,7% en LVBench para comprensión de vídeos largos.

Estas son cifras de la propia Google. Las pruebas independientes llevan semanas y los primeros resultados de terceros son dispares, lo que recuerda que conviene probar cualquier modelo con sus propias tareas antes de trasladarle trabajo real.

¿Por qué primero los defensores? El programa Fairwind

Fairwind es la forma en que Google da acceso anticipado a modelos avanzados a defensores de alta prioridad, como organismos gubernamentales, proveedores de salud y empresas de telecomunicaciones, para que tomen ventaja sobre los atacantes antes de que un modelo esté disponible para todos. Google también afirma que participa en el proceso voluntario del gobierno de Estados Unidos para el acceso a modelos antes de su lanzamiento, y que Argon pasó por pruebas de equipos rojos internos y externos, con salvaguardas que supervisan la cadena de razonamiento del modelo y sus acciones.

La lógica es sencilla: un modelo capaz de encontrar una vulnerabilidad y corregirla puede, en las manos equivocadas, encontrarla y dejarla abierta. Dar ventaja a los defensores reduce la ventana en la que el atacante va por delante.

Lo que Google dice que Argon logró internamente

Google informa que Argon ayudó a liberar más de 300 TiB de memoria en sus sistemas y a migrar a Rust más de 800.000 líneas del kernel Fuchsia Zircon. Son resultados de una empresa gigante en su propia infraestructura, pero muestran el tipo de trabajo para el que se creó el modelo: tareas de ingeniería largas y de varios pasos, no respuestas breves de chat.

Qué cambia en la práctica un límite de 1 millón de tokens

La mayoría de los modelos dejan de escribir antes de terminar una tarea grande. Un límite de 1 millón de tokens significa que el modelo puede producir, de una sola vez, la migración completa de un módulo antiguo de su sistema, un informe técnico completo o una revisión de seguridad exhaustiva de una base de código. Eso es útil, y también caro si no se tiene cuidado: una respuesta que usa el millón de tokens completo cuesta $10 al precio de lanzamiento y $20 al precio estándar. Multiplique eso por el número de intentos y el número de empleados, y la factura crece rápidamente. La métrica real es el coste por tarea completada, como explicamos en nuestro artículo sobre el coste de la IA por tarea.

La lección de seguridad no espera al acceso

Hoy no puede usar Argon, y eso cambia poco. La dirección está clara: llega una IA que encuentra vulnerabilidades por sí sola, y llega para ambos bandos. Los sistemas antiguos sin parches se descubrirán más rápido que antes. Vimos este patrón en los ataques a WordPress que comenzaron a las pocas horas de publicarse una corrección y en los equipos de red cuyas vulnerabilidades se están explotando activamente. Pasos que vale la pena empezar ya:

  • Sepa qué ejecuta. Mantenga una lista actualizada de cada sistema, plugin y biblioteca de los que depende su negocio, y de quién es responsable de actualizar cada uno.
  • Acorte su tiempo de corrección. Si aplicar una actualización crítica le lleva semanas, ese margen ya es más largo que el tiempo que necesita un atacante.
  • Pregunte directamente a su proveedor de software. ¿Quién supervisa las vulnerabilidades de su sistema y cuánto tarda en entregar una corrección? Después, ponga la respuesta por escrito en el contrato.
  • Compárese con los controles nacionales. Los Controles Esenciales de Ciberseguridad emitidos por la Autoridad Nacional de Ciberseguridad (NCA) son una base práctica para las organizaciones en Arabia Saudí.

Antes de adoptar cualquier modelo nuevo

Cuando Argon llegue a la API de pago, surgirá la pregunta: ¿deberíamos cambiar? Nuestro consejo es el mismo en cada lanzamiento: no ate sus sistemas a un solo proveedor. Construya una capa intermedia que le permita comparar Gemini, Claude y GPT en la misma tarea y pasar de uno a otro según cambien el precio o la calidad, como comentamos al comparar GPT-6 Astra y Claude Fable 5.1. Y si por el modelo pasarán datos personales de sus clientes o empleados, compruebe dónde se procesan y si su transferencia cumple la Ley de Protección de Datos Personales (PDPL).

En Origami creamos sistemas que conectan la IA con los datos de su negocio a través de una capa que usted controla: usted elige el modelo, define lo que puede ver y mide el coste de cada tarea. Cuando llega un modelo más potente, cambiar a él se convierte en un cambio de configuración, no en una reconstrucción.

Fuentes