Pada 30 September 2026, Google DeepMind mengumumkan Gemini 4 Argon, model frontier barunya untuk rekayasa perangkat lunak, pekerjaan berbasis pengetahuan, dan pertahanan siber. Model ini bisa secara otonom menemukan, memvalidasi, dan menambal kerentanan perangkat lunak yang kritis, dan menaikkan batas satu respons menjadi 1 juta token, dari sebelumnya 64.000. Model ini belum tersedia untuk umum: Google merilisnya lebih dulu kepada para pembela siber tepercaya melalui program Fairwind, lalu kepada pelanggan API berbayar dan pelanggan Google AI Ultra. Harga perkenalannya $2 per juta token input dan $10 per juta token output.

Berita sebenarnya adalah Google memilih menyerahkan model terkuatnya kepada orang-orang yang melindungi sistem sebelum model itu sampai ke tangan orang-orang yang mungkin menyerangnya. Keputusan itu saja sudah menunjukkan ke mana arah risiko keamanan dalam setahun ke depan.

Apa yang Diumumkan Google, dalam Angka

  • Batas output: 1 juta token dalam satu respons, naik dari batas sebelumnya sebesar 64.000 token.
  • Harga perkenalan: $2 per juta token input dan $10 per juta token output, dengan diskon 95% untuk input yang di-cache.
  • Harga setelah masa perkenalan: $4 untuk input dan $20 untuk output per juta token. Susun anggaran Anda berdasarkan angka ini, bukan harga peluncuran.
  • Hasil benchmark yang dipublikasikan: 77,9% di DeepSWE v1.1 untuk rekayasa perangkat lunak, 51,3% di AutomationBench dengan peringkat pertama, 68% di CWE-bench v1 untuk pekerjaan terkait kerentanan dengan posisi pertama yang setara, dan 91,7% di LVBench untuk pemahaman video panjang.

Ini adalah angka dari Google sendiri. Pengujian independen memakan waktu berminggu-minggu, dan hasil awal dari pihak ketiga beragam. Ini menjadi pengingat untuk menguji model apa pun pada tugas Anda sendiri sebelum memindahkan pekerjaan nyata ke model tersebut.

Mengapa Pembela Lebih Dulu? Program Fairwind

Fairwind adalah cara Google memberi akses awal ke model-model canggih kepada pembela berprioritas tinggi, seperti lembaga pemerintah, penyedia layanan kesehatan, dan perusahaan telekomunikasi, agar mereka unggul lebih dulu dari penyerang sebelum sebuah model tersedia untuk semua orang. Google juga mengatakan ikut serta dalam proses sukarela pemerintah AS untuk akses model sebelum rilis, dan bahwa Argon telah melalui pengujian oleh red team internal dan eksternal, dengan pengaman yang memantau rantai pemikiran model dan tindakannya.

Logikanya sederhana: model yang bisa menemukan kerentanan dan menambalnya, di tangan yang salah, bisa menemukannya lalu membiarkannya terbuka. Memberi pembela start lebih awal mempersempit jendela waktu ketika penyerang berada di depan.

Apa yang Menurut Google Dicapai Argon secara Internal

Google melaporkan bahwa Argon membantu membebaskan lebih dari 300 TiB memori di seluruh sistemnya, dan membantu memigrasikan lebih dari 800.000 baris kernel Fuchsia Zircon ke Rust. Ini adalah hasil sebuah perusahaan raksasa di infrastrukturnya sendiri, tetapi hasil ini menunjukkan jenis pekerjaan yang menjadi tujuan pembuatan model ini: tugas rekayasa yang panjang dan bertahap, bukan jawaban obrolan yang singkat.

Apa yang Diubah Batas 1 Juta Token dalam Praktik

Sebagian besar model berhenti menulis sebelum menyelesaikan tugas besar. Batas 1 juta token berarti model dapat, dalam satu kali proses, menghasilkan migrasi lengkap sebuah modul lama di sistem Anda, laporan teknis yang utuh, atau tinjauan keamanan menyeluruh atas sebuah basis kode. Itu berguna, dan juga mahal jika Anda tidak berhati-hati: satu respons yang memakai satu juta token penuh berbiaya $10 dengan harga perkenalan dan $20 dengan harga standar. Kalikan dengan jumlah percobaan dan jumlah karyawan, maka tagihannya cepat membengkak. Metrik yang sebenarnya adalah biaya per tugas yang selesai, seperti yang kami jelaskan dalam artikel kami tentang biaya AI per tugas.

Pelajaran Keamanan Tidak Menunggu Akses

Anda tidak bisa menggunakan Argon hari ini, dan itu tidak banyak mengubah keadaan. Arahnya jelas: AI yang menemukan kerentanan sendiri sedang datang, dan untuk kedua belah pihak. Sistem lama yang belum ditambal akan ditemukan lebih cepat daripada sebelumnya. Kami melihat pola ini pada serangan WordPress yang dimulai dalam hitungan jam setelah sebuah perbaikan dipublikasikan dan pada perangkat jaringan yang kerentanannya sedang aktif dieksploitasi. Langkah-langkah yang layak dimulai sekarang:

  • Ketahui apa yang Anda jalankan. Simpan daftar terbaru setiap sistem, plugin, dan pustaka yang diandalkan bisnis Anda, serta siapa yang bertanggung jawab memperbarui masing-masing.
  • Persingkat waktu penambalan Anda. Jika menerapkan pembaruan kritis memakan waktu berminggu-minggu, celah itu kini lebih panjang daripada waktu yang dibutuhkan penyerang.
  • Tanyakan langsung kepada penyedia perangkat lunak Anda. Siapa yang memantau kerentanan di sistem Anda, dan berapa lama waktu yang dibutuhkan untuk mengirim perbaikan? Lalu tuliskan jawabannya ke dalam kontrak.
  • Periksa diri Anda terhadap kontrol nasional. Kontrol Keamanan Siber Esensial yang diterbitkan oleh Otoritas Keamanan Siber Nasional (NCA) adalah acuan dasar yang praktis bagi organisasi di Arab Saudi.

Sebelum Anda Mengadopsi Model Baru Apa Pun

Ketika Argon tersedia di API berbayar, pertanyaan ini akan muncul: haruskah kita beralih? Saran kami sama untuk setiap peluncuran: jangan ikat sistem Anda pada satu penyedia. Bangun lapisan perantara yang memungkinkan Anda membandingkan Gemini, Claude, dan GPT pada tugas yang sama dan berpindah di antara mereka ketika harga atau kualitas berubah, seperti yang kami bahas saat membandingkan GPT-6 Astra dan Claude Fable 5.1. Dan jika data pribadi pelanggan atau karyawan Anda akan melewati model tersebut, periksa di mana data itu diproses dan apakah pengirimannya sesuai dengan Undang-Undang Pelindungan Data Pribadi (PDPL).

Di Origami, kami membangun sistem yang menghubungkan AI dengan data bisnis Anda melalui lapisan yang Anda kendalikan: Anda memilih modelnya, menentukan apa yang boleh dilihatnya, dan mengukur biaya setiap tugas. Ketika model yang lebih kuat hadir, beralih ke model tersebut cukup dengan perubahan konfigurasi, bukan membangun ulang.

Sumber