Em 30 de setembro de 2026, o Google DeepMind anunciou o Gemini 4 Argon, seu novo modelo de fronteira para engenharia de software, trabalho do conhecimento e defesa cibernética. O modelo consegue encontrar, validar e corrigir de forma autônoma vulnerabilidades críticas de software, e eleva o limite de uma única resposta para 1 milhão de tokens, ante 64.000 anteriormente. Ele ainda não está disponível para o público em geral: o Google está liberando o modelo primeiro para defensores cibernéticos de confiança por meio do programa Fairwind, depois para clientes pagos da API e assinantes do Google AI Ultra. O preço promocional de lançamento é $2 por milhão de tokens de entrada e $10 por milhão de tokens de saída.

A verdadeira notícia é que o Google escolheu entregar seu modelo mais poderoso a quem protege os sistemas antes que ele chegue a quem poderia atacá-los. Só essa decisão já mostra para onde o risco de segurança está indo no próximo ano.

O que o Google anunciou, em números

  • Limite de saída: 1 milhão de tokens em uma única resposta, ante o limite anterior de 64.000 tokens.
  • Preço promocional: $2 por milhão de tokens de entrada e $10 por milhão de tokens de saída, com 95% de desconto na entrada em cache.
  • Preço após o período promocional: $4 na entrada e $20 na saída por milhão de tokens. Monte seu orçamento com base neste número, e não no preço de lançamento.
  • Resultados de benchmarks publicados: 77,9% no DeepSWE v1.1 para engenharia de software, 51,3% no AutomationBench, onde fica em primeiro lugar, 68% no CWE-bench v1 para trabalho com vulnerabilidades, onde empata em primeiro, e 91,7% no LVBench para compreensão de vídeos longos.

Esses são números do próprio Google. Testes independentes levam semanas, e os primeiros resultados de terceiros são mistos, o que lembra que é preciso testar qualquer modelo nas suas próprias tarefas antes de transferir trabalho real para ele.

Por que os defensores primeiro? O programa Fairwind

O Fairwind é a forma que o Google encontrou para dar a defensores de alta prioridade, como órgãos governamentais, prestadores de serviços de saúde e empresas de telecomunicações, acesso antecipado a modelos avançados, para que eles saiam na frente dos atacantes antes que um modelo fique disponível para todos. O Google também diz que participa do processo voluntário do governo dos EUA para acesso a modelos antes do lançamento, e que o Argon passou por testes de red teams internos e externos, com salvaguardas que monitoram a cadeia de raciocínio do modelo e suas ações.

A lógica é simples: um modelo capaz de encontrar uma vulnerabilidade e corrigi-la pode, nas mãos erradas, encontrá-la e deixá-la aberta. Dar vantagem aos defensores reduz a janela em que o atacante está à frente.

O que o Google diz que o Argon alcançou internamente

O Google relata que o Argon ajudou a liberar mais de 300 TiB de memória em seus sistemas e ajudou a migrar mais de 800.000 linhas do kernel Fuchsia Zircon para Rust. São resultados de uma empresa gigante em sua própria infraestrutura, mas mostram o tipo de trabalho para o qual o modelo foi criado: tarefas de engenharia longas e com várias etapas, não respostas curtas de chat.

O que um limite de 1 milhão de tokens muda na prática

A maioria dos modelos para de escrever antes de terminar uma tarefa grande. Um limite de 1 milhão de tokens significa que o modelo pode produzir, de uma só vez, a migração completa de um módulo antigo do seu sistema, um relatório técnico completo ou uma revisão de segurança minuciosa de uma base de código. Isso é útil, e também caro se você não tomar cuidado: uma resposta que usa o milhão de tokens inteiro custa $10 no preço promocional e $20 no preço padrão. Multiplique isso pelo número de tentativas e pelo número de funcionários, e a conta cresce rapidamente. A métrica real é o custo por tarefa concluída, como explicamos no nosso artigo sobre o custo da IA por tarefa.

A lição de segurança não espera pelo acesso

Você não pode usar o Argon hoje, e isso muda pouco. A direção é clara: a IA que encontra vulnerabilidades sozinha está chegando, e dos dois lados. Sistemas antigos e sem correção serão descobertos mais rápido do que antes. Vimos esse padrão nos ataques ao WordPress que começaram poucas horas depois da publicação de uma correção e nos equipamentos de rede cujas vulnerabilidades estão sendo exploradas ativamente. Passos que vale a pena começar agora:

  • Saiba o que você usa. Mantenha uma lista atualizada de cada sistema, plugin e biblioteca de que sua empresa depende, e de quem é responsável por atualizar cada um.
  • Reduza seu tempo de correção. Se aplicar uma atualização crítica leva semanas, essa janela agora é mais longa do que o tempo de que um atacante precisa.
  • Pergunte diretamente ao seu fornecedor de software. Quem monitora as vulnerabilidades do seu sistema, e quanto tempo leva para entregar uma correção? Depois, coloque a resposta por escrito no contrato.
  • Avalie-se com base nos controles nacionais. Os Controles Essenciais de Cibersegurança emitidos pela Autoridade Nacional de Cibersegurança (NCA) são uma referência prática para as organizações na Arábia Saudita.

Antes de adotar qualquer novo modelo

Quando o Argon chegar à API paga, a pergunta vai surgir: devemos mudar? Nosso conselho é o mesmo a cada lançamento: não amarre seus sistemas a um único fornecedor. Construa uma camada intermediária que permita comparar Gemini, Claude e GPT na mesma tarefa e alternar entre eles conforme o preço ou a qualidade mudar, como discutimos ao comparar GPT-6 Astra e Claude Fable 5.1. E se dados pessoais dos seus clientes ou funcionários passarem pelo modelo, verifique onde eles são processados e se a transferência está em conformidade com a Lei de Proteção de Dados Pessoais (PDPL).

Na Origami, construímos sistemas que conectam a IA aos dados da sua empresa por meio de uma camada que você controla: você escolhe o modelo, define o que ele pode ver e mede o custo de cada tarefa. Quando um modelo mais forte chega, mudar para ele passa a ser uma alteração de configuração, e não uma reconstrução.

Fontes