Google lanza Gemini 4 Argon con precios de tokens de $2/$10
Las tarifas introductorias de Argon se duplican más tarde, mientras que Muse de Meta, que es gratuita, supera los 5 millones de descargas y Spark de Google permanece bajo un muro de pago.
Google presentó Gemini 4 Argon con precios de token de introducción agresivos y afirmaciones de referencia en codificación y ciberseguridad. El lanzamiento llega en un momento en que los inversores valoran cada vez más el liderazgo en IA a través de agentes personales para consumidores, donde el Muse gratuito de Meta está escalando más rápido que el Spark de Google con muro de pago.
Puntos Clave
- Google introdujo Gemini 4 Argon, posicionando el modelo de frontera como un avance para la codificación, la ciberseguridad y tareas complejas de múltiples pasos.
- Argon se lanzó a $2 por millón de tokens de entrada y $10 por millón de tokens de salida, con Google diciendo que sus tarifas publicadas se duplicarán más tarde a $4 y $20.
- Google dice que Argon empata con OpenAI en una prueba clave de ciberseguridad y lidera los benchmarks de ingeniería de software, pero los nombres de los benchmarks y la replicación independiente no están disponibles en el extracto proporcionado.
- La aplicación de agente personal gratuita Muse de Meta superó los 5 millones de descargas al 30 de septiembre (Sensor Tower), mientras que el Spark de Google sigue siendo solo para suscriptores y no puede realizar llamadas salientes ni completar compras.
Gemini 4 Argon llega mientras Wall Street cambia de modelos a agentes.
Google presentó Gemini 4 Argon el 30 de septiembre, presentando el modelo como una actualización de nivel frontera para la codificación, la ciberseguridad y tareas complejas. La compañía enmarcó a Argon como capaz de manejar asignaciones que requieren múltiples pasos y puede funcionar durante períodos prolongados, un perfil de carga de trabajo que importa para productos estilo agente que hacen más que chatear.
El momento es importante porque la narrativa de los inversores se está alejando de 'quién tiene el mejor modelo esta semana' hacia 'quién tiene un agente que la gente realmente usa'. Los agentes personales son la capa orientada al consumidor que convierte la capacidad del modelo en distribución, retención y, eventualmente, monetización.
En ese marco, el lanzamiento de un modelo es una apuesta básica, mientras que un agente con adopción real es el marcador.
Ese cambio es visible en el conjunto competitivo descrito en torno a Argon. El Muse de Meta se lanzó 'el mes pasado' y subió a la cima de la App Store de Apple, superando a ChatGPT en el proceso, mientras que OpenAI lanzó su propio producto de agente personal.Puntos, más temprano en la misma semana.
El mercado está tratando los productos de agentes como la nueva área de superficie para la atención, y la atención es lo que tiende a filtrarse en la posición de riesgo en tecnología y beta de criptomonedas.
La estrategia de precios de tokens de Argon: descuentos de introducción ahora, tasas más altas después
El precio introductorio de ArgonAPIse estableció en $2 por millón de tokens de entrada y $10 por millón de tokens de salida, coincidiendo con los precios con descuento citados para el modelo GPT-6.1 de OpenAI.SolLos tokens son la unidad de facturación para el uso del modelo. Los tokens de entrada son el texto que un usuario o aplicación envía al modelo, mientras que los tokens de salida son el texto que el modelo genera de vuelta.
Google también hizo explícita la segunda mitad de la historia de precios: dijo que las tarifas publicadas de Argon eventualmente se duplicarán a $4 por millón de tokens de entrada y $20 por millón de tokens de salida. Esa estructura se lee como una carrera por la tierra para las cargas de trabajo tempranas, seguida de una fase de normalización una vez que las curvas de demanda y costo se entiendan mejor.
Para los flujos de trabajo de agentes, la división de entrada-salida no es cosmética. Los agentes tienden a funcionar más tiempo, llamar herramientas e iterar, lo que puede impulsar un uso intensivo de salida y hacer que la economía por token se muestre rápidamente en el margen bruto.
Los precios de introducción pueden ganar pilotos y titulares, pero el cronograma de tarifas publicadas es la parte que determina si los agentes 'siempre activos' son lo suficientemente baratos como para ser la opción predeterminada.
El propio marco de producto de Google refuerza esa compensación. Tulsee Doshi, jefe de producto de Gemini, describió un enfoque de cartera donde los agentes cotidianos no requieren los modelos fronterizos más potentes, y los modelos más ligeros siguen siendo esenciales para solicitudes rutinarias a gran escala.
Los modelos fronterizos como Argon están posicionados como la capa de razonamiento para tareas más difíciles, lo cual es útil, pero también la parte costosa de ejecutar continuamente.
Referencias vs Realidad: Lo que Google Asegura, Lo que Aún No Puede Ser Verificado
La propuesta de referencia de Google para Argon es sencilla: empata con OpenAI en una prueba clave de ciberseguridad y publica resultados líderes en ingeniería de software, basados en referencias de la industria. El problema es que los nombres específicos de las referencias no fueron proporcionados en el extracto, y Argon no está ampliamente disponible para pruebas independientes.
El acceso está restringido por diseño. Google está participando en un proceso de pruebas de seguridad del gobierno de EE. UU. y está restringiendo inicialmente Argon a defensores de ciberseguridad seleccionados y clientes de nube empresarial. La compañía dijo que planea expandir la disponibilidad a desarrolladores, clientes empresariales y consumidores, pero no ha anunciado una fecha de lanzamiento pública. Hasta que eso cambie, el mercado se queda comerciando con afirmaciones en lugar de replicaciones.
La brecha entre el agente consumidor es aún más concreta. El agente personal de Google, Spark, se lanzó en mayo en Google I/O y puede trabajar a través de Gmail y Calendar, navegar por sitios web a través de Chrome y completar tareas como llenar formularios en línea. Spark está disponible a través de las aplicaciones móviles y de escritorio de Google, pero sigue limitado a suscriptores de pago.
Spark también tiene límites de acción que importan en la práctica. No puede hacer llamadas telefónicas salientes ni completar compras en nombre de un usuario. En cambio, guía a los usuarios a través de las compras y devuelve el control para la aprobación final. Ese diseño reduce el riesgo, pero también limita el momento del "agente" donde los usuarios sienten que el sistema realmente se encargó de la tarea.
Muse de Meta está adoptando la postura de distribución opuesta. Es gratuito con límites de uso y había alcanzado más de 5 millones de descargas hasta el 30 de septiembre, según Sensor Tower. El enfoque de Meta también ha introducido complicaciones.
La compañía experimentó con un sistema de conserjería humana donde contratistas manejaban algunas llamadas telefónicas cuando Muse no podía completarlas de forma autónoma, antes de suspender el experimento en medio de preocupaciones internas de privacidad, mientras que su función de llamadas telefónicas automatizadas sigue en beta.
Un portavoz de Meta dijo que las pruebas internas "son fundamentales para el proceso de desarrollo del producto" y agregó: "Estamos trabajando con comerciantes para seguir mejorando esta posible función de llamadas, y solo la lanzaremos cuando esté lista y con las divulgaciones adecuadas."
También hay una disputa de credibilidad en torno al rendimiento de codificación en el mundo real de Argon. Una caracterización de Bloomberg referenciada en el material fuente dijo que algunos empleados de Google cuestionaron la calidad práctica de codificación del modelo a pesar de las fuertes referencias.
Google disputó esa caracterización y dijo que empleados de toda la compañía han estado probando versiones de Gemini 4 durante semanas, con algunos recibiendo acceso ilimitado. Sin evidencia subyacente en el extracto y sin acceso externo amplio, esa discrepancia permanece sin resolver.
Catalizadores que Podrían Revalorizar la Narrativa
El próximo catalizador de revalorización es simple: una fecha de lanzamiento pública y un acceso más amplio para desarrolladores a Gemini 4 Argon. Hasta que los usuarios independientes puedan ejecutar el modelo en cargas de trabajo reales, el liderazgo en referencias es una afirmación de marketing, no un hecho que limpie el mercado.
El segundo catalizador es la distribución. Si Google afloja el muro de pago de Spark, o expande las capacidades de acción de Spark más allá de sus límites actuales en llamadas salientes y compras, cambia la pendiente de adopción más que otro gráfico de referencia.
Las métricas de Muse de Meta son el otro lado de ese intercambio. Las cifras de adopción actualizadas más allá de la instantánea de Sensor Tower del 30 de septiembre, y cualquier cambio en los límites de uso a medida que Meta escala, le dirán a los traders si Muse es un pico de novedad o un hábito de consumo duradero.
El marco de Wall Street ya se está inclinando en esta dirección. En los últimos tres meses, las acciones de Alphabet cayeron alrededor del 6% mientras que las de Meta subieron un 19%. Los comentarios posteriores que vinculen explícitamente la tracción de agentes con la posición de Alphabet frente a Meta probablemente serán el motor narrativo más claro para cómo se comercia este tema.
Mi lectura: Por qué la distribución de agentes, no los puntos de referencia de frontera, es el comercio a corto plazo.
El umbral que importa es si Argon se convierte en algo que los desarrolladores realmente puedan tocar a gran escala, porque el acceso restringido mantiene la historia atrapada en 'confía en nosotros'.
Google puede competir de manera plausible en la economía del modelo de frontera a corto plazo, pero el movimiento planeado de $2/$10 a $4/$20 por millón de tokens es el recordatorio de que la presión de costos regresa rápidamente una vez que los agentes funcionan de manera continua.
Si Spark permanece con muro de pago y limitado en acciones de alto valor como llamadas y compras, la narrativa de referencia de Argon luchará por traducirse en la percepción del consumidor. Si Google combina un acceso más amplio a Argon con un cambio real en la distribución de Spark, la historia del agente deja de ser aspiracional y comienza a ser medible en curvas de adopción y uso.
