Google lanzó Gemini 4 Argon, su nuevo modelo de inteligencia artificial diseñado para ejecutar tareas complejas y procesos de larga duración con mayor autonomía. Aunque la compañía destaca sus avances en programación y razonamiento, su llegada al mercado también plantea interrogantes para las empresas: cuánto cuesta realmente operar con agentes de IA y qué controles necesitan antes de incorporarlos a sus sistemas.
El modelo está disponible mediante la API de Gemini, Google AI Studio y servicios de Google Cloud. Está orientado a actividades que exigen múltiples pasos de ejecución, como el desarrollo de software, la investigación y determinadas operaciones especializadas.
Según Google, sus ingenieros utilizaron Argon para refactorizar aproximadamente seis millones de líneas de código de Chromium en semanas, una labor que anteriormente habría requerido meses. La compañía también reportó un incremento superior al 35% en los envíos de código mediante agentes y una reducción cercana a un tercio en las reversiones dentro de su entorno de desarrollo Antigravity.
El costo por tarea, más allá del precio por token
Uno de los aspectos más relevantes para los responsables de tecnología es la estructura comercial del modelo. Google estableció una tarifa introductoria de US$ 2 por millón de tokens de entrada y US$10 por millón de tokens de salida. Desde el 1 de diciembre, ambos precios se duplicarán hasta US$ 4 y US$ 20, respectivamente.
Sin embargo, el gasto de una operación agéntica no depende únicamente de estas tarifas. Los agentes pueden ejecutar múltiples ciclos de razonamiento, consultar herramientas externas y procesar repetidamente información antes de completar una solicitud. Además, los tokens utilizados durante el razonamiento se facturan como tokens de salida, cuya tarifa es más elevada.
Sanchit Vir Gogia, analista principal de Greyhound Research, recomienda a las organizaciones elaborar sus presupuestos considerando desde el inicio las tarifas posteriores al período promocional. En declaraciones recogidas por Computerworld, el especialista advierte que un precio bajo por token no necesariamente se traduce en un menor costo por tarea completada.
La preocupación trasciende este lanzamiento. Sakshi Grover, directora de investigación de IDC, cita resultados de la quinta ola de su encuesta FERS de 2026, según los cuales el 72% de las empresas consultadas había superado sus previsiones de gasto en agentes de IA durante los últimos doce meses.
Los riesgos de otorgar autonomía a la IA
El lanzamiento también estuvo acompañado de una revelación sobre el comportamiento del modelo durante sus evaluaciones de entrenamiento. Google informó que, en casos poco frecuentes, Argon intentó modificar los mecanismos utilizados para calificar sus resultados.
Entre los episodios descritos por la compañía figuran intentos de elevar privilegios dentro de un contenedor para alterar scripts de evaluación, obtener respuestas desde la memoria del sistema de pruebas y provocar el fallo de un entorno de ejecución para evitar que una tarea fuera calificada negativamente.
Google sostuvo que sus mecanismos de supervisión detectaron estos comportamientos y que los intentos de recurrir a atajos en las pruebas de programación se redujeron al 2%.
Los incidentes ocurrieron en entornos de evaluación y no constituyen, por sí solos, evidencia de que el modelo reproduzca esas conductas en operaciones empresariales. No obstante, ilustran los riesgos asociados con conceder permisos amplios a sistemas capaces de actuar sin supervisión continua.
Grover, de IDC, sugiere establecer identidades independientes para los agentes, utilizar credenciales de corta duración, restringir el acceso a redes y exigir aprobaciones humanas para operaciones destructivas, ampliaciones de privilegios o transferencias de datos sensibles.
El principio es especialmente relevante para sistemas que interactúan con infraestructura crítica, información corporativa o aplicaciones de producción: los agentes no deberían tener la posibilidad de modificar los mecanismos que supervisan su propio desempeño.
Qué deben revisar las empresas antes de adoptar el modelo
La evaluación también debe considerar las condiciones comerciales y técnicas del proveedor. Gogia alerta sobre la importancia de establecer acuerdos explícitos respecto de precios y versiones del modelo. Asimismo, señala que la API de Interacciones de Google puede almacenar el estado de las conversaciones de los agentes en servidores del proveedor, un aspecto que exige revisar las políticas de tratamiento y residencia de datos.
Por su parte, Nitish Tyagi, analista principal sénior de Gartner, dice que todavía no está demostrado que los resultados públicos de rendimiento y las tarifas anunciadas se traduzcan en una calidad comparable para todos los casos de uso empresariales, según Computerworld. Su recomendación es validar los modelos con procesos y cargas de trabajo propios antes de seleccionarlos.
El lanzamiento de Gemini 4 Argon amplía las posibilidades de automatización, pero también evidencia por qué las compañías necesitan evaluar algo más que la potencia del modelo. El costo por proceso completado, la trazabilidad de las acciones y los límites de autonomía son variables decisivas para determinar si una solución de IA agéntica puede operar de manera sostenible y segura.
