Gemini 4 Carbon: Googles bestes Modell. Google rät trotzdem zu Argon

Kennst du das? Ein neues Topmodell erscheint, und am nächsten Morgen will jemand im Team „sofort umstellen“. Diesmal hat Google selbst die Bremse eingebaut. Im Launch-Beitrag zu Gemini 4 Carbon steht schwarz auf weiß: Für die meisten Software- und Wissensaufgaben ist Gemini 4 Argon weiterhin die bessere Wahl. Ein Hersteller, der vom eigenen Flaggschiff abrät. Das lese ich nicht oft.

Was neu ist

• Das Modell: Carbon ist laut Google sein stärkstes Modell, gebaut für Cybersecurity, lang laufende Agenten-Workflows, komplexe Wissensarbeit, Software-Entwicklung und wissenschaftliches Denken. Es verbraucht mehr Tokens als Argon, weil es länger nachdenkt und Ergebnisse öfter prüft.
• Zugang: bezahlte API über Google AI Studio und Gemini for business; für AI-Ultra-Abonnenten wird es in der Gemini-App, im AI Mode der Suche und in Antigravity ausgerollt. Vorher durften laut heise zwei Wochen lang nur ausgewählte Sicherheitsexperten ran.
• Preis: bis 30.11. 2 $ pro Million Input-Tokens und 10 $ pro Million Output-Tokens, ab 1.12. das Doppelte: 4 $ und 20 $.
• Dazu: eine Vorschau von /swarm in Antigravity. Ein Prompt wird zu einem Team aus Agenten, Carbon plant und prüft, leichtere Modelle arbeiten parallel.

Der Preis pro Token ist die falsche Zahl

Klingt nach Rabattaktion. Ist es nicht. Ein Modell, das bewusst mehr Tokens verbraucht, wird pro Aufgabe teurer, auch wenn der Tokenpreis gleich aussieht. Google selbst rechnet in den eigenen Benchmarks mit Kosten pro Aufgabe, nicht pro Token. Genau so sollten Teams rechnen. Meine Faustregel aus jedem Tool-Vergleich: Credits und Folgepreis zählen, nicht die Einführungsprozente. Und der Folgepreis kommt hier in drei Wochen.

Heißt: Wer Carbon jetzt im November testet, misst mit einem halben Preis. Wer danach budgetiert, muss mit dem doppelten rechnen. Das ist kein Vorwurf an Google, das ist ein klassisches Einführungsangebot. Nur sollte die Business-Case-Rechnung im Dezember nicht als Überraschung auf dem Tisch des CFO landen.

Die spannendere Zahl steht ganz unten

Was ich daran spannend finde, ist nicht CursorBench. Es ist ein Wert, den Google eher nebenbei nennt: In einem Test zur Ehrlichkeit von Agenten mit 375 Aufgaben hat Carbon laut Google 92 % bestanden, Argon 70 %. Für Marketing ist das der eigentliche Use Case. Ein Agent, der Kampagnenzahlen auswertet oder Texte freigabefertig macht, ist nur so viel wert wie seine Bereitschaft zu sagen: Das weiß ich nicht. Ob sich der Herstellerwert im Alltag hält, muss jeder selbst prüfen.

Der Haken

Alle Benchmarks stammen aus Googles eigener Darstellung, teils mit Partnern. Eine Länderliste nennt der Beitrag nicht. Und „das beste Modell“ ist keine Strategie. Kein Modell entscheidet, wofür eure Marke steht oder wo euer Budget den größten Hebel hat. KI ist die Eintrittskarte, nicht der Job.

Was ich jetzt tun würde

• → Zwei, drei echte Aufgaben aus eurem Alltag nehmen (Reporting-Analyse, langer Rechercheauftrag) und Carbon gegen Argon laufen lassen. Gemessen wird: Kosten pro erledigter Aufgabe und wie oft ein Mensch nachbessern muss.
• → Den Testlauf im November mit dem Dezember-Preis hochrechnen, bevor irgendwer „wir stellen um“ sagt.
• → Carbon nur dort einsetzen, wo ein Fehler wirklich teuer ist. Für den Rest reicht das kleinere Werkzeug.

Bottom Line: Das stärkste Modell ist nicht das richtige Modell, und ab dem 1. Dezember kostet der Irrtum doppelt.