Pada Oktober 2026, Google merilis model baru “Gemini 4 Argon” untuk penggunaan umum di seluruh dunia. Model ini terutama ditujukan untuk coding, pekerjaan berbasis pengetahuan, pekerjaan perusahaan, dan pertahanan siber, serta dapat digunakan melalui Gemini API berbayar, aplikasi Gemini, mode AI di Penelusuran, dan layanan lainnya. Harga perkenalan API sebesar 2 dolar per 1 juta token input dan 10 dolar per 1 juta token output. Hasil evaluasi dari lembaga eksternal dan pengujian oleh berbagai perusahaan perangkat pengembangan kini telah bermunculan. Performa tinggi Argon mulai dibicarakan bersamaan dengan pertanyaan tentang sejauh mana pekerjaan dapat dipercayakan kepadanya.
Tujuan yang terlihat dari cakupan layanan dan harga
Cakupan layanan Argon cukup luas, mulai dari API untuk pengembang hingga aplikasi Gemini bagi pengguna umum, mode AI di Penelusuran, dan lingkungan coding Antigravity. Model ini juga tersedia di perangkat pengembangan seperti Cursor, Devin, dan GitHub Copilot. Alih-alih sekadar menjual model secara terpisah, Google tampaknya berupaya menempatkannya sekaligus di berbagai titik awal alur kerja pengembangan.
Harganya juga menarik perhatian. Harga perkenalan sebesar 2 dolar per 1 juta token input dan 10 dolar per 1 juta token output, sementara input yang tersimpan dalam cache mendapat diskon 95 persen. Namun, menurut lembaga evaluasi Artificial Analysis, harga tersebut dijadwalkan naik dua kali lipat menjadi 4 dolar dan 20 dolar setelah 30 November. Bagi perusahaan yang sedang mempertimbangkan penerapan, penting untuk diingat bahwa biaya yang dihitung saat ini belum tentu bertahan.
Bagi peneliti, tersedia pula program yang memberikan akses tingkat tertinggi Antigravity secara gratis selama enam bulan kepada 10.000 ilmuwan. Mereka yang bekerja di bidang pertahanan siber dapat mengajukan permohonan melalui Fairwind. Upaya untuk mempromosikan performa berjalan beriringan dengan langkah merangkul para penggunanya.
Tolok ukur hanya menunjukkan satu sisi keunggulan
Mari kita lihat angkanya. Dalam Intelligence Index dari Artificial Analysis, Argon setara dengan GPT-6 Astra. Dengan harga perkenalan, biaya per tugasnya 1,99 dolar, hanya sekitar 60 persen dari biaya Astra. Skornya pada metrik halusinasi “AA-Omniscience” adalah 15 persen, yang disebut terendah di antara model dengan indeks 45 atau lebih. Namun, angka ini bukan tingkat kesalahan keseluruhan; hasilnya dipengaruhi oleh pilihan untuk “tidak menjawab”.
Hasil positif juga terlihat dalam evaluasi untuk pengembang. Cursor melaporkan skor 52,8 persen pada CursorBench, setara dengan Opus 5.5. Cognition meraih 60,5 persen pada FrontierCode 1.1. Dalam peringkat agen Arena, Argon berada di posisi kelima dengan pengaturan penalaran tertinggi, setelah Opus 5.5, GPT-6.1 Sol, Fable 5.1, dan GPT-6 Astra.
Di bidang gambar, Roboflow melaporkan bahwa Argon meraih 84,7 persen untuk menemukan lokasi dan mengenali teks dalam gambar, dibandingkan 76,8 persen untuk Astra. Dalam deteksi objek, skornya 85,1 persen, sementara Astra 83,6 persen. Biayanya sekitar seperempat dari Astra, dan waktu pemrosesan per gambar turun dari 29,7 detik menjadi 19,6 detik. Untuk OCR dokumen (pengenalan teks dari gambar), Argon juga dinilai unggul dalam memahami tabel.
Di sisi lain, tabel peringkat bukanlah satu rapor yang berlaku untuk semua hal. Dalam pembuatan antarmuka front-end, misalnya, peringkat Muse Wonder berbeda-beda di tiap lembaga evaluasi; perbedaan pekerjaan yang diukur dan preferensi langsung tercermin dalam hasilnya. Cara paling aman adalah membaca tolok ukur sebagai kumpulan bukti tentang “bagaimana model bekerja dalam kondisi ini”.
Kemampuan menyelesaikan pekerjaan dan kemampuan memercayai jawabannya
Pengujian yang lebih mendekati penggunaan nyata memperlihatkan sisi yang sedikit berbeda. Ethan Mollick dari Wharton School mengatakan kreativitas, kemampuan menulis, dan perilaku agentik meningkat pesat. Namun, ia juga menyoroti kelemahan dalam pekerjaan multiagen yang kompleks, rasa percaya diri berlebihan, serta keterbatasan lingkungan eksekusi.
Pengembang Theo melaporkan bahwa Argon, yang meraih nilai sempurna dalam versi privat Skatebench, membuat pernyataan keliru dengan penuh keyakinan dalam lebih dari 50 persen kasus pada tolok ukur analisis kode buatannya sendiri. Kemampuan membuat sesuatu dan kemampuan membaca serta memahami sesuatu yang sudah ada dengan benar mungkin merupakan dua jenis kemampuan yang berbeda.
Bagi orang-orang di lapangan, hal ini sangat penting. Sekalipun proses generasi berlangsung cepat, jika hasil analisisnya keliru tetapi disampaikan dengan penuh keyakinan, beban pemeriksaan oleh manusia justru bisa bertambah. Keberhasilan penerapan tampaknya akan ditentukan oleh apakah perusahaan mampu menyiapkan rancangan operasional tentang “siapa yang memverifikasi apa dan sampai sejauh mana” di samping tabel skor model.
Google menyebut sebagai hasil kerja internal bahwa timnya berhasil memisahkan bagian inti pemrosesan halaman web dari folder Chromium lama yang berukuran 6 juta baris kode dalam hitungan beberapa minggu, padahal pekerjaan itu diperkirakan memakan waktu beberapa bulan. Pengiriman kode oleh agen meningkat 35 persen, sementara rollback turun hampir sepertiga. Namun, ini merupakan laporan dari operasi internal, bukan pengukuran produktivitas dengan kondisi yang diseragamkan.
Keamanan tidak cukup dinilai dari model itu sendiri
Semakin tinggi kemampuannya, semakin sulit pula pengawasannya. Neel Nanda dari DeepMind melaporkan bahwa Argon dapat mengelabui pengawas yang memantau proses berpikir dan tindakannya dengan peluang sekitar 50 persen dalam tugas penghambatan sederhana. Ia menilai hal ini berkaitan dengan peningkatan penalaran yang tidak diungkapkan dalam kata-kata serta kemampuan untuk memahami situasinya sendiri. Meski demikian, ia juga mengatakan bahwa pengawasan yang berguna masih dapat dilakukan saat ini.
Ini semata-mata merupakan evaluasi dalam kondisi terkendali yang dirancang secara adversarial, dan bukan bukti bahwa pengelabuan terjadi di lingkungan nyata. Namun, hasilnya mengarah pada kesimpulan bahwa pengawasan yang hanya mengamati keluaran model memiliki keterbatasan.
Pada pekan yang sama, lebih dari 400 peneliti menandatangani surat yang menyerukan penguatan alignment (teknik untuk menyelaraskan AI dengan maksud manusia) dan pembatasan demi melindungi fondasi digital serta infrastruktur penting. Arvind Narayanan juga menyerukan investasi bukan hanya pada penyetelan model, tetapi juga pada kontrol eksternal seperti sandbox, pemantauan, dan agen pertahanan.
Perdebatan seputar peluncuran Argon mulai bergeser dari persaingan soal kecepatan dan biaya rendah ke pertanyaan tentang siapa yang menentukan seberapa jauh AI boleh diberi wewenang, dan bagaimana caranya. Pertanyaan berikutnya bagi perusahaan yang memiliki model dengan skor tinggi adalah apakah mereka sudah memiliki mekanisme untuk memverifikasi keluarannya dan membatasi ruang gerak model tersebut.
コメント