Gemini 4 Argon: Eine Million Output-Tokens — und jetzt?

Früher ging das Wettrennen um Kontextfenster. Gemini 4 Argon lenkt die Aufmerksamkeit auf das andere Ende des Modells: wie viel es in einem Durchgang erzeugen kann. Am 30. September stellte Google DeepMind Argon mit einem Output-Limit von einer Million Tokens vor, nach zuvor 64.000. Das ist eine Antwort in Buchlänge. Die interessantere Frage für Marketer ist, welche Art von Arbeit eine solche braucht.

Was passiert ist

In Googles Ankündigung beschreibt Koray Kavukcuoglu Argon als Googles Frontier-Modell „für reales Programmieren, Wissensarbeit in Unternehmen und Cyberabwehr“. Das Output-Token-Limit steigt auf 1M, und das Modell ist für lange, mehrstufige Aufgaben in Softwareentwicklung, Rechts- und Finanzarbeit sowie Cybersicherheit ausgelegt, mit starkem visuellem Verständnis etwa bei der Diagrammanalyse und dem Verständnis langer Videos.

Der Rollout ist ungewöhnlich. Argon geht zuerst über Googles Fairwind Program an ausgewählte vertrauenswürdige Cyberverteidiger; ein breiterer Zugang für Entwickler, Unternehmen und Verbraucher ist geplant, beginnend mit zahlenden API-Kunden und Abonnenten von Google AI Ultra. Der Einführungspreis liegt bei 2 US$ pro Million Input-Tokens und 10 US$ pro Million Output-Tokens und steigt nach der Einführungsphase auf 4 US$ bzw. 20 US$, mit 95 % Rabatt auf gecachten Input.

Google nennt Benchmark-Ergebnisse, darunter 77,9 % auf DeepSWE v1.1 und 91,7 % auf dem Long-Video-Benchmark LVBench, und beschreibt interne Anwendungen wie große Code-Migrationen. Zudem beschreibt es Sicherheitsmaßnahmen, darunter die Überwachung auf Missbrauch und Fehlausrichtung sowie Widerstandsfähigkeit gegen indirekte Prompt Injection. Es handelt sich um Googles eigene Ergebnisse.

Warum das wichtig ist

Bei einer Million Output-Tokens geht es nicht darum, längere Blogbeiträge zu schreiben. Lange Ausgaben sind wichtig, wenn die Aufgabe darin besteht, ein vollständiges Artefakt in einem kohärenten Durchgang zu erzeugen: eine komplette Codebase-Migration, ein Vertragswerk, einen großen strukturierten Datensatz. Im Marketing sind die nächsten Entsprechungen etwa die vollständige Überarbeitung eines Produkt-Feeds, die komplette Lokalisierung einer Website oder eine Kampagnenbibliothek mit Hunderten aufeinander abgestimmter Varianten.

Das Verständnis langer Videos ist für mich die unmittelbar nützlichere Fähigkeit. Video dominiert die sozialen Plattformen, und die meisten Marken analysieren es noch, indem sie Stichproben ansehen und Notizen machen. Ein Modell, das lange Videos zuverlässig und in großem Maßstab lesen kann, eröffnet Wettbewerbs- und Kategorieanalysen, die früher nicht gründlich machbar waren.

Und der Rollout mit Vorrang für Cybersicherheit ist ein Signal dafür, wo Frontier-Labore das Risiko sehen. Wenn ein Labor Verteidigern vor allen anderen Zugang gewährt, sagt es Ihnen, dass das Modell leistungsfähig genug ist, um auch für Angreifer relevant zu sein.

Was meine Forschung sagt

Ein Großteil meiner Forschung drehte sich um soziale Multimedia, nicht nur um Text. Früh haben wir bBridge (ACM Multimedia 2016) gebaut, eine Big-Data-Plattform zur netzwerkübergreifenden Analyse sozialer Multimedia. In jüngerer Zeit haben wir uns in SOEX: Explainable AI for Competitor Communications Analytics (WWW 2025 Companion) darauf konzentriert zu erklären, was Wettbewerber kommunizieren und warum es funktioniert.

Die Lehre aus dieser Arbeit: Der Umfang der Analyse ist nur die halbe Herausforderung. Ein Modell, das tausend Wettbewerbsvideos ansehen kann, muss trotzdem die Fragen beantworten, die einen Strategen interessieren: welche Botschaften sich wiederholen, welche funktionieren, welche Zielgruppe sie ansprechen und welche Lücke offen bleibt. Modelle mit langem Kontext und langem Output machen das Lesen und Schreiben günstiger. Die Einordnung und die Validierung bleiben der menschliche Beitrag, gestützt auf Leistungsdaten.

Eine Warnung möchte ich ergänzen. Sehr lange Ausgaben sind schwer zu prüfen. Ein generiertes 200-seitiges Dokument kann zu 98 % stimmen und trotzdem genau die eine Aussage enthalten, die Sie in Schwierigkeiten bringt. Je länger die Ausgabe, desto mehr brauchen Sie Struktur, Stichproben und automatisierte Prüfungen.

Wie ich ein Modell mit langem Horizont im Marketing einsetzen würde

• Video-Audits einer Kategorie. Fordern Sie strukturierte Erkenntnisse über einen vollständigen Satz von Wettbewerbsvideos an: Hooks, Aussagen, Formate, Handlungsaufforderungen. Validieren Sie dann eine Stichprobe von Hand.
• Abgestimmte Asset-Bibliotheken. Erzeugen Sie alle Varianten einer Kampagne in einem Durchgang, damit Tonalität und Aussagen konsistent bleiben, und prüfen Sie sie anhand einer Checkliste.
• Entwürfe für die Lokalisierung ganzer Websites. Erstellen Sie vollständige Entwürfe für neue Märkte und lassen Sie Muttersprachler zuerst die Seiten mit dem meisten Traffic prüfen.
• Lange Dokumente mit Verzeichnis. Verlangen Sie vom Modell eine Tabelle der Aussagen mit Quellen, damit Menschen die riskanten Teile schnell überprüfen können.

Argons Kennzahl ist beeindruckend. Der Wert für Marketer entsteht, wenn diese Kapazität mit der Disziplin verbunden wird, das Ergebnis zu prüfen.

FAQ