Gemini 4 Argon: un millón de tokens de salida, ¿y ahora qué?

Antes, la carrera era la ventana de contexto. Gemini 4 Argon desplaza la atención al otro extremo del modelo: cuánto puede producir de una sola vez. El 30 de septiembre, Google DeepMind presentó Argon con un límite de salida de un millón de tokens, frente a 64.000. Es una respuesta del tamaño de un libro. La pregunta más interesante para el marketing es qué tipo de trabajo necesita algo así.

Qué ha pasado

En el anuncio de Google, Koray Kavukcuoglu describe Argon como el modelo de frontera de Google “para la programación del mundo real, el trabajo del conocimiento en las empresas y la ciberdefensa”. El límite de tokens de salida se amplía a 1M, y el modelo está diseñado para tareas largas y de varios pasos en ingeniería de software, trabajo jurídico y financiero y ciberseguridad, con una sólida comprensión visual, como el análisis de gráficos y la comprensión de vídeos largos.

El despliegue es inusual. Argon llega primero a un grupo de ciberdefensores de confianza a través del Fairwind Program de Google, y se prevé un acceso más amplio para desarrolladores, empresas y consumidores, empezando por los clientes de pago de la API y los suscriptores de Google AI Ultra. El precio de lanzamiento es de 2 US$ por millón de tokens de entrada y 10 US$ por millón de tokens de salida, que suben a 4 y 20 US$ tras el periodo de lanzamiento, con un 95 % de descuento en la entrada almacenada en caché.

Google enumera resultados de benchmarks, entre ellos un 77,9 % en DeepSWE v1.1 y un 91,7 % en el benchmark de vídeo largo LVBench, y describe usos internos como grandes migraciones de código. También describe medidas de seguridad, como la vigilancia del uso indebido y del desalineamiento y la resistencia frente a la inyección indirecta de prompts. Son resultados de la propia Google.

Por qué importa

Un millón de tokens de salida no sirve para escribir entradas de blog más largas. Las salidas largas importan cuando el trabajo consiste en producir un artefacto completo en una sola pasada coherente: la migración de toda una base de código, un conjunto de contratos, un gran conjunto de datos estructurados. En marketing, los equivalentes más cercanos son cosas como reescribir un catálogo de productos completo, localizar todo un sitio web o una biblioteca de campaña con cientos de variantes coordinadas.

La comprensión de vídeos largos es, para mí, la capacidad más útil de forma inmediata. El vídeo domina las plataformas sociales, y la mayoría de las marcas todavía lo analizan viendo muestras y tomando notas. Un modelo capaz de leer vídeos largos de forma fiable, a escala, abre análisis de la competencia y de la categoría que antes era imposible hacer a fondo.

Y el despliegue que empieza por la ciberseguridad es una señal de dónde creen los laboratorios de frontera que está el riesgo. Cuando un laboratorio da acceso a los defensores antes que a nadie, le está diciendo que el modelo es lo bastante capaz como para importar también a los atacantes.

Lo que dice mi investigación

Gran parte de mi investigación ha tratado sobre multimedia social, no solo sobre texto. Al principio construimos bBridge (ACM Multimedia 2016), una plataforma de big data para analizar multimedia social en distintas redes. Más recientemente, en SOEX: Explainable AI for Competitor Communications Analytics (WWW 2025 Companion), nos centramos en explicar qué comunican los competidores y por qué funciona.

La lección de ese trabajo es que la escala del análisis es solo la mitad del problema. Un modelo capaz de ver mil vídeos de la competencia todavía tiene que responder a las preguntas que importan a un estratega: qué mensajes se repiten, cuáles funcionan, a qué audiencia se dirigen y qué hueco queda libre. Los modelos de contexto largo y salida larga abaratan la lectura y la escritura. El planteamiento y la validación siguen siendo la aportación humana, apoyada en datos de rendimiento.

Añadiría una advertencia. Las salidas muy largas son difíciles de comprobar. Un documento generado de 200 páginas puede ser correcto en un 98 % y aun así contener la única afirmación que le meta en problemas. Cuanto más larga es la salida, más necesita estructura, muestreo y comprobaciones automatizadas.

Cómo usaría yo un modelo de largo horizonte en marketing

• Auditorías de vídeo de la categoría. Pida conclusiones estructuradas sobre un conjunto completo de vídeos de la competencia: ganchos, afirmaciones, formatos, llamadas a la acción. Después valide una muestra a mano.
• Bibliotecas de recursos coordinados. Genere en una sola pasada un conjunto completo de variantes para una campaña, para que el tono y las afirmaciones se mantengan coherentes, y revíselas con una lista de comprobación.
• Borradores de localización de sitios completos. Produzca borradores completos para nuevos mercados y haga que revisores nativos comprueben primero las páginas con más tráfico.
• Documentos largos con índice. Exija al modelo una tabla de afirmaciones con sus fuentes, para que las personas puedan verificar rápidamente las partes de riesgo.

La cifra estrella de Argon impresiona. El valor para el marketing vendrá de combinar esa capacidad con la disciplina de comprobar lo que sale.

Preguntas frecuentes