Google kembali meningkatkan persaingan model AI dengan merilis Gemini 4 Argon, model frontier terbaru dalam keluarga Gemini. Berbeda dari model AI yang sekadar mengejar kemampuan menjawab pertanyaan, kali ini Google terlihat semakin serius mengarahkan Gemini untuk coding, AI agent, dan pekerjaan kompleks yang membutuhkan banyak langkah.
Gemini 4 Argon sebenarnya sudah diperkenalkan pada 30 September 2026, tetapi saat itu aksesnya masih terbatas untuk sejumlah pakar keamanan siber melalui Fairwind Program. Google kemudian membuka akses Gemini 4 Argon secara lebih luas secara global pada 13 Oktober 2026 untuk developer, perusahaan, peneliti, hingga pengguna Gemini berbayar.
Buat saya, bagian menarik dari Gemini 4 Argon bukan sekadar skor benchmark yang lebih tinggi. Arah pengembangannya memperlihatkan bagaimana Google mulai mempersiapkan Gemini sebagai AI yang tidak hanya menerima pertanyaan dan menghasilkan jawaban, tetapi juga mampu mengerjakan pekerjaan dalam durasi panjang secara lebih mandiri.
Apa Itu Gemini 4 Argon?
Gemini 4 Argon adalah model reasoning flagship terbaru Google yang dirancang untuk menangani pekerjaan kompleks seperti software engineering, coding, matematika, sains, pekerjaan enterprise, hingga AI agent yang menjalankan tugas bertahap.
Google menyebut Argon sebagai model yang dapat mempertahankan proses reasoning untuk workflow berdurasi panjang. Artinya, model ini tidak hanya cocok untuk pertanyaan sederhana seperti membuat fungsi PHP atau menjelaskan error Python, tetapi juga untuk pekerjaan yang membutuhkan analisis terhadap banyak file, menjalankan tool, mengecek hasil, memperbaiki kesalahan, lalu melanjutkan pekerjaan berikutnya.
Kalau model AI sebelumnya lebih sering kita perlakukan seperti chatbot, Gemini 4 Argon mulai diarahkan menjadi semacam pekerja digital yang dapat mengikuti sebuah pekerjaan dari awal hingga selesai.
Google Terlihat Serius Menggarap Coding
Salah satu fokus terbesar Gemini 4 Argon adalah coding. Google secara khusus menyebut software engineering dunia nyata sebagai salah satu area utama yang ingin ditangani model ini.
Ini penting karena coding dengan AI sekarang sudah mulai bergeser. Tantangannya bukan lagi sekadar meminta AI membuat potongan kode seperti:
“Buatkan fungsi login menggunakan PHP.”
Penggunaan AI di dunia software development mulai mengarah ke pekerjaan seperti membaca codebase yang besar, menemukan bagian kode yang berhubungan, melakukan refactoring, menjalankan testing, memperbaiki error, hingga melakukan migrasi sistem.
Gemini 4 Argon memang didesain untuk pekerjaan semacam ini. Google menyebut model tersebut dapat menangani workflow jangka panjang seperti code migration, refactoring codebase besar, optimasi software, dan pekerjaan engineering bertahap lainnya.
Bahkan Google sudah menggunakan Argon untuk sejumlah pekerjaan engineering internal. Salah satu contohnya adalah membantu tim Chrome memisahkan bagian tertentu dari sekitar 6 juta baris kode legacy yang berada di dalam codebase Chromium yang ukurannya sekitar 40 juta baris.
Ini sudah jauh berbeda dibanding penggunaan chatbot AI untuk membuat snippet kode sederhana.
Coding dengan AI Mulai Berubah Menjadi Agentic Coding
Istilah yang sekarang semakin sering muncul adalah agentic coding.
Kalau coding assistant biasa bekerja ketika pengguna memberikan prompt, AI agent dapat menerima sebuah tujuan kemudian melakukan beberapa langkah pekerjaan sendiri. Agent bisa membaca file, menggunakan terminal, memanggil tool, menjalankan kode, mengecek hasil, lalu melanjutkan langkah berikutnya.
Nah, Gemini 4 Argon memang dibangun dengan kemampuan seperti ini.
Dalam dokumentasi resminya, Gemini 4 Argon mendukung beberapa kemampuan yang penting untuk sistem AI agent, termasuk:
- Function calling
- Code execution
- File search
- Search grounding
- URL context
- Structured output
- Computer use dalam tahap preview
- Reasoning dengan tingkat low, medium, dan high
Kemampuan tersebut membuat model tidak hanya menghasilkan teks. Developer dapat menghubungkan Gemini 4 Argon dengan berbagai tool agar model bisa melakukan tindakan berdasarkan hasil reasoning-nya.
Dan menurut saya, justru di sinilah Gemini 4 Argon menjadi lebih menarik.
Google Antigravity Jadi Bagian Penting Gemini 4 Argon
Untuk mendorong penggunaan AI agent dalam software development, Google juga mengintegrasikan Argon dengan Google Antigravity, platform development yang memang dibuat dengan pendekatan agent-first.
Melalui Antigravity, developer dapat memberikan pekerjaan kepada AI agent dan membiarkannya mengerjakan beberapa tahapan engineering secara lebih mandiri. Gemini 4 Argon menjadi salah satu model utama yang menjalankan proses reasoning di belakang workflow tersebut.
Google mengklaim penggunaan Argon melalui Antigravity pada tim internal telah membantu meningkatkan agentic code submissions lebih dari 35%, sementara jumlah code rollback turun hampir sepertiga. Tentu angka tersebut berasal dari penggunaan internal Google, sehingga belum tentu hasilnya akan sama untuk semua developer.
Tetapi data tersebut memberikan gambaran mengenai arah yang ingin dicapai Google.
Targetnya bukan sekadar membuat programmer mengetik kode lebih cepat, melainkan membuat AI mampu mengambil porsi pekerjaan engineering yang sebelumnya membutuhkan banyak langkah manual.
Gemini Sekarang Bisa Beralih dari Chat Menjadi Task
Pendekatan AI agent juga mulai dibawa Google ke pengguna Gemini biasa.
Pada aplikasi Gemini, Google memperkenalkan kemampuan untuk berpindah dari chat ke tasks. Ketika menggunakan mode tasks, pengguna dapat memberikan pekerjaan kepada Gemini lalu membiarkan AI mengerjakannya meskipun pengguna sedang tidak berada di depan komputer.
Gemini juga sudah dapat terhubung dengan lebih dari 40 aplikasi dan layanan. Google memberikan contoh penggunaan seperti memesan kebutuhan sehari-hari, melakukan reservasi, mendesain sesuatu, hingga membantu menjalankan aktivitas bisnis.
Dengan kata lain, konsepnya perlahan berubah dari:
Kita bertanya → AI menjawab
menjadi:
Kita memberikan tujuan → AI mengerjakan tugas
Menurut saya, perubahan kecil ini justru cukup penting untuk melihat arah perkembangan AI beberapa tahun ke depan.
Punya Batas Hingga 1 Juta Token
Gemini 4 Argon juga memiliki kapasitas yang sangat besar untuk menangani pekerjaan panjang.
Dokumentasi Gemini API mencantumkan unified token limit hingga 1.048.576 token, sedangkan Google menyebutnya sebagai batas terpadu input-output 1 juta token untuk workflow yang membutuhkan proses reasoning panjang.
Kapasitas sebesar ini penting terutama untuk coding dan AI agent.
Bayangkan sebuah agent harus membaca berbagai dokumentasi, source code, log error, hasil testing, serta informasi dari tool lain sebelum bisa mengambil keputusan. Semakin panjang pekerjaan yang dilakukan, semakin besar pula kebutuhan model untuk mempertahankan konteks selama proses berlangsung.
Tetapi perlu diingat, context besar tidak otomatis berarti seluruh pekerjaan akan selalu benar. Developer tetap perlu membuat workflow, permission, testing, dan mekanisme verifikasi yang baik sebelum menyerahkan pekerjaan penting kepada AI agent.
Bukan Cuma Coding
Meskipun coding menjadi salah satu bagian yang cukup ditonjolkan, kemampuan Gemini 4 Argon sebenarnya jauh lebih luas.
Google mengembangkan model ini untuk beberapa kategori pekerjaan kompleks, seperti:
- Software engineering
- Keuangan
- Hukum
- Cybersecurity
- Matematika
- Sains
- Penelitian
- Workflow enterprise
Gemini 4 Argon bahkan menempati posisi pertama dalam Vals Index ketika Google merilisnya. Benchmark tersebut mengevaluasi kemampuan model AI dalam berbagai pekerjaan profesional seperti coding, finance, legal, dan perpajakan.
Tetapi seperti biasa, saya tidak menyarankan menjadikan benchmark sebagai satu-satunya patokan untuk menentukan model AI terbaik.
Kinerja nyata tetap tergantung pada jenis pekerjaan, prompt, tool yang digunakan, integrasi agent, biaya token, hingga seberapa baik model menangani project kita sendiri.
Cybersecurity Juga Mendapat Perhatian Besar
Ada satu area lain yang sangat ditekankan Google, yaitu cybersecurity.
Sebelum membuka Argon secara luas, Google bahkan memberikan akses awal kepada sejumlah pakar keamanan melalui Fairwind Program. Model tersebut digunakan untuk membantu menemukan serta memperbaiki kerentanan keamanan pada sistem.
Kemampuan AI agent seperti ini tentunya membawa risiko baru. Agent yang bisa membaca website, email, dokumen, source code, dan menjalankan tool juga berpotensi menjadi sasaran prompt injection.
Google mengatakan Argon sudah melalui adversarial training dan automated red teaming untuk meningkatkan ketahanannya terhadap serangan tersebut. Pada benchmark Gray Swan Indirect Prompt Injection, Google melaporkan tingkat keberhasilan serangan turun menjadi 0,7% setelah 15 adaptive attempts.
Tetap saja, angka benchmark bukan berarti AI agent menjadi kebal terhadap serangan. Untuk penggunaan nyata, terutama jika agent mendapatkan akses terminal, server, email, atau data perusahaan, pembatasan permission tetap sangat penting.
Gemini 4 Argon Bisa Digunakan di Mana?
Mulai 13 Oktober 2026, Google membuka akses Gemini 4 Argon secara global melalui beberapa layanan.
Untuk developer, model tersedia melalui Gemini API berbayar di Google AI Studio. Pengguna Google AI Ultra juga dapat mengaksesnya melalui Google Antigravity, sedangkan pelanggan Google AI Pro dan Ultra dapat menggunakan Argon melalui aplikasi Gemini serta AI Mode di Google Search.
Google juga menyediakan model tersebut untuk kebutuhan enterprise melalui layanan Gemini untuk bisnis dan infrastruktur Google Cloud. Jadi target Argon memang cukup luas, mulai dari pengguna Gemini biasa hingga developer dan perusahaan.
Kalau hanya ingin mencoba kemampuan reasoning-nya, aplikasi Gemini tentu menjadi cara paling mudah. Tetapi untuk benar-benar memanfaatkan kemampuan agentic-nya, penggunaan API atau platform seperti Antigravity akan jauh lebih menarik.
Berapa Harga API Gemini 4 Argon?
Google memasang harga perkenalan Gemini 4 Argon sebesar:
- US$2 per 1 juta token input
- US$10 per 1 juta token output
- Cached input mendapatkan diskon 95%
Harga tersebut berlaku sebagai tarif perkenalan hingga 30 November 2026. Setelah periode tersebut berakhir, tarif model Argon yang tersedia untuk publik akan menjadi US$4 per satu juta token input dan US$20 per satu juta token output.
Bagi developer AI agent, biaya output menjadi sesuatu yang perlu diperhatikan.
Agent biasanya tidak hanya melakukan satu kali request. Dalam satu pekerjaan, model bisa melakukan puluhan bahkan ratusan langkah internal seperti membaca data, menggunakan tool, mengevaluasi hasil, lalu melakukan reasoning lagi.
Karena itu, harga token murah belum tentu membuat keseluruhan workflow agent menjadi murah jika jumlah pemanggilan model sangat besar.
Apakah Gemini 4 Argon Cocok untuk Pengguna Biasa?
Bisa, tetapi menurut saya peningkatan terbesar Gemini 4 Argon justru akan lebih terasa bagi developer dan pengguna yang benar-benar memanfaatkan AI untuk menyelesaikan pekerjaan kompleks.
Jika pengguna hanya meminta AI membuat caption, menerjemahkan teks, atau menjawab pertanyaan sederhana, kemampuan reasoning panjang dan agentic workflow milik Argon mungkin tidak terlalu terasa.
Sebaliknya, perbedaannya akan lebih relevan ketika AI digunakan untuk:
- mengembangkan aplikasi,
- menganalisis project coding besar,
- melakukan debugging,
- menjalankan berbagai tool,
- mengolah banyak dokumen,
- melakukan riset bertahap,
- atau menjadi AI agent yang menjalankan pekerjaan secara mandiri.
Di sinilah saya melihat posisi Gemini 4 Argon mulai berbeda dibanding sekadar chatbot AI.
AI Bukan Lagi Hanya Soal Siapa yang Paling Pintar Menjawab
Peluncuran Gemini 4 Argon menurut saya menunjukkan perubahan menarik dalam persaingan AI.
Beberapa tahun terakhir, kita sering membandingkan model berdasarkan kemampuan menjawab pertanyaan atau skor benchmark. Sekarang persaingannya mulai bergeser ke pertanyaan yang berbeda: seberapa baik sebuah AI bisa benar-benar menyelesaikan pekerjaan?
Untuk mencapai itu, kemampuan reasoning saja tidak cukup.
Model juga membutuhkan kemampuan menggunakan tool, membaca konteks besar, mempertahankan pekerjaan dalam waktu lama, menulis dan menjalankan kode, berinteraksi dengan aplikasi lain, serta mengetahui kapan harus melanjutkan atau memperbaiki pekerjaannya.
Gemini 4 Argon terlihat dibangun mengikuti arah tersebut.
Gemini 4 Argon mungkin belum membuat programmer tinggal memberikan satu prompt lalu semua pekerjaan selesai sempurna. Namun dari arah pengembangannya, kita sudah bisa melihat bahwa agentic coding dan AI agent akan menjadi medan persaingan besar berikutnya bagi model-model AI.
Referensi : https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-4-argon/
