Gemini 4 Carbon ändert heute nichts an Ihrem Stack

Jemand aus dem Vertrieb schickt Ihnen am Montag einen Link: „Google hat das beste KI-Modell der Welt rausgebracht, können wir das nutzen?" Nein. Gemini 4 Carbon kann außerhalb eines Google-Programms niemand aufrufen, und wann sich das ändert, hat Google nicht gesagt⁠^{1, 2}. Interessant ist die Ankündigung trotzdem, aber aus einem anderen Grund als dem, den der Link verspricht.

Gemini 4 Carbon ist angekündigt und für fast niemanden nutzbar

Google DeepMind hat Gemini 4 Carbon am 28. Oktober 2026 vorgestellt, mit Schwerpunkt auf Cybersicherheit, Programmierung und lang laufenden Agenten-Aufgaben⁠^{2, 3}. Zugang bekommt zunächst eine ausgewählte Gruppe von Cybersicherheitsfachleuten, danach soll es schrittweise über das Fairwind-Programm weitergehen. Für Entwickler, Unternehmen und Verbraucher nennt Google kein Datum⁠^{1, 2}.

Stand 29. Oktober 2026 gibt es weder eine öffentliche Modell-ID noch eine Modellkarte, und in der Modellliste der Gemini-API sowie auf Googles Preisseite taucht Gemini 4 Carbon nicht auf⁠^{4, 5}. Für ein mittelständisches Unternehmen ist das keine Produktentscheidung. Es ist eine Lektion über Modellbetrieb, und die können Sie sofort gebrauchen.

Der Modellname sagt Ihnen nicht mehr, was das Modell tut

„Gemini 4" ist eine Generationsbezeichnung ohne eigenen Endpunkt. „Gemini 4 Argon" ist seit dem 13. Oktober 2026 unter der Kennung gemini-4-argon aufrufbar. „Gemini 4 Carbon" ist bisher nichts als eine Pressemitteilung⁠⁴. Gleiche Wortmarke, völlig verschiedene Dinge.

Google liefert Varianten statt Versionen. Fünfzehn Tage Abstand, gleiche Generationsnummer, gleicher Listenpreis, gleiches Kontextfenster von einer Million Tokens, anderer Fähigkeitsmix⁠⁵. Niemand hat das zweite Modell Gemini 4.1 genannt, obwohl genau das die Erwartung wäre.

Hier beginnt Ihr Problem. Wer in seiner Integration einen Alias aufruft statt einer festgenagelten Kennung, bekommt nach einem stillen Refresh andere Gewichte, ohne dass sich eine Zeile im eigenen Code geändert hätte⁠^{4, 5}. Die Rechnungsprüfung, die im Juni sauber lief, liefert im November andere Ergebnisse. Und niemand im Haus kann erklären, warum.

Was Google misst, was Dritte messen, und wo die Zahlen auseinandergehen

Unabhängig gemessen: Im Artificial Analysis Intelligence Index v5 erreicht Carbon 59 Punkte, Gemini 4 Argon 50, bei Kosten von 7,76 US-Dollar gegenüber 7,68 US-Dollar je Indexaufgabe, Stand 29. Oktober 2026⁠⁵.

Ebenfalls unabhängig gemessen, aber selten zitiert: Bei der Halluzinationsrate schneidet Carbon schlechter ab als Gemini 4 Argon⁠⁵. Im Coding Agent Index kommt Carbon auf 59 und liegt damit hinter Claude Code mit Claude Opus 5.5 bei 62⁠^{4, 5}. Das neue Spitzenmodell ist auf genau der Achse schlechter geworden, die im Betrieb weh tut.

Die Zahlen, die überall stehen, stammen dagegen von Google selbst: SEC-bench Pro 88,2 statt 83,4 Prozent, ExploitGym 54,8 statt 42,0 Prozent, CWE-bench 71,0 statt 68,0 Prozent, laut Google ohne Guardrails gemessen⁠^{5, 2}. Der viel zitierte zehnfache Vorsprung beim Patchen ist eine Einschätzung des Google-Chrome-Teams gegenüber einem ungenannten Konkurrenzmodell, ohne veröffentlichte Methode⁠^{5, 2}. Wer so etwas in ein Budget schreibt, kauft eine Erzählung.

Warum wir mehrere Modelle gegeneinander rechnen lassen

Bei asseko.ai bewerten fünf KI-Modelle im Konsens Tarife der privaten Krankenversicherung nach rund 375 Kriterien. Die Fehlerquote sank von etwa 5 Prozent auf unter 0,1 Prozent, jede Aussage ist mit Originalzitat aus den Allgemeinen Versicherungsbedingungen belegt⁠⁶. Der Grund für diese Architektur ist exakt der Effekt, den Gemini 4 Carbon vorführt: Ein einzelnes Modell kann im Index steigen und bei Halluzinationen gleichzeitig schlechter werden⁠⁵.

Dazu kommt das Preisrisiko, und das ist datiert. Der Einführungspreis liegt bei 2 US-Dollar je Million Input-Tokens und 10 US-Dollar je Million Output-Tokens, danach verdoppelt er sich auf 4 und 20. Bei Argon endet die Einführungsphase laut Googles Preisseite am 1. Dezember 2026, bei Carbon ist kein Enddatum genannt⁠^{5, 1, 2}.

Unsere Position: Wer KI in einem Geschäftsprozess betreibt, braucht eine austauschbare Modellschicht und ein datiertes Eval-Set, gegen das jedes Update läuft. Dazu einen Audit-Trail, der zeigt, welche Kennung wann geantwortet hat. Sonst ist jede Modellankündigung ein Betriebsrisiko statt einer Option.

Was Sie diese Woche tun sollten und was Sie lassen können

Lassen Sie das Warten auf Gemini 4 Carbon. Es gibt keine Kennung und kein Freigabedatum, also nichts, womit sich planen ließe⁠^{4, 5, 1}. Dasselbe gilt für Angebote, in denen „Gemini 4" oder „Gemini 4 Carbon" als Leistungsversprechen steht: Fragen Sie nach der Modell-ID, nach der Preisliste samt Enddatum und danach, ob der Zugang beschränkt ist⁠^{4, 5}.

Sinnvoll ist dagegen ein Blick in den eigenen Code. Prüfen Sie in jeder laufenden Integration, ob eine feste Kennung oder ein Alias aufgerufen wird, und legen Sie ein datiertes Testset an, gegen das jedes Modell-Update läuft⁠^{4, 5}. Wer heute mit 2 US-Dollar je Million Input-Tokens kalkuliert, rechnet ab dem 1. Dezember 2026 mit 4⁠^{5, 1}. Und behandeln Sie Googles Cybersicherheits-Benchmarks als das, was sie sind, nämlich ohne Guardrails gemessene Rohfähigkeit, nicht das Verhalten eines produktiven Systems⁠^{5, 2}.

Wenn Sie wissen wollen, wie stabil Ihre KI-Integration wirklich ist

Welche Modell-Kennungen laufen gerade in Ihren Systemen, und was passiert, wenn der Anbieter den Preis verdoppelt oder die Gewichte austauscht? Wenn Sie bisher nur ChatGPT im Browser nutzen, brauchen Sie keine Modellarchitektur, sondern erst einmal einen sauberen Prozess. Das sagen wir Ihnen dann auch. Wie austauschbare Modellschichten im Dauerbetrieb aussehen, wissen wir aus eigenen Produkten unter realer Last⁠⁷.

Gehen Sie die Fragen in 30 Minuten direkt mit dem Gründer Dawid Sochacki durch, kostenlos⁠^{8, 9}: Potenzial-Check buchen. Antwort werktags innerhalb von 24 Stunden, telefonisch unter 06257 / 9179 400 werktags von 9 bis 17 Uhr⁠⁹.