Gemini 4 Argon 발표: 업무 자동화 성능과 출시 계획

구글이 제미나이 4 아르곤을 발표했습니다. 업무 자동화·코딩 벤치마크의 의미와 Fairwind 제한 제공, 일반 공개 계획을 살펴봅니다.

구글이 2026년 9월 30일 제미나이 4 아르곤(Gemini 4 Argon)을 발표했습니다. 현재는 보안 협력 프로그램인 Fairwind의 일부 파트너에게 제공하고 있습니다. 구글은 공식 발표문에서 복잡한 코딩과 금융·법률 업무를 오래 이어가는 능력을 강조했습니다.

이번 발표에서 눈여겨볼 부분은 코딩 점수와 함께 기업 업무 자동화를 앞세웠다는 점입니다. 여러 도구를 거쳐 일을 마치는 능력과 전문 분야의 작업 성과를 함께 평가했습니다. 개발자가 코드를 만드는 과정뿐 아니라 회사에서 조사하고 판단하고 문서를 작성하는 과정까지 지원하려는 방향으로 읽힙니다.

코딩과 사무 업무를 함께 평가했다

구글의 모델 비교 표에서 아르곤은 AutomationBench 51.3%, Vals Index 68.9%를 기록했습니다. 코딩 평가인 DeepSWE v1.1은 77.9%, Vibe Code Bench는 91.9%입니다. 아래는 그 표에서 업무 자동화와 코딩에 해당하는 네 항목을 골라 비교한 결과입니다.

평가	Gemini 4 Argon	GPT-6 Astra	Claude Fable 5.1	Claude Opus 5.5
AutomationBench	51.3%	41.4%	31.4%	42.5%
Vals Index	68.9%	63.1%	65.8%	67.0%
DeepSWE v1.1	77.9%	74.1%	67.4%	74.2%
Vibe Code Bench	91.9%	89.6%	90.3%	90.3%

네 항목에서 아르곤이 가장 높은 수치를 보이지만, 구글 표의 모든 항목에서 1위인 것은 아닙니다. FrontierSWE v2와 Terminal-bench 4.0처럼 다른 모델의 점수가 더 높은 평가도 있습니다. 이 표를 모델 전체의 단일 순위로 읽기보다는 어떤 작업에서 차이가 나는지 살펴보는 편이 정확합니다.

Zapier의 AutomationBench는 영업·마케팅·운영·지원·재무·인사 업무에서 여러 앱을 사용해 일을 끝내는 능력을 평가합니다. 최종 상태에 대한 검증 항목을 모두 통과해야 해당 과제를 성공으로 처리합니다. 중간에 일부 단계만 잘 수행한 경우는 대표 점수의 성공 건수에 포함하지 않습니다.

예를 들어 고객의 요청을 읽고 관련 정보를 확인한 뒤 업무 기록을 갱신하는 상황을 생각할 수 있습니다. 이는 평가의 성격을 이해하기 위한 가상 예시입니다. 답변 문장이 그럴듯해도 갱신해야 할 기록이 틀리면 업무가 끝났다고 보기 어렵습니다. 이런 차이 때문에 여러 단계의 작업을 실제로 마쳤는지 확인하는 평가가 필요합니다.

AutomationBench 리더보드는 비공개 평가 세트를 사용합니다. 공개된 600개 과제는 연구·실험용이며, 공식 설명에 따르면 API 모드의 시뮬레이션 앱에서 과제당 최대 50단계로 평가합니다. 아르곤의 51.3%를 독자 회사의 업무 절반을 바로 자동화할 수 있다는 뜻으로 옮길 수는 없습니다.

Vals Index와 코딩 점수는 무엇을 뜻하나

Vals Index는 금융·코딩·법률·세무 분야의 평가를 미국 GDP 기여도에 따라 가중한 지수입니다. 버전 2.1은 비공개 벤치마크 6개와 공개 벤치마크 2개를 결합합니다. 특정 시험 한 종류의 정답률과는 집계 방식이 다릅니다.

구성 항목에는 금융 조사와 엑셀 모델링, 터미널 작업과 코드 이전, 법률 조사와 세무 업무 등이 들어갑니다. Vals가 공개한 리더보드에서도 아르곤은 68.90%로 표시됩니다. 이 수치는 여러 전문 업무의 평가를 종합한 결과로, 실제 경제 전체에서 자동화할 수 있는 비중을 뜻하지 않습니다.

코딩 평가끼리도 측정하는 일이 다릅니다. 구글의 평가 방법론에 따르면 DeepSWE v1.1은 장시간 소프트웨어 엔지니어링 작업을 평가하며, 아르곤 수치는 mini-swe 에이전트 실행 환경에서 구글이 계산했습니다. 비교 모델의 수치는 공개 리더보드나 각 회사의 시스템 카드에서 가져왔습니다.

반면 Vibe Code Bench는 자연어로 적힌 요구사항을 바탕으로 웹 앱을 처음부터 만드는 평가입니다. 앱을 검사하고 화면을 클릭하는 테스트로 요구한 기능이 구현됐는지 확인합니다. Vals 리더보드의 아르곤 점수는 91.91%이며, 구글 비교 표에서는 이를 91.9%로 표시합니다.

구글은 별도 표기가 없으면 단일 시도인 pass@1 결과를 쓰고, 아르곤은 가장 높은 추론 설정으로 평가했다고 설명합니다. 다른 회사 모델은 가능한 한 높은 추론 설정의 수치를 사용했지만, 일부 결과는 제공사의 자체 보고입니다. 같은 표에 있다는 이유만으로 실행 도구·추론량·비용까지 모두 같은 조건이었다고 볼 수는 없습니다.

구글 내부 사례는 대규모 코드 작업에 집중됐다

구글이 소개한 내부 사례에는 양자 알고리즘 최적화, 데이터센터 메모리 절감, C/C++ 코드의 Rust 이전이 포함됩니다. 메모리 최적화는 적용 후 300 TiB 이상을 확보했다고 밝혔습니다. 대규모 코드 재작성은 실제 운영에 반영하기 전에 자동·수동 감사와 테스트를 진행한다고 설명했습니다.

출력 토큰 한도도 기존 64K에서 1M으로 확대한다고 발표했습니다. 여기서 1M은 출력 한도입니다. 입력 문서를 얼마나 넣을 수 있는지를 가리키는 수치와 구분해야 합니다. 구글은 긴 추론과 여러 단계의 문제 해결을 지원하기 위한 변화로 설명했습니다.

이런 사례에서 기업이 확인할 것은 코드 생성 속도뿐 아니라 수정 결과를 검토하는 데 드는 시간입니다. 예를 들어 큰 코드베이스를 다른 언어로 옮기는 작업이라면, 변환된 코드가 기존 기능을 유지하는지 확인하는 과정까지 필요합니다. 구글이 밝힌 감사·테스트 절차도 함께 봐야 내부 사례의 의미를 이해할 수 있습니다.

Fairwind 제한 제공과 일반 공개 계획

Fairwind 공식 안내는 정부·의료·통신 등 중요한 시스템을 지키는 조직에 첨단 모델을 먼저 제공한다고 설명합니다. 일부 승인 파트너는 아르곤을 단독으로 쓰거나 취약점 수정 에이전트 CodeMender와 함께 사용할 수 있습니다. 사용 목적도 방어와 연구로 제한됩니다.

파트너 조직에는 사용자 인증, 피싱에 강한 다중 인증, 접근 통제와 직원 사용 기록 관리가 요구됩니다. 접근 권한을 공유하거나 재판매하는 것도 허용하지 않습니다. 제한 제공은 보안 기능의 성능뿐 아니라 누가 어떤 목적으로 사용하는지 관리하는 절차를 포함합니다.

보안 평가에서 구글은 아르곤이 CWE-bench v1에서 68%로 공동 1위라고 밝혔습니다. Fairwind 페이지의 비교 그래프에는 GPT-6 Astra와 Grok 4.7도 68%로 표시됩니다. 이는 해당 평가의 취약점 수정 성과이며, 모든 공격에 안전하다는 보장은 아닙니다.

간접 프롬프트 주입 공격에 대한 방어도 강조했습니다. 외부 문서 등에 들어간 악의적 지시가 모델의 행동을 바꾸는 공격입니다. Fairwind에 공개한 Gray Swan IPI 그래프에서 아르곤의 공격 성공률은 k=15 조건에서 0.7%로 표시됩니다. 공격 성공률이 낮을수록 좋은 평가이며, 이 수치를 실제 환경 전체의 공격 성공률로 일반화해서는 안 됩니다.

일반 이용자가 기다려야 할 다음 발표는 구체적인 제공 일정과 이용 조건입니다. 구글은 초기 평가를 바탕으로 안전장치를 보완한 뒤 유료 API 고객과 Google AI Ultra 구독자부터 제공 범위를 넓히겠다고 밝혔습니다. 9월 30일 발표문에는 일반 공개 날짜가 적혀 있지 않습니다. 현재의 제한 제공과 이후의 공개 계획을 구분해 확인해야 합니다.