Gemini 4 Carbon: Google macht KI zum Sicherheitsforscher

59 Punkte: Spitzenposition mit Einschränkung

Im Artificial Analysis Intelligence Index v5 erreicht Gemini 4 Carbon in der Konfiguration „High“ 59 Punkte und führt die aktuelle Rangliste an. Das ist eine externe Vergleichsmessung, keine von AgentenCode durchgeführte Evaluation. Der Index kombiniert verschiedene Aufgaben und beantwortet nicht, welches System in jedem einzelnen Entwicklungsprojekt am besten arbeitet.

Vergleiche benötigen immer denselben Benchmark, dieselbe Modellvariante und denselben Messzeitpunkt. Googles Cybersecurity-Werte stammen dagegen aus seiner eigenen Veröffentlichung; sie dürfen nicht als von Artificial Analysis unabhängig nachgeprüfte Cybertests ausgegeben werden.

Schwachstellen finden, ausnutzen, beheben: drei getrennte Aufgaben

Google berichtet für drei spezialisierte Sicherheits-Benchmarks besonders hohe Ergebnisse. SEC-bench Pro untersucht das Auffinden von Schwachstellen; ExploitGym prüft die praktische Ausnutzung; CWE-bench bewertet Patches. Die Zahlen beziehen sich auf definierte Testbedingungen und dürfen nicht als Erfolgsquoten in jedem Unternehmensnetz interpretiert werden.

Der interessante Fortschritt liegt in der Verbindung der Arbeitsschritte: Eine entdeckte Lücke ist noch kein reproduzierbarer Angriff, und ein Patch ist erst dann nützlich, wenn Regressionen, Berechtigungen und Seiteneffekte geprüft sind. Ein autonomer Agent braucht dafür eng begrenzte Werkzeuge und nachvollziehbare Freigaben.

Quelle: Googles Ankündigung vom 28. Oktober 2026. Herstellerangaben; Einstellungen und Schutzmechanismen beeinflussen Vergleichbarkeit. Google-Originalquelle ↗

Lange Softwareaufgaben sind kein unbegrenzter Autopilot

Carbon ist laut Google für sogenannte Long-Horizon-Workflows ausgelegt: mehrstufige Aufgaben in großen Codebasen, bei denen ein Modell planen, recherchieren, testen und Fehler korrigieren muss. Mehr zusammenhängende Arbeitsschritte können Entwicklungsteams entlasten, vergrößern aber auch die Folgen einer falschen Annahme.

Für Produktionssysteme bleiben isolierte Testumgebungen, Least-Privilege-Zugriffe, Versionskontrolle, überprüfte Tests und menschliche Zustimmung zu kritischen Aktionen wesentlich. Das Modell selbst ist keine vollständige Agentenplattform. Eine Verfügbarkeit in Gemini CLI, Antigravity oder anderen Werkzeugen ist ohne produktspezifische Freigabe nicht belegt.

Weniger Fehlverhalten – nach Googles internen Tests

Google meldet gegenüber Gemini 4 Argon ungefähr halb so viele unbelegte Aussagen in internen Tests und fast 80 Prozent weniger hochgradige Fehlverhaltenswarnungen in eigenen Coding-Umgebungen. Auf einer von Google genannten Testkonfiguration der Gray-Swan-Indirekt-Prompt-Injection-Prüfung lag die erfolgreiche Angriffsquote bei 0,0 Prozent.

Das ist keine universelle Sicherheitsgarantie. Getestete Prompts, Abwehrregeln, Modellversionen und Produktionsberechtigungen bestimmen, was sich übertragen lässt. Ebenso kann ein System auf einem allgemeinen Intelligenzindex führen und bei einzelnen Sicherheits-, Coding- oder Faktentests hinter anderen Modellen liegen.

Fairwind zuerst: Wer Carbon verwenden kann

Zum Start erhalten laut Google nur ausgewählte Cyberverteidiger Zugang. Weitere geprüfte Partner folgen stufenweise über das Fairwind Program. Für normale Entwickler, Unternehmen und Endnutzer nennt Google noch keinen verbindlichen Freigabetermin.

Die eingeschränkte Verteilung ist nicht nur ein Marketingdetail: Fähigkeiten, die Verteidigern bei der Schwachstellensuche helfen, können missbraucht werden. Googles Partnerprüfung, Zugangskontrollen und Sicherheitsauflagen sind Teil der Produkteinordnung – keine unabhängige Bestätigung, dass künftige Risiken beherrscht sind.

Tokenpreise: angekündigt, nicht frei buchbar

Google nennt Einführungspreise von 2 US-Dollar je Million Eingabetokens und 10 US-Dollar je Million Ausgabetokens. Nach der Einführungsphase sollen 4 beziehungsweise 20 US-Dollar gelten. Caching von Eingabetokens wird laut Ankündigung um 95 Prozent gegenüber dem jeweiligen Eingabepreis vergünstigt.

Diese Preisangaben bedeuten nicht, dass heute ein frei zugänglicher API-Endpunkt für alle verfügbar ist. Für echte Gesamtkosten zählen außerdem Reasoning-Aufwand, Tool-Aufrufe, Wiederholungen, Tests und menschliche Kontrolle.

Unsere Meinung: Kontrollierbarkeit schlägt den Rekordwert

Carbon ist ein wichtiger Hinweis darauf, wie sich KI von der Chatantwort zur technisch handelnden Assistenz weiterentwickelt. Das Potenzial in Security-Reviews ist groß: Wer Schwachstellen systematisch reproduzieren und Patches nachvollziehbar testen kann, könnte Fachkräfte entlasten.

Unsere entscheidende Frage ist aber nicht, ob ein neues Modell Platz eins belegt. Sie lautet: Kann ein über Stunden laufender Agent beweisbar innerhalb seines Auftrags bleiben, Irrtümer erkennen und Änderungen sicher zurücknehmen? Bis unabhängige Praxisdaten und breiter Produktzugang vorliegen, ist Googles Carbon ein vielversprechendes, aber bewusst begrenzt verfügbares Modell – kein allgemeines Security-Siegel.