Gemini 4 Argon im Test: besser als Claude und ChatGPT?

Google hat mit Gemini 4 Argon ein neues Frontier-Modell veröffentlicht, das auf den Benchmarks die bisherigen Spitzenmodelle hinter sich lässt. Benchmarks sagen aber wenig darüber, was ein Modell in deinem Arbeitsalltag leistet. Deshalb habe ich Argon gegen Opus 5.5 in Claude Code und GPT-6 Astra in Codex antreten lassen, mit vier Aufgaben aus meinem eigenen Geschäft. Hier bekommst du die Ergebnisse, die Kosten und meine ehrliche Einschätzung, welches Modell du wofür nutzen solltest.

Was ist Gemini 4 Argon?

Gemini 4 Argon ist das neue Frontier-Modell von Google. Damit gibt es jetzt drei US-amerikanische Modelle, die ganz oben mitspielen: Googles Argon, Anthropics Opus 5.5 und OpenAIs GPT-6 Astra.

Du kannst Argon auf zwei Wegen nutzen. Entweder ganz normal in der Gemini-App oder als Coding-Agent im Terminal über die Anti-Gravity-CLI. Nach der Installation gibst du einfach agy ins Terminal ein, und es öffnet sich ein Agent, so wie du es von Codex oder Claude Code kennst. Ich hatte für den Test alle drei nebeneinander offen: links Anti-Gravity, in der Mitte Codex, rechts Claude Code.

Wichtig für die Einordnung: Alle drei Modelle haben pro Test exakt denselben One-Shot-Prompt bekommen. Codex und Claude Code hatten zusätzlich den Goal-Skill (/goal). Damit arbeitet ein Coding-Agent so lange weiter, bis das definierte Ziel wirklich erreicht ist. Argon hat diesen Vorteil nicht bekommen. Schleifen oder weitere Hilfen habe ich bewusst weggelassen, um zu sehen, was jedes Modell aus einem einzigen Prompt macht.

Die vier Tests im Überblick

Die Euro-Beträge sind grob umgerechnet. Im Video zeige ich dir alle Ergebnisse, die Prompts und die genauen Zahlen direkt am Bildschirm.

Test 1: Ein Spiel im Browser bauen

Die erste Aufgabe war ein Spiel im Stil von Subway Surfers. Das ist kein Use Case, den ich im Geschäft brauche. Aber an einem Spiel siehst du sofort, wie ein Modell tickt, wie es arbeitet und wie viel Mühe es sich gibt.

Ich habe dir die Spiele zuerst gezeigt und erst danach aufgelöst, welches Modell welches Spiel gebaut hat.

Solar Dash von GPT-6 Astra war der Ausreißer nach unten. Keine richtigen Animationen, kein Ton, und die eingesammelten Magneten haben die Münzen gar nicht angezogen. Das Spiel sah billig aus.

Gleisfuchs von Opus 5.5 war deutlich besser. Es gab Sound, ordentliche Motion Graphics, eine Art zweites Leben wie im Original und gespeicherte Daten wie Münzen und Rekord. Ein paar Beschriftungen waren unklar, zum Beispiel ob die Münzzahl vom letzten oder vom besten Lauf stammt.

Hyperion Rail von Gemini 4 Argon war eine eigene Liga. Schon vor dem ersten Lauf konntest du verschiedene Läufer auswählen und mit gesammelten Münzen freischalten, einen davon für 250 Münzen. Rekord, beste Distanz und Credits wurden festgehalten. Im Spiel selbst gab es Ton, Effekte, Animationen und die typischen Extras wie Sprungstiefel, Jetpack und einen Overdrive.

Das eigentlich Verblüffende waren die Kosten:

• Argon: 18 Minuten, rund 1,15 € an Tokens
• Opus 5.5: 50 Minuten, rund 13 € an Tokens
• Astra: etwas länger als Argon, aber ungefähr das Fünffache an Kosten

Test 2: Eine High-End-Website für einen Kunden

Dieser Test war für mich der wichtigste, weil Websites für Kunden echtes Geschäft sind. Der Prompt war bewusst anspruchsvoll:

• Mit dem Skill Cinematic Scroll eine Scroll-Website für eine erfundene Premium-Uhrenmarke aus dem Schwarzwald bauen.
• Name, Branding und Geschichte der Marke denkt sich das Modell selbst aus.
• Bilder über den Media-Skill mit KIE AI erzeugen, Budget höchstens rund 13 €.
• Die Seite soll aussehen wie von einer Top-Agentur: ein Scrollerlebnis, bei dem man hängen bleibt, danach ein Teil, der die Uhr wirklich verkauft.
• Fertig ist die Seite erst, wenn sie lokal im Browser auf Desktop und Handy sauber läuft, keine Fehler in der Konsole hat und das Modell das selbst mit Screenshots geprüft hat.
• Zeitlimit: 120 Minuten.

Gerade das Kriterium „Desktop und Handy“ ist wichtig. Eine Kunden-Website, die nur auf dem großen Bildschirm gut aussieht, kannst du niemandem verkaufen.

Kronwerk von Gemini 4 Argon

Der Scroll-Film zeigt, wie die Uhr vor einem schwarz-weißen Hintergrund mit Schnee zusammengebaut wird. Detailreich und schön, aber die Szenen hängen nicht perfekt zusammen, und auf Dauer wirkt es etwas langweilig. Weiter unten gibt es ein kleines Video, das allerdings in derselben Schleife läuft. Durchdacht war der Verkaufsteil: Es gibt nur 72 Uhren im Jahr, deshalb kauft man nicht direkt online, sondern stellt eine Anfrage über ein Formular. Mein Urteil: 5 bis 5,5 von 10. Für einen Kunden müsste man noch einiges überarbeiten und neu generieren.

Tannwerk von GPT-6 Astra

Hier gab es gar keinen Film, obwohl der Cinematic-Scroll-Skill genau das verlangt. Die Uhr wird beim Scrollen nur etwas größer, danach kommen Bilder und Informationen, drei Uhrenmodelle und ein Demo-Warenkorb. Das gewünschte Scrollerlebnis, bei dem man hängen bleibt, fehlt komplett. Optisch wirkte die Marke eher verspielt als nach Luxus. Mein Urteil: 2,5 von 10.

Auerwald von Opus 5.5

Schon der Startframe packt dich. Dazu kommt eine kleine Scroll-Leiste zusätzlich zum Menü. Der Film läuft wirklich wie ein Video, durch das du hindurchscrollst, und die Uhr entsteht vor deinen Augen. Opus hat sogar eine kleine Geschichte gebaut: Das Uhrenmuster erinnert an Dachziegel, und alle drei Modelle der Marke tragen dieses Motiv. Hier hat sich die KI sichtbar mehr Mühe gegeben, gerade bei der Bild- und Videogenerierung. Das war klar mein Favorit.

Kosten und Zeit

• Argon: fast 100 Minuten, rund 3,20 € an Tokens
• Opus 5.5: etwas mehr Tokens, fast doppelt so teuer wie Argon
• Astra: rund 17 €, dafür die geringsten Medienkosten, weil es eben kein einziges Video erzeugt hat

Ergebnis: Opus in Claude Code auf Platz 1, Argon auf Platz 2, obwohl es etwa halb so viel gekostet hat. Astra auf Platz 3, und dabei sogar teurer als Claude Code.

Test 3: Aus einem Rohvideo ein Reel schneiden

Für den dritten Test habe ich jedem Modell eine ungeschnittene Rohaufnahme für ein Reel gegeben: mit Pausen, Versprechern und Sätzen, die ich zweimal anfange. Die Aufgabe:

1. Das Video transkribieren.
2. Alle Pausen, Versprecher und doppelten Anläufe rausschneiden. Bei doppelten Sätzen den besten Take nehmen.
3. Im Reel-Format ausgeben.
4. Große Untertitel Wort für Wort, Zooms bei wichtigen Sätzen, B-Roll und Grafiken einbauen.

Argon lieferte ein Reel von 1:08 Minuten mit starken Motion Graphics, etwa einer Zählung von 1 bis 5. Die Untertitel wechselten aber ständig die Farbe, von Grün über Weiß und Orange bis Blau, und jedes Wort hatte einen seltsamen Abstand. Außerdem hat Argon mich als Freisteller oben eingequetscht, statt Platz für Grafiken und B-Roll zu lassen.

Astra war nicht schlecht, gemessen daran, dass es nur ein One-Shot-Prompt war. Für einen durchschnittlichen Influencer reicht das vielleicht. Im direkten Vergleich fehlten aber B-Roll und Motion Graphics in der Qualität der anderen.

Opus 5.5 hat mir am besten gefallen. Es hält mich nicht die ganze Zeit im Vordergrund, sondern geht mit B-Roll und Grafiken wirklich auf den Inhalt ein. Die Untertitel sind so, wie Untertitel in einem Reel sein sollten: ein Format, eine Farbe, immer gleich, groß und gut lesbar.

Bei den Kosten war Astra am schnellsten, aber fast so teuer wie Opus. Argon war deutlich günstiger und auch etwas schneller als Opus.

Test 4: Ein Promo-Video mit KI-Material

Im letzten Test sollte jedes Modell ein 15 Sekunden langes Promo-Video für den KI Agenten Club erstellen. Vorher bekam es ein Referenzvideo, das es analysieren sollte: Warum funktioniert dieses Video so gut? Bilder und Videoclips sollte es wieder über KIE AI erzeugen.

Ehrlich gesagt: Keines der drei Videos würde ich so zum Promoten nutzen. Der Hauptgrund ist, dass ich in den generierten Clips nicht richtig aussehe. Wahrscheinlich hätte ich ein Referenzbild von mir mitgeben sollen. In der Praxis würde ich einige Aufnahmen ohnehin selbst mit meiner Kamera drehen und dann eventuell mit Higgsfield Genjutsu den Raum oder das Setting verändern. Normalerweise nutze ich nur KIE AI, aber für genau diese Art von Setting-Wechsel greife ich auf Higgsfield zurück.

Argon hat richtig coole B-Roll geliefert. Dass ich das nicht bin, sieht man sofort. Aber denk an ein Werbevideo für ein Unternehmen, bei dem du Produktbilder und Bilder der Website als Material mitgibst und kein bestimmter Mensch wie der Geschäftsführer vorkommen muss. Dann muss die KI niemanden perfekt nachbauen, und das Ergebnis ist für einen One-Shot-Prompt beeindruckend. Mit etwas Feintuning und ein, zwei neu generierten Szenen wäre das verkaufsfähig.

Astra hat mich in eine Art Hotelzimmer an einen Mini-Schreibtisch gesetzt, mit Blick irgendwo zur Seite. Das Ergebnis ist nicht katastrophal, aber so etwas würdest du keinem Kunden verkaufen. Es braucht deutlich mehr Nacharbeit als das Video von Argon.

Opus 5.5 hatte die meiste Energie. Schon der erste Frame mit dem Licht und den drei Bildschirmen, auf die ich zulaufe, ist richtig stark, und die Musik war viel besser gewählt als bei Astra. Es gab aber Fehler: Alles ging viel zu schnell, und in der Musikschleife steckte ein Bug. Das Tempo geht teilweise auf meine Kappe, weil ich die 15 Sekunden vorgegeben habe und Opus zu viel hineinpacken wollte.

Bei den Zahlen war Claude teurer als Argon, aber viel schneller: unter einer halben Stunde, Argon dagegen über eine Stunde. Rechnet man die Medienkosten mit ein, hat Argon etwa die Hälfte gekostet. Astra war schnell, aber mehr als doppelt so teuer wie Opus. Dazu kam, dass Astra trotz klarer Freigabe noch einmal nachgefragt hat, ob es KIE AI nutzen darf, und dann 76 Minuten auf meine Antwort gewartet hat.

Den Punkt gebe ich Claude, aber sehr knapp. Das Ergebnis trifft eher meinen persönlichen Geschmack, während Argon mit den niedrigeren Kosten dagegenhält.

So testest du KI-Modelle selbst

Du musst dich nicht auf Benchmarks oder auf meine Ergebnisse verlassen. Mit derselben Methode findest du heraus, welches Modell für deine Aufgaben passt.

1Schritt 1: Echte Aufgaben aus deinem Alltag wählen

Nimm Aufgaben, die du wirklich hast: eine Website für einen Kunden, ein Video, ein Tool. Ein Spiel ist eine gute Ergänzung, weil du daran schnell siehst, wie viel Mühe sich ein Modell gibt.

2Schritt 2: Allen Modellen denselben One-Shot-Prompt geben

Nur wenn alle exakt den gleichen Prompt bekommen, kannst du die Ergebnisse fair vergleichen. Notier dir, welches Modell welche Hilfen hatte, etwa den Goal-Skill.

3Schritt 3: Klare Zielkriterien, Budget und Zeitlimit festlegen

Schreib in den Prompt, wann die Aufgabe als erledigt gilt, zum Beispiel: läuft auf Desktop und Handy, keine Fehler in der Konsole, selbst mit Screenshots geprüft. Gib ein Budget für Bild- und Videogenerierung und ein Zeitlimit vor.

4Schritt 4: Blind bewerten

Schau dir die Ergebnisse an, bevor du weißt, welches Modell sie gebaut hat. So urteilst du über das Ergebnis und nicht über deine Lieblingsmarke.

5Schritt 5: Kosten und Zeit gegen die Qualität stellen

Ein knapp besseres Ergebnis kann sich lohnen oder auch nicht, wenn das andere Modell nur die Hälfte kostet. Erst mit Zeit und Kosten nebeneinander triffst du eine echte Entscheidung.

Was ich jetzt in meinem Setup ändere

Nach den vier Tests habe ich meine Entscheidung getroffen:

• Claude bleibt mein Allrounder für fast alles. Dafür behalte ich den Max-Plan für 200 €.
• Google Gemini wird mein zweites Frontier-Modell. Ich bleibe beim 100-Euro-Plan.
• OpenAI stufe ich wahrscheinlich auf 20 € herunter, vielleicht sogar auf das 9-Euro-Paket. Den ChatGPT-Chat nutze ich noch für persönliche Dinge, deshalb würde ich nicht ganz auf den kostenlosen Plan gehen.

Astra hatte bei mir bisher eine Nische: Computer Use. Als es zuletzt um die Indexierung einer umfangreichen Website in der Google Search Console ging, hatte ich keine Lust, jeden Schritt selbst im Browser zu klicken. Also habe ich Claude eine CLI-Session mit Astra öffnen lassen, die per Computer Use die Schritte erledigt hat. Darauf kann ich künftig verzichten: Zur Not melde ich mich im Playwright-Browser für Claude an. Ob Argon auch Browser- oder Computer-Nutzung kann und das ersetzen könnte, muss ich noch prüfen.

Fazit

Gemini 4 Argon ist ein echtes Spitzenmodell. Beim Spiel hat es Opus 5.5 und GPT-6 Astra klar geschlagen. Bei Website, Reel und Promo-Video lag Claude vorne, bei der Website deutlich, beim Promo-Video nur knapp, und Argon kostete dabei meist nur einen Bruchteil. Wenn ich mit der Pistole auf der Brust einen Sieger nennen müsste, wäre es Claude Code mit Opus 5.5, aber sehr knapp. GPT-6 Astra liegt meilenweit dahinter. Für dich heißt das: Claude als Allrounder, Argon als starkes und günstiges zweites Modell, und vor jeder Umstellung eigene Tests mit deinen echten Aufgaben. Im Video zeige ich dir alle Ergebnisse im Detail, damit du dir selbst ein Bild machen kannst.