Gemini 4 Carbon: o que muda no seu fluxo de desenvolvimento quando o modelo troca (e o que não muda)

Fala aí, beleza? O Google apresentou em 28/10/2026 o que ele mesmo chama de seu modelo mais forte, com foco em cibersegurança e em tarefas de longo horizonte, e o ranking de modelos já virou de cabeça pra baixo 😀

Só que tem um detalhe que pouca gente separa: modelo e ferramenta de agente são camadas diferentes

Trocar o modelo não troca o que de fato mexe no seu projeto, e é isso que bora destrinchar aqui

O que o Google anunciou no Gemini 4 Carbon e quem pode usar agora

O Google anunciou o Gemini 4 Carbon como "our next frontier model", com estado da arte em cibersegurança e capacidades de longo horizonte

Antes do anúncio, o modelo já tinha sido testado internamente no Jetski, a ferramenta interna de programação do Google

Repara: até o próprio Google testou o modelo DENTRO de uma ferramenta de programação, não solto

Ficha técnica do Gemini 4 Carbon:

Segundo a página do modelo no Artificial Analysis:

• Modelo de raciocínio
• Entrada em texto, imagem, fala e vídeo
• Saída em texto
• Janela de contexto de 1 milhão de tokens

Quem consegue usar o Gemini 4 Carbon hoje?

Quase ninguém, por enquanto

O acesso é restrito: primeiro um subconjunto de defensores de cibersegurança, depois mais parceiros confiáveis pelo Fairwind Program

Desenvolvedores, empresas e consumidores vêm depois, e o Google só diz "o quanto antes", sem data

E pra quem já tava abrindo o terminal: o Carbon ainda não está na Gemini API, e o Google não publicou model ID nem endpoint

Quem acompanhou a chegada do Gemini 4 Argon no Google vai notar que aqui o roteiro de acesso é bem mais fechado

Quanto custa o Gemini 4 Carbon?

Aqui tem dois números, de fontes e momentos diferentes, então se liga:

• Preço anunciado pelo Google (introdutório): US$ 2 por milhão de tokens de entrada e US$ 10 por milhão de saída, com 95% de desconto em entrada em cache
• Preço padrão listado pelo Artificial Analysis: US$ 4 de entrada e US$ 20 de saída por milhão de tokens, também com 95% de desconto em cache

O introdutório é introdutório, né? Não tem data pública confirmada de quando ele vira o padrão no caso do Carbon, então não conte com os US$ 2 pra sempre

Modelo x ferramenta de agente: qual é a diferença na prática

O modelo é o raciocínio

A ferramenta de agente é quem pega esse raciocínio e transforma em ação no seu projeto: abrir arquivo, editar, rodar teste, commitar

Uma analogia que ajuda: o modelo é o motor, a ferramenta de agente é o carro inteiro (volante, freio, câmbio, painel). Motor mais forte num carro ruim não ganha corrida sozinho haha

O que uma ferramenta de agente faz que o modelo não faz?

Pega o Claude Code como exemplo, a ferramenta de programação agêntica da Anthropic

Ele lê a base de código, edita arquivos, roda comandos e se integra às suas ferramentas de desenvolvimento

Trabalha num ciclo de três fases: reunir contexto, agir e verificar resultados, usando coisas como busca de arquivos, edição e execução de testes

Também trabalha direto com git: faz stage das mudanças, escreve mensagem de commit, cria branch e abre pull request

E roda no terminal, na IDE, no app desktop e no navegador

Tudo isso é a camada de ferramenta. É ela que decide como o agente lê seu código, quais comandos pode rodar e como confere se deu certo

E o Antigravity CLI, onde entra?

O Antigravity CLI é o agente de programação de linha de comando do Google e substituiu o Gemini CLI, numa transição feita em etapas

Primeiro, o Antigravity CLI ficou disponível pra todos em 19/05/2026

Depois, em 18/06/2026, o Gemini CLI parou de atender usuários Google AI Pro, Ultra e do Gemini Code Assist gratuito (clientes Standard e Enterprise mantiveram acesso)

Ele é escrito em Go, suporta fluxos assíncronos e compartilha o mesmo agent harness do Antigravity 2.0

Que harness? É a estrutura em volta do modelo: as ferramentas que ele pode chamar, o loop de execução, a forma de ler e editar arquivos

Tome cuidado com um ponto: não existe hoje informação oficial sobre como (ou se) dá pra usar o Carbon dentro do Claude Code ou de outras ferramentas de terceiros

Benchmark de modelo não é benchmark de agente: o que os números do Carbon mostram

O Carbon é 1º no ranking de modelos, mas não é 1º quando o que se mede é o agente de programação inteiro

E essa é a prova mais clara de que modelo e ferramenta são coisas diferentes

No Artificial Analysis Intelligence Index v5, o Gemini 4 Carbon (high) marca 59 pontos e fica em 1º lugar, contra uma mediana de 42 entre modelos comparáveis

Só que no Coding Agent Index, o resultado é medido pelo par modelo mais ferramenta de agente, e aí a história muda:

Par avaliado (Coding Agent Index)	Pontuação
Claude Code com Claude Opus 5.5 (max)	62
Antigravity CLI com Gemini 4 Carbon (high)	59

Se liga: o Carbon chega a 59 nas duas métricas, mas elas medem coisas diferentes, uma avalia o modelo isolado e a outra o par modelo mais ferramenta

E nessa segunda, o modelo líder, rodando no agente do próprio Google, fica atrás de outro par

E no custo, quem leva?

Aqui o Carbon tem vantagem

Com preço padrão, o custo por tarefa do Intelligence Index fica em US$ 7,76 pro Carbon contra US$ 10,04 do Claude Opus 5.5 (max), cerca de 23% a menos

A leitura honesta desses números:

• Modelo líder não garante agente líder
• O harness pesa no resultado tanto quanto o cérebro por trás
• Custo por tarefa diz MUITO mais sobre o seu bolso do que preço por token isolado

Se quiser se aprofundar nessa ideia de que o problema muitas vezes está na estrutura em volta do modelo, eu falo sobre isso no vídeo do Better Harness, que mostra onde o agente realmente falha quando a culpa não é do modelo:

Trocar de modelo sem trocar de fluxo: a lógica de roteamento entre modelos

Dá pra tratar o modelo como peça substituível, desde que o fluxo em volta dele seja estável

Eu já montei, do zero, um workflow no n8n com essa ideia: um agente seletor que escolhe o modelo, e um segundo agente que resolve a tarefa com o modelo escolhido

Pra não deixar tudo enfiado no prompt, criei uma planilha no Google Sheets com nome, descrição e código de cada modelo, e o agente seletor consulta essa planilha via tool

O que aprendi montando o seletor de modelo:

O prompt do seletor precisou FORÇAR a escolha de um modelo

Em testes anteriores, sem essa instrução explícita, o agente às vezes ficava uns segundos sem selecionar nenhum. Já me ferrei com isso, então agora é obrigatório 😛

Quando testei com a pergunta "quem foi o terceiro papa", o agente escolheu o GPT-4o da OpenAI pra responder e registrou a escolha numa planilha de log

Em outro teste, perguntando sobre a quantidade de pessoas na China, o agente conectou no provedor de modelos mas não bateu na planilha do Sheets pra escolher o modelo logo na primeira tentativa

Depois de salvar e recarregar o workflow, o comportamento de seleção mudou entre as tentativas. O n8n às vezes só reconhece nós novos depois desse recarregamento, então caso isso aconteça com você, recarrega antes de sair quebrando tudo

E o custo disso tudo?

Deixei o modelo do próprio agente seletor como gratuito, pra não gastar crédito nessa etapa

Mas atenção: dependendo da escolha final, o modelo que resolve a tarefa pode ser pago

Fiz vários testes com pouco crédito carregado e o gasto foi pequeno, justamente porque dá pra cair em modelos mais baratos quando a tarefa não pede um modelo caro

O segundo agente ainda tinha acesso a uma tool de Wikipedia e a uma tool própria de clima, com orientação no prompt pra usar quando precisasse detalhar a resposta

Pela planilha de log eu acompanhava o fluxo inteiro: escolha do modelo, passagem pro agente de resolução e registro da resposta final

Por que isso importa pro Carbon? Porque é a mesma lógica: as tools, o log e o fluxo ficam, o modelo é que entra e sai

Lembrando que o Carbon ainda não tem model ID público, então por enquanto ele não entra como opção numa planilha dessas

O que avaliar antes de trocar o modelo por trás do seu agente

Antes de sair migrando, vale passar por esses critérios:

• Disponibilidade real: o Carbon ainda não tem acesso pela Gemini API nem model ID publicado. Sem isso, não tem o que plugar
• Qual ferramenta de agente suporta o modelo: o modelo sozinho não edita arquivo nem roda teste. Confere se a ferramenta que você usa no dia a dia vai aceitar ele, em vez de presumir
• Custo por tarefa, não preço por token: um modelo que gasta menos tokens pra resolver pode sair mais barato mesmo com token mais caro, e o contrário também vale
• Preço introdutório pode mudar: os US$ 2 e US$ 10 anunciados são de lançamento, e o Artificial Analysis já lista o padrão de US$ 4 e US$ 20
• Você precisa mesmo de 1 milhão de tokens de contexto? Se teu projeto não chega perto disso, essa vantagem não muda nada no teu fluxo

Conclusão

O passo mais útil agora é não mexer no que já funciona

Mantém teu fluxo atual e fica de olho na página da Gemini API e nas novidades do Fairwind Program até sair um model ID público

Quando sair, roda o Carbon numa tarefa real do teu projeto, com a tua ferramenta de agente, e compara o custo por tarefa com o que você usa hoje. O ranking ajuda a escolher o que testar, mas quem decide é o teu código =)

Até o próximo post!

Quer aprender mais sobre inteligência artificial e programação na prática? Conheça o canal Hora de Codar no YouTube e acompanhe os próximos vídeos.