Google dévoile Gemini 4 Argon : ce que sa nouvelle IA change dans la bataille mondiale

Google lance d’abord son modèle auprès d’un cercle restreint

Google vient de présenter un modèle que la plupart des entreprises ne peuvent pas encore utiliser.

Gemini 4 Argon, annoncé le 30 septembre 2026, est d’abord accessible à un groupe restreint de spécialistes de la cybersécurité. Google promet ensuite une ouverture progressive aux développeurs, aux entreprises et aux abonnés Google AI Ultra. Aucun calendrier public précis n’accompagne toutefois cette promesse.

Ce lancement contrôlé donne le ton. Google ne cherche plus seulement à construire un assistant qui répond correctement à une question. Avec Argon, l’entreprise vise des systèmes capables de travailler pendant longtemps sur un problème, d’enchaîner plusieurs opérations et d’intervenir dans des environnements professionnels sensibles.

La distinction est essentielle. Un chatbot produit une réponse. Un agent doit parfois parcourir des documents, utiliser des outils, modifier du code, vérifier son propre travail et reprendre une étape qui a échoué. Plus la mission s’allonge, plus le risque d’erreur, de dérive ou de détournement augmente.

C’est précisément sur ce terrain que Google veut replacer Gemini au centre de la compétition mondiale de l’intelligence artificielle.

Ce que Google a réellement annoncé

Le nom officiel du modèle est Gemini 4 Argon. Il inaugure la génération Gemini 4, mais Google ne le présente pas comme un produit déjà disponible pour tous.

Son premier déploiement passe par Fairwind, un programme de Google DeepMind destiné à des partenaires jugés prioritaires pour la défense numérique : autorités publiques, opérateurs d’infrastructures critiques, plateformes technologiques et organismes de recherche sélectionnés.

Selon Google, Argon a été conçu pour soutenir un raisonnement prolongé dans des tâches complexes concernant notamment l’ingénierie logicielle, la recherche financière, le travail juridique et la cybersécurité. Le groupe affirme également l’utiliser dans certains processus internes, dont des migrations de code et l’optimisation de ressources informatiques dans ses centres de données. Ces exemples restent des résultats communiqués par Google, et non des audits indépendants de son fonctionnement en production.

Le modèle n’est donc pas lancé au sens habituel d’un service immédiatement accessible à des millions d’utilisateurs. Il est entré dans une phase de déploiement limité, pendant laquelle Google veut recueillir des évaluations et renforcer ses protections.

Une IA conçue pour travailler plus longtemps

La nouveauté technique la plus spectaculaire concerne la quantité de texte que le modèle peut générer au cours d’une même trajectoire.

Google annonce une limite pouvant atteindre un million de jetons de sortie, contre 64 000 pour sa génération précédente de référence. Un jeton correspond approximativement à un fragment de mot. Un million de jetons représente donc un volume considérable, bien supérieur à la longueur d’un rapport ordinaire.

Il ne faut pas confondre cette limite de sortie avec la fenêtre de contexte. La fenêtre de contexte correspond à la quantité d’informations que le modèle peut recevoir et prendre en considération. La limite de sortie concerne ce qu’il peut produire, y compris, selon la configuration, les étapes intermédiaires nécessaires à l’exécution d’une tâche.

Cette capacité ne signifie pas qu’une entreprise voudra recevoir un document d’un million de jetons. Elle sert plutôt à laisser au système davantage de marge pour explorer un problème, tester des solutions et coordonner une longue séquence d’actions.

Une équipe informatique pourrait demander à un agent d’examiner une grande base de code, de repérer les dépendances d’un composant, de proposer une migration, d’exécuter des tests et de corriger les erreurs rencontrées. Un analyste financier pourrait lui confier plusieurs rapports annuels, des tableaux de données et une série de questions nécessitant différentes vérifications.

Dans les deux cas, la valeur ne vient pas seulement de la longueur de la réponse. Elle dépend de la capacité du système à rester cohérent jusqu’à la fin du travail.

Une première évaluation indépendante de Vals AI introduit une nuance : la configuration testée par cet organisme indiquait un maximum de 262 144 jetons de sortie, et non un million. Cette différence peut provenir du mode d’accès ou de la configuration utilisée, mais elle devra être clarifiée lorsque l’API publique sera disponible.

Notre lecture

Pour moi, la nouveauté la plus importante pour les entreprises est le passage de l’IA qui répond à l’IA qui exécute : des agents capables de mener des missions longues, d’utiliser des outils et de vérifier leur propre travail. C’est là que se trouve la véritable valeur, car une entreprise ne cherche pas seulement une belle réponse, mais un travail terminé — par exemple, migrer du code, analyser des rapports financiers ou préparer un dossier juridique.

Le prix agressif et la remise sur les entrées mises en cache rendent ces usages plus abordables, mais ils ne suffisent pas à eux seuls. Je reste prudent, car l’accès est pour l’instant réservé à des spécialistes de la cybersécurité approuvés et une partie importante des performances annoncées provient de Google. Ce qui fera réellement la différence sera la fiabilité et le contrôle de ces agents, ainsi que le coût total d’une mission réussie après validation humaine.

Du chatbot à l’agent professionnel

L’annonce de Google confirme une évolution plus large du marché. Les principaux laboratoires ne se battent plus uniquement pour obtenir la meilleure réponse à une question isolée. Ils cherchent à fournir la plateforme qui pourra recevoir une mission et mobiliser plusieurs outils pour l’accomplir.

Prenons une demande concrète : « Analyse les ventes de notre entreprise, compare-les à nos stocks, identifie les produits à risque et prépare une note destinée à la direction. »

Le modèle doit comprendre l’objectif. Mais il peut aussi devoir interroger une base de données, ouvrir des documents, exécuter des calculs, produire des graphiques et contrôler la cohérence du résultat. Le modèle linguistique n’est alors qu’un élément du système. Les connecteurs, les autorisations, la mémoire, le réseau et les mécanismes de vérification deviennent tout aussi importants.

Cette évolution explique pourquoi Google insiste sur les tâches de longue durée. La bataille commerciale se déplace vers des agents capables d’entrer dans le fonctionnement réel des entreprises.

Elle ouvre également une nouvelle série de problèmes. Une erreur dans une réponse conversationnelle peut être corrigée par l’utilisateur. Une erreur commise par un agent autorisé à modifier du code, consulter des données sensibles ou déclencher une opération peut avoir des conséquences beaucoup plus importantes.

Des performances prometteuses, mais pas une victoire générale

Google publie plusieurs résultats favorables à Argon. Le groupe annonce notamment un score de 77,9 % sur DeepSWE v1.1, consacré aux tâches prolongées d’ingénierie logicielle, et de 51,3 % sur AutomationBench, qui mesure l’exécution de processus professionnels.

En cybersécurité, Google rapporte un score de 68 % sur CWE-bench v1, à égalité avec les meilleurs résultats de ce test consacré à la correction de vulnérabilités.

Ces chiffres ne doivent pas être ignorés. Ils ne permettent pas non plus de déclarer Gemini 4 supérieur à tous ses concurrents.

Reuters relève que, dans le propre tableau comparatif de Google, Argon demeure derrière d’autres modèles sur deux des quatre évaluations liées au développement logiciel. Les conditions d’exécution, les outils fournis au modèle et le niveau d’effort autorisé peuvent également modifier sensiblement un résultat.

Les évaluations publiées par Vals AI offrent une image plus contrastée. Argon s’est classé premier de son Vals Index avec 68,9 %, ainsi que premier sur Finance Agent v2 avec 65,4 %. Il termine toutefois deuxième sur plusieurs tests de code et de cybersécurité, cinquième sur Terminal-Bench 4.0 et seulement septième sur huit modèles dans CUA-bench, consacré à l’utilisation d’interfaces informatiques.

Autrement dit, Argon semble compétitif sur plusieurs tâches professionnelles complexes. Il ne domine pas uniformément tous les domaines.

Le déploiement restreint limite en outre les essais en conditions réelles. Il faudra observer sa fiabilité sur des missions longues, le nombre d’interventions humaines nécessaires, sa vitesse et son coût total avant d’évaluer sa véritable valeur économique.

Finance, droit et code : les entreprises au centre du lancement

Google cite volontiers la programmation, la finance et le droit. Ce choix n’est pas anodin.

Ces secteurs réunissent trois caractéristiques recherchées par les fournisseurs d’IA : beaucoup de documents, des tâches intellectuelles coûteuses et des clients disposant de budgets importants. Ils présentent également un risque élevé lorsque l’information produite est fausse ou incomplète.

Dans la finance, un agent peut théoriquement examiner plusieurs rapports, rapprocher des indicateurs et préparer une synthèse. Il ne remplace pas pour autant le contrôle d’un analyste. Une donnée mal interprétée ou extraite de la mauvaise période peut rendre l’ensemble du raisonnement trompeur.

Dans le domaine juridique, la longueur de contexte et la capacité à parcourir plusieurs pièces peuvent accélérer certaines recherches. Mais une formulation convaincante ne garantit ni l’exactitude d’une référence ni la pertinence d’un argument pour une juridiction donnée.

Pour le développement logiciel, l’enjeu dépasse la génération de quelques lignes de code. Google présente Argon comme un outil capable de contribuer à de grandes migrations et à des optimisations complexes. L’entreprise précise néanmoins que les modifications sensibles restent soumises à des tests et à des révisions humaines.

Cette dernière nuance est probablement plus importante que le résultat d’un benchmark. L’adoption professionnelle dépendra de la quantité de travail réellement économisée après vérification, et non du nombre de tâches commencées automatiquement.

Pourquoi la cybersécurité ralentit l’ouverture

La cybersécurité occupe une place inhabituelle dans ce lancement. Google affirme qu’Argon peut rechercher, valider et corriger certaines vulnérabilités logicielles. Le modèle est fourni avec des capacités élargies à des partenaires sélectionnés du programme Fairwind.

Ces fonctions ont un double usage. Un système capable d’aider un défenseur à repérer une faille peut également intéresser un attaquant.

Google dit avoir prévu des contrôles sur les organisations admises au programme : vérification des partenaires, authentification renforcée, restriction des équipes autorisées et interdiction de redistribuer l’accès. Les participants peuvent utiliser les fonctions sensibles pour des travaux défensifs autorisés, mais pas pour créer des outils malveillants.

Pour une future diffusion plus large, Google annonce plusieurs protections : refus des demandes dangereuses, résistance aux injections de prompt, surveillance des actions du modèle et environnements isolés pour les tests à risque.

Ce sont, pour le moment, des mesures décrites par le concepteur. Leur efficacité devra être éprouvée par des évaluateurs externes et confrontée à des attaques qui n’ont pas été utilisées pendant le développement.

Le lancement progressif peut donc être lu de deux manières. Il témoigne d’une prudence nécessaire. Il rappelle aussi qu’une partie des capacités mises en avant n’est pas encore prête pour un accès ordinaire.

Un prix agressif, mais un coût réel encore difficile à calculer

Google annonce un prix de lancement de 2 dollars par million de jetons d’entrée et de 10 dollars par million de jetons de sortie. Les entrées déjà mises en cache bénéficieraient d’une réduction de 95 %.

Après la période promotionnelle, les tarifs doivent passer à 4 dollars pour l’entrée et 20 dollars pour la sortie. Google n’a pas précisé la durée de la période introductive.

Ces prix donnent à Google un argument commercial face à OpenAI et Anthropic. Ils ne permettent toutefois pas de connaître le coût complet d’une application agentique.

Un agent peut appeler le modèle plusieurs fois, réexaminer les mêmes documents, utiliser des services externes ou consommer beaucoup de jetons de raisonnement. Il faut encore ajouter l’hébergement, le stockage, les recherches, les outils et les mécanismes de supervision.

Un million de jetons de sortie coûterait théoriquement 10 dollars au tarif introductif, puis 20 dollars au tarif standard, sans compter l’entrée ni les autres appels. Peu d’utilisations atteindront nécessairement cette limite, mais cet exemple montre pourquoi une capacité technique plus grande peut aussi accroître la facture lorsqu’elle est mobilisée sans contrôle.

Le véritable indicateur pour une entreprise sera le coût d’une mission correctement accomplie, après validation humaine. Le prix au million de jetons n’en est qu’un composant.

Google ne se bat pas seulement avec un modèle

OpenAI et Anthropic disposent de modèles très performants, d’outils pour développeurs et d’une présence grandissante auprès des entreprises. Google possède cependant un avantage structurel différent : il peut intégrer Gemini à son cloud, à ses outils de productivité, à Android, à la recherche et à sa propre infrastructure de calcul.

La compétition ne se résume donc pas à savoir quel modèle gagne un test cette semaine.

Elle porte sur la distribution, le prix, la fiabilité, les données accessibles, les outils disponibles et la facilité d’intégration dans le travail quotidien. Une entreprise peut choisir un modèle légèrement moins performant sur un classement si celui-ci s’intègre mieux à ses systèmes ou offre de meilleures garanties contractuelles.

Gemini 4 Argon cherche à démontrer que Google reste capable de produire un modèle de frontière après plusieurs mois marqués par des retards. Reuters rapporte d’ailleurs que le groupe a abandonné le lancement prévu de Gemini 3.5 Pro, tandis qu’OpenAI et Anthropic poursuivaient leurs propres mises à jour.

Argon constitue donc autant un produit qu’un message stratégique : Google veut prouver qu’il peut encore participer au rythme rapide de la course aux modèles avancés.

Ce que cette annonce signifie pour Alphabet

L’action Alphabet progressait d’environ 2,3 % dans les échanges précédant l’ouverture du 1er octobre, selon Reuters. Cette variation intervenait toutefois pendant une séance influencée par les taux obligataires, les résultats de Micron et plusieurs autres informations économiques. Il serait excessif de l’attribuer entièrement à Gemini 4.

Pour Alphabet, le défi économique se situe au-delà de la réaction d’une journée.

Google investit massivement dans les puces, les centres de données, l’énergie et les réseaux nécessaires à l’intelligence artificielle. Gemini doit contribuer à défendre les produits existants, stimuler Google Cloud et créer de nouveaux revenus suffisamment importants pour justifier cette infrastructure.

Un modèle performant mais peu utilisé ne suffirait pas. Un modèle largement utilisé mais trop coûteux à servir pourrait également peser sur les marges.

Argon intéressera donc les investisseurs moins par son nombre de paramètres — que Google ne révèle pas — que par sa capacité à attirer des entreprises, à augmenter l’usage de Google Cloud et à générer des revenus rentables.

Ce qui reste encore à démontrer

Trois inconnues empêchent de tirer une conclusion définitive.

La première concerne la disponibilité. Google promet un accès futur aux clients payants de l’API et aux abonnés Google AI Ultra, mais ne fournit pas encore de date précise.

La deuxième concerne les performances réelles. Les premiers résultats indépendants sont encourageants dans certains domaines et beaucoup plus moyens dans d’autres. Une évaluation menée avec une configuration contrôlée ne reproduit pas toutes les contraintes d’une entreprise.

La troisième concerne la sécurité. Google reconnaît indirectement la difficulté en réservant d’abord les capacités les plus sensibles à des partenaires approuvés.

Gemini 4 Argon ne prouve donc pas que Google a dépassé OpenAI ou Anthropic. Il montre plutôt que la compétition change de forme.

La prochaine bataille de l’IA se jouera moins autour d’une réponse spectaculaire produite en quelques secondes que sur la capacité à accomplir une mission longue, avec des outils, des autorisations et des contrôles. Sur ce terrain, la puissance du modèle compte. Sa fiabilité, son coût et son intégration compteront probablement davantage.

Cet article est publié à titre informatif et ne constitue pas un conseil d’investissement.