Google a élargi sa gamme Gemini avec trois nouveaux modèles destinés à un usage de production plus rapide et moins coûteux : Gemini 3.6 Flash, Gemini 3.5 Flash-Lite et Gemini 3.5 Flash Cyber. Cette sortie offre davantage d’options aux développeurs qui construisent des agents d’IA et des workflows de codage, mais elle souligne aussi un point plus gênant pour Google : Gemini 3.5 Pro, le modèle de raisonnement haut de gamme attendu de l’entreprise, n’est toujours pas disponible publiquement.

Selon des articles de TechCrunch AI et The Decoder, Google a positionné les nouveaux modèles autour de l’efficacité, de la latence et de la fiabilité plutôt que d’un bond spectaculaire en capacité de pointe. Cela compte, car la pression concurrentielle dans l’IA d’entreprise ne se résume plus à la seule suprématie sur les benchmarks. De nombreux développeurs veulent des modèles capables de fonctionner à grande échelle à faible coût, de répondre rapidement et de prendre en charge des systèmes d’agents en production sans dérapage des coûts en tokens. Pourtant, l’absence d’une nouvelle version publique de Pro laisse Google exposé dans la partie du marché où acheteurs et chercheurs recherchent les meilleures performances en raisonnement et en codage.

Axios a également rapporté que Google avait lancé une série de modèles Gemini moins chers, renforçant ainsi l’idée centrale du lancement : il s’agissait d’une mise à jour axée sur le coût et l’utilité, et non d’un moment phare pour un modèle vedette.

Ce que Google a livré

La pièce maîtresse de cette annonce est Gemini 3.6 Flash, que Google a décrit, via TechCrunch AI, comme son nouveau « modèle de travail ». L’entreprise affirme que le modèle améliore le codage, le travail de connaissance et les performances multimodales, tout en réduisant l’utilisation de tokens jusqu’à 17 % par rapport à Gemini 3.5 Flash. The Decoder a ajouté des détails, rapportant que Google a également cité des économies bien plus importantes sur certains benchmarks, notamment des gains allant jusqu’à 65 % de tokens en moins sur DeepSWE.

Cette distinction est importante. Le chiffre de 17 % semble décrire une attente d’efficacité plus générale, tandis que le chiffre de 65 % est lié à des conditions de benchmark plus étroites. Comme pour la plupart des indicateurs de lancement de modèles, ces économies ne se traduisent pas nécessairement de manière uniforme dans des charges de travail de production réelles.

Google a également présenté Gemini 3.5 Flash-Lite, qu’il positionne comme l’option la moins chère de cette catégorie, optimisée pour une faible latence et un débit élevé. Pour les équipes exécutant des flux de support client, une aide au codage légère, des tâches de classification ou des agents appelant des outils, ce positionnement peut compter davantage que la qualité brute du raisonnement. The Decoder a rapporté un prix de 0,30 dollar par million de tokens d’entrée et 2,50 dollars par million de tokens de sortie pour Flash-Lite, et a indiqué que l’agrégateur de benchmarks tiers Artificial Analysis estimait la vitesse de sortie à 350 tokens par seconde.

Le troisième modèle, Gemini 3.5 Flash Cyber, est plus spécialisé et plus restreint. Selon TechCrunch AI, Google l’a affiné pour détecter et corriger les vulnérabilités de cybersécurité et le rend disponible uniquement aux gouvernements et à des partenaires de confiance dans le cadre d’un pilote à accès limité. The Decoder a rapporté que le modèle est intégré à CodeMender, l’agent de sécurité du code de Google DeepMind, mais que l’accès large en avant-première à CodeMender via la Gemini Enterprise Agent Platform utilise des modèles Gemini standards plutôt que la version Cyber restreinte.

La vraie histoire, c’est ce que Google n’a pas sorti

Cette annonce a retenu l’attention non seulement parce que Google a livré de nouvelles variantes Gemini Flash, mais aussi parce que Gemini 3.5 Pro restait absent. TechCrunch AI a noté que Google avait précédemment signalé une sortie Pro après le lancement de 3.5 Flash en mai, affirmant qu’il était déjà utilisé en interne et attendu prochainement. Ce calendrier a glissé.

TechCrunch AI a cité des propos de Logan Kilpatrick, responsable produit chez Google DeepMind, indiquant que l’entreprise teste Gemini 3.5 Pro avec des partenaires et espère qu’il « arrivera bientôt ». The Decoder a également rapporté que Google affirme que le modèle est toujours en test chez des partenaires et sera lancé lorsqu’il sera prêt. Aucun des deux médias n’a fourni de date de sortie publique confirmée.

Ce retard compte, car dans la nomenclature de Google, les modèles Pro représentent généralement le niveau de capacités supérieur de l’entreprise pour le raisonnement et le codage complexes. Sans mise à jour publique récente de Pro, l’élan visible de Google se situe dans le segment de l’efficacité plutôt que dans celui de la pointe.

Le contexte du marché n’est pas flatteur. TechCrunch AI a mentionné des sorties de OpenAI et Anthropic depuis la dernière mise à jour Pro de Google en février. The Decoder est allé plus loin, estimant que les laboratoires rivaux aux États-Unis et en Chine avancent plus agressivement sur le haut de gamme, en citant des produits comme GPT-5.6, Claude Opus 4.8 et Kimi K3. Certaines de ces comparaisons reflètent l’interprétation médiatique plutôt qu’un test officiel entre fournisseurs, mais le signal concurrentiel est clair : Google livre des modèles adaptés à la production tandis que ses concurrents se battent eux aussi pour la tête des systèmes les plus capables.

Pourquoi Google met l’accent sur l’efficacité maintenant

La manière dont Google présente ces modèles suggère un choix produit délibéré, pas seulement une histoire de retard. TechCrunch AI a rapporté que l’objectif affiché de l’entreprise est d’aider les clients à construire des agents d’IA à grande échelle avec une meilleure efficacité, fiabilité et latence. C’est conforme à la manière dont de nombreux déploiements d’entreprise réussissent ou échouent réellement.

Pour les équipes de production, un gain modeste de performance associé à une consommation de tokens réduite peut être plus précieux qu’un modèle phare coûteux, difficile à budgétiser ou trop lent pour des workflows interactifs. Gemini 3.6 Flash semble conçu pour ce juste milieu pratique : de meilleures performances en codage et en multimodalité que les variantes Flash précédentes, mais avec un profil de coûts pensé pour un déploiement large.

The Decoder a rapporté des gains de benchmark pour Gemini 3.6 Flash par rapport à Gemini 3.5 Flash sur DeepSWE, MLE Bench, OSWorld-Verified et GDPval-AA v2. Il a également indiqué que Gemini 3.6 Flash conserve une fenêtre de contexte d’un million de tokens et que Computer Use est désormais un outil côté client intégré dans l’API Gemini et Gemini Enterprise. Si ces fonctions fonctionnent de manière fiable en production, elles renforcent l’argumentaire de Google auprès des équipes qui développent des logiciels agentiques nécessitant une interaction avec le navigateur, le bureau ou des applications, et pas seulement des réponses de chat.

Cette stratégie correspond aussi à une tendance plus large du marché. Les acheteurs d’IA en entreprise distinguent de plus en plus le « meilleur modèle » du « meilleur modèle pour la tâche ». Un flux de support client, une chaîne de revue de code ou un système de tri documentaire peut avoir davantage besoin d’une latence prévisible et de factures de tokens maîtrisables que d’un raisonnement de pointe. En ce sens, Gemini 3.5 Flash-Lite et Gemini 3.6 Flash visent la plus grande partie pratique du marché, même s’ils ne règlent pas la course au prestige.

Preuves, benchmarks et ce qui reste à vérifier

Les affirmations les plus solides concernant ces sorties proviennent soit de Google, soit de rapports secondaires citant des résultats de benchmarks, donc la prudence est de mise.

Pour Gemini 3.6 Flash, TechCrunch AI a attribué à Google l’affirmation d’une utilisation de tokens jusqu’à 17 % inférieure à celle de Gemini 3.5 Flash. The Decoder a rapporté des écarts de benchmark et des tarifs plus détaillés, ainsi que l’affirmation de Google faisant état d’économies de tokens allant jusqu’à 65 % sur DeepSWE. Ces chiffres peuvent être significatifs, mais ils restent liés à des benchmarks et rapportés par le fournisseur, sauf réplication indépendante.

Pour Gemini 3.5 Flash-Lite, The Decoder a cité Artificial Analysis pour les estimations de débit et a rapporté les comparaisons de Google avec les anciens modèles Flash. Là encore, ce sont des signaux utiles pour les acheteurs, mais ce n’est pas la même chose que des études de production neutres.

Gemini 3.5 Flash Cyber porte les affirmations les plus sensibles. The Decoder a rapporté que sur le benchmark CyberGym il a obtenu 83,2 %, proche du GPT-5.5-Cyber d’OpenAI à 85,6 %, et a décrit des tests internes menés par les équipes de Google sur Chrome, Safari, V8 et des API publiques. Il a également rapporté que Google a déclaré que le modèle avait trouvé des failles d’exécution de code à distance et produit un exploit fonctionnel lors d’un test. Ce sont des capacités sérieuses avec des implications évidentes de double usage, ce qui explique probablement pourquoi Google restreint fortement l’accès. Mais ce sont aussi des affirmations fondées sur des évaluations menées par Google et des déploiements internes, pas sur des tests publics à grande échelle.

Les reportages évoquent aussi des contrôles de sécurité renforcés. The Decoder a indiqué que Google a ajouté des garde-fous Frontier Safety contre les abus CBRN et cyber. C’est un signal important pour les équipes de gouvernance d’entreprise, même si les limites opérationnelles exactes et les résultats du red teaming n’ont pas été détaillés dans les éléments de preuve fournis ici.

Ce que cela signifie pour les développeurs et les acheteurs d’entreprise

Pour les développeurs, l’enseignement immédiat est que Google mise plus fortement sur l’économie des agents d’IA. Si Gemini 3.6 Flash peut offrir de meilleures performances en codage et en multimodalité avec une utilisation de tokens plus faible, il devient plus attractif pour les systèmes de production où les modèles sont appelés à répétition dans de longs workflows.

Pour les entreprises, Gemini 3.5 Flash-Lite pourrait être la sortie la plus importante que ne le laissent penser les titres. Les modèles moins chers et à haut débit déterminent souvent si les fonctionnalités d’IA peuvent être déployées largement à travers de grands effectifs ou des interactions clients. La différence entre un modèle de raisonnement premium et un modèle de service rapide et bon marché peut décider de la mise sur le marché ou non d’un produit.

L’offre restreinte Gemini 3.5 Flash Cyber pointe vers un second thème : les modèles spécialisés deviennent une catégorie produit plus claire au sein de l’IA d’entreprise. Plutôt qu’un modèle généraliste qui fait tout, les fournisseurs segmentent de plus en plus la pile en outils optimisés pour le codage, la sécurité, la recherche ou l’automatisation de workflows à fort volume. CodeMender et Gemini Enterprise Agent Platform s’inscrivent dans cette direction.

L’inconvénient pour Google est la perception stratégique. Si les acheteurs concluent que Google est le plus fort sur les niveaux de service efficaces mais pas encore compétitif sur les modèles de pointe disponibles publiquement, certaines charges de travail à fort enjeu en codage et en recherche pourraient migrer vers OpenAI ou Anthropic jusqu’à l’arrivée de Gemini 3.5 Pro. Cette perception peut compter même si beaucoup de déploiements réels reposent encore sur des systèmes Flash moins coûteux.

Ce qu’il faut surveiller ensuite

Le premier signal à surveiller est le calendrier et le positionnement de Gemini 3.5 Pro. Si Google le publie bientôt avec des gains clairs en codage et en raisonnement, le lancement Flash de cette semaine pourrait apparaître comme une extension pratique du portefeuille plutôt que comme la preuve d’un compromis dû au retard.

Deuxièmement, il faut voir si les tests tiers valident les affirmations d’efficacité de Google concernant Gemini 3.6 Flash et les affirmations de débit autour de Gemini 3.5 Flash-Lite. Les mesures indépendantes de développeurs et de groupes de benchmarks compteront davantage que les graphiques du jour du lancement.

Troisièmement, il faut suivre l’ampleur de l’ouverture de Gemini 3.5 Flash Cyber et voir si CodeMender gagne du terrain auprès des équipes de sécurité. Un accès limité est compréhensible pour un système à double usage, mais une disponibilité restreinte peut aussi limiter l’impact sur le marché.

Enfin, le commentaire de Logan Kilpatrick, cité par TechCrunch AI, selon lequel Google a lancé sa campagne de pré-entraînement la plus ambitieuse à ce jour pour Gemini 4, suggère que l’entreprise veut rassurer le marché sur le fait que le travail de pointe progresse, même si Gemini 3.5 Pro prend du retard. Reste à savoir si cette assurance suffira : cela dépendra de la livraison, pas des signaux.

Perspective Creati.ai

La dernière sortie Gemini de Google ressemble moins à une tentative de gagner le classement des modèles qu’à une reconnaissance de la manière dont les budgets IA sont réellement dépensés. Dans les déploiements d’entreprise, le vrai problème n’est souvent pas de trouver le modèle le plus intelligent. C’est de trouver un modèle rapide, stable, abordable et suffisamment bon pour être appelé des milliers ou des millions de fois par jour. Gemini 3.6 Flash et Gemini 3.5 Flash-Lite parlent directement à cette réalité.

Mais l’écart avec la version Pro reste important. Les modèles de pointe façonnent l’imaginaire des développeurs, les charges de travail premium et la perception de celui qui donne le rythme dans l’IA. Si Google ne parvient pas à faire passer Gemini 3.5 Pro du test chez les partenaires à une sortie large rapidement, l’entreprise risque d’être perçue comme la plus forte sur le segment de l’efficacité tandis que ses rivaux définissent le haut de marché. Pour les développeurs, cela signifie que Google propose aujourd’hui des outils de production utiles. Pour la course globale à l’IA, la question sans réponse est de savoir si son histoire de modèle phare n’est que retardée ou si elle prend encore plus de retard.