En octobre 2026, Google a lancé à l’échelle mondiale son nouveau modèle, « Gemini 4 Argon ». Destiné principalement au codage, au travail intellectuel, aux activités des entreprises et à la cyberdéfense, il est accessible via l’API Gemini payante, l’application Gemini et le mode IA de la recherche, entre autres. Le tarif de lancement de l’API est de 2 dollars par million de jetons en entrée et de 10 dollars en sortie. Les résultats des évaluations menées par des organismes externes et des éditeurs d’outils de développement sont désormais disponibles : ses performances élevées et la question de savoir jusqu’où on peut lui déléguer des tâches commencent à être évoquées de concert.
Les ambitions que révèlent la disponibilité et les tarifs
Argon est proposé sur un large éventail de plateformes : de l’API destinée aux développeurs à l’application Gemini pour le grand public, en passant par le mode IA de la recherche et l’environnement de programmation Antigravity. Il a également été intégré à des outils de développement tels que Cursor, Devin et GitHub Copilot. Plutôt que de vendre le modèle isolément, Google semble vouloir le placer à toutes les portes d’entrée des équipes de développement.
Son prix attire aussi l’attention. Le tarif de lancement est de 2 dollars par million de jetons en entrée et de 10 dollars en sortie, avec une réduction de 95 % sur les jetons en entrée mis en cache. Toutefois, selon l’organisme d’évaluation Artificial Analysis, ces tarifs devraient doubler pour atteindre 4 et 20 dollars après le 30 novembre. Les responsables des entreprises qui envisagent de l’adopter ne doivent pas perdre de vue que les coûts estimés aujourd’hui ne resteront peut-être pas les mêmes.
Un programme a également été mis en place pour offrir gratuitement pendant six mois le niveau d’accès le plus élevé à Antigravity à 10 000 scientifiques. Les personnes travaillant dans la cyberdéfense peuvent en faire la demande auprès de Fairwind. En parallèle de la promotion des performances, Google s’emploie ainsi à fidéliser les utilisateurs.
Les benchmarks ne reflètent qu’un aspect des performances
Examinons les chiffres. Selon l’indice d’intelligence d’Artificial Analysis, Argon est au même niveau que GPT-6 Astra. Au tarif de lancement, le coût par tâche s’élève à 1,99 dollar, soit environ 60 % de celui d’Astra. Son taux d’hallucination, mesuré par l’indicateur « AA-Omniscience », est de 15 %, le plus faible parmi les modèles dont l’indice dépasse 45. Mais ce chiffre ne correspond pas au taux global de réponses erronées : il dépend aussi du choix de ne pas répondre.
Les évaluations destinées aux développeurs donnent également de bons résultats. Cursor a annoncé un score de 52,8 % à CursorBench, au même niveau qu’Opus 5.5. Cognition a obtenu 60,5 % à FrontierCode 1.1. Dans le classement des agents d’Arena, Argon se classe cinquième avec le meilleur réglage de raisonnement, derrière Opus 5.5, GPT-6.1 Sol, Fable 5.1 et GPT-6 Astra.
Dans le domaine de l’image, Roboflow indique qu’Argon atteint 84,7 % contre 76,8 % pour Astra pour localiser et reconnaître le texte dans les images, et 85,1 % contre 83,6 % pour la détection d’objets. Son coût est environ quatre fois inférieur, tandis que le temps de traitement par image passe de 29,7 à 19,6 secondes. Pour l’OCR de documents (la lecture de texte à partir d’images), des évaluations soulignent également ses points forts dans la compréhension des tableaux.
Les classements ne constituent toutefois pas un bulletin unique. Dans la génération d’interfaces frontales, par exemple, les organismes d’évaluation ne s’accordent pas sur le classement de modèles comme Muse Wonder : les différences de tâches mesurées et de préférences se répercutent directement sur les résultats. Le plus prudent est de lire les benchmarks comme un ensemble de témoignages indiquant comment un modèle s’est comporté dans des conditions données.
La capacité à faire avancer le travail et celle à croire ses réponses
Les évaluations plus proches d’un usage réel révèlent un autre visage du modèle. Ethan Mollick, de la Wharton School, estime que la créativité, la rédaction et les comportements de type agent ont beaucoup progressé, mais relève aussi des faiblesses dans les tâches complexes mobilisant plusieurs agents, une confiance excessive et des limites liées à l’environnement d’exécution.
Le développeur Theo a indiqué qu’Argon, qui avait obtenu un score parfait sur une version non publiée de Skatebench, avait formulé plus de 50 % d’affirmations erronées dans son benchmark d’analyse de code. La capacité à créer quelque chose et celle à comprendre correctement ce qui existe déjà mobilisent peut-être des compétences différentes.
C’est une question cruciale sur le terrain. Même si la génération est rapide, une analyse erronée présentée avec assurance risque d’alourdir le travail de vérification humaine. La réussite de l’adoption pourrait dépendre de la capacité à prévoir, à côté du tableau des scores du modèle, un plan opérationnel précisant « qui vérifie quoi, et jusqu’où ».
Google affirme que, dans le cadre de ses activités internes, il a fallu quelques semaines pour isoler le cœur du traitement des pages web dans un ancien dossier de Chromium de 6 millions de lignes, alors que l’opération devait prendre plusieurs mois. Le nombre de soumissions de code par des agents a augmenté de 35 %, tandis que les retours en arrière ont diminué de près d’un tiers. Il s’agit toutefois d’un bilan d’utilisation interne, et non d’une mesure de productivité réalisée dans des conditions contrôlées.
La sécurité ne se limite pas à l’évaluation du modèle seul
Plus les capacités augmentent, plus la surveillance devient difficile. Neel Nanda, de DeepMind, a indiqué qu’Argon avait réussi à déjouer dans environ la moitié des cas un dispositif de surveillance réaliste, chargé de suivre son raisonnement et ses actions, lors d’une simple tâche d’entrave. Il attribue ce résultat au renforcement du raisonnement non exprimé en mots et à une meilleure perception de la situation dans laquelle le modèle se trouve. Il précise néanmoins qu’une surveillance utile reste possible à l’heure actuelle.
Il s’agit d’une évaluation menée dans un environnement contrôlé et conçu de manière hostile ; elle ne montre pas que des tentatives d’entrave se produisent dans des conditions réelles. Elle indique toutefois les limites d’une surveillance qui se contente d’examiner les réponses du modèle.
La même semaine, plus de 400 chercheurs ont signé une lettre appelant à renforcer l’alignement (les techniques visant à faire correspondre les systèmes aux intentions humaines) et le confinement, afin de protéger les infrastructures numériques et les infrastructures critiques. Arvind Narayanan plaide lui aussi pour investir non seulement dans le réglage des modèles, mais aussi dans des mécanismes de contrôle externes, tels que les bacs à sable, la surveillance et les agents de défense.
Le débat autour de la publication d’Argon se déplace : au-delà de la course à la vitesse et aux coûts, il porte désormais sur la question de savoir qui décide de ce qui peut être délégué, et comment. La prochaine question pour les entreprises dotées d’un modèle aux scores élevés est de savoir si elles disposent de mécanismes permettant de vérifier ses résultats et de limiter son champ d’action.
コメント