La réponse courte
Le modèle phare de Google, Gemini 3.5 Pro, accuse plusieurs mois de retard car ses performances en codage n'ont pas atteint le niveau que Google s'était lui-même fixé, selon un article de Bloomberg du 16 juillet 2026. Présenté lors de Google I/O en mai avec un déploiement élargi promis pour juin, le tier Pro est toujours en phase de tests partenaires ; une tentative de rattrapage fin juin via une mise à jour des données d'entraînement aurait, selon les rapports, manqué l'objectif. L'action Alphabet a perdu environ 4 % à la suite de l'annonce, effaçant quelque 200 milliards de dollars en une séance.
Pour les équipes qui développent des produits ou livrent du code avec l'IA, la leçon n'est pas « évitez Gemini ». C'est qu'une date de roadmap annoncée par un laboratoire n'est pas une garantie de livraison, et que la qualité du codage fait désormais bouger les marchés. Les équipes qui traversent cela sereinement sont celles qui routent déjà leur travail via une couche agnostique aux modèles et évaluent les modèles sur leurs propres tâches — pour elles, un retard de mise en production n'est qu'un non-événement, pas une réplanification d'urgence.
Qu'a réellement retardé Google ?
Google a présenté la famille Gemini 3.5 lors de sa conférence développeurs I/O en mai 2026. À l'époque, la société avait indiqué que le tier Pro haut de gamme était en usage interne et qu'un déploiement plus large suivrait le mois suivant. Juin est passé sans que cela se concrétise. Le 16 juillet, Bloomberg a rapporté — citant des personnes proches du dossier — que le modèle accuse désormais plusieurs mois de retard précisément parce que ses capacités, et le codage en particulier, n'ont pas atteint les exigences internes de Google.
Le détail temporel est important. Fin juin, selon les informations disponibles, Google a mis à jour les données utilisées pour entraîner le modèle dans le but de combler l'écart avec la concurrence, mais les résultats n'ont toujours pas satisfait aux critères internes. Il s'agit d'un problème différent d'un simple retard d'ingénierie : cela suggère que la capacité elle-même n'est pas encore au niveau souhaité, et non qu'une simple liste de contrôle de lancement est incomplète. Google n'a pas contesté le fond. Un porte-parole a déclaré à Reuters que la société « teste actuellement 3.5 Pro, un modèle Flash amélioré et d'autres modèles avec des partenaires », et a formulé sa stratégie comme consistant à « livrer rapidement sur un large éventail de modèles tout en les maintenant très économiques ». Pour les équipes dont les produits s'appuient sur l'IA appliquée, le machine learning et les données, la conclusion est que « annoncé » et « disponible en général » sont désormais séparés par un écart sur lequel on ne peut pas planifier.
Deux éléments ne sont pas affectés. Gemini 3.5 Flash et Flash-Lite ont déjà été mis en production, et le Pro de la génération précédente reste disponible. Si vous consommez Gemini via Vertex AI, vos charges de travail en production continuent de fonctionner sur les modèles actuels ; ce qui a glissé, c'est la prochaine étape de capacité, pas le service lui-même.
Pourquoi un déficit de codage fait-il bouger le marché ?
Une chute de 4 % en une seule journée — environ 200 milliards de dollars de capitalisation boursière — est une réaction importante pour un modèle en retard que peu de clients avaient encore utilisé. Cela prend tout son sens dès lors qu'on comprend ce que le marché valorise réellement : le codage est devenu le proxy du progrès frontier. Au cours de l'année écoulée, les modèles qui ont pris de l'avance l'ont fait sur la génération de code et les workflows agentiques, et la concurrence a donné le rythme. OpenAI a livré GPT-5.6 le 9 juillet avec un produit orienté travail, et Meta a sorti ses propres nouveaux modèles ; les deux ont été interprétés comme devançant la ligne actuelle de Google sur le code. Un modèle Google qui ne peut pas atteindre sa propre barre de codage est perçu par les investisseurs comme du terrain perdu sur le seul benchmark qui compte vraiment désormais.
Il y a aussi un signal honnête ici pour les responsables techniques. Quand un laboratoire disposant des ressources de Google choisit de retenir un modèle phare plutôt que de le livrer, c'est ce laboratoire qui vous dit que ses propres évaluations internes n'étaient pas convaincantes. Cela vaut plus que n'importe quel classement public : c'est un rappel que les scores de benchmark et la qualité de codage réelle divergent, et que l'entité la plus proche du modèle a fait confiance à ses évaluations privées plutôt qu'à la pression de lancement. Votre équipe devrait appliquer la même rigueur à sa propre échelle — faites confiance aux évaluations réalisées sur votre propre code plutôt qu'aux chiffres d'un communiqué de lancement.
Quel risque cela révèle-t-il dans votre stack ?
Le risque concret est le couplage au calendrier fournisseur. Si une fonctionnalité de votre roadmap suppose que « le prochain Gemini gérera cela », ou si vos outils de développement se standardisent sur l'assistant d'un seul fournisseur, un glissement comme celui-ci atterrit directement dans votre plan de livraison. Vous hériterez d'un calendrier que vous ne maîtrisez pas, fixé par un laboratoire qui optimise pour sa propre position compétitive plutôt que pour votre date de release.
Le deuxième risque est plus largement la concentration sur un seul fournisseur. Ce n'est pas spécifique à Google — au cours du même mois, des équipes ont observé des changements de tarification et des lacunes de disponibilité régionale chez d'autres laboratoires. Toute architecture qui ne peut appeler l'API que d'un seul fournisseur est exposée simultanément aux retards, aux changements de prix, aux limites de débit, aux dépréciations et aux contraintes de résidence des données de ce fournisseur. Pour les équipes réglementées dans la FinTech et la santé, l'angle résidence et conformité est le plus critique : « nous changerons de modèle quand le modèle conforme sera disponible » n'est pas un plan si changer signifie une ré-intégration complète.
Le troisième risque, plus discret, est la dette d'évaluation. Les équipes qui adoptent un modèle sur la foi de son annonce — plutôt que d'un harnais de test sur leurs propres tâches — n'ont aucun moyen objectif de savoir si un modèle retardé ou remplacé les aide réellement. Sans vos propres évaluations, vous externalisez une décision de construction ou d'achat au calendrier marketing d'un fournisseur.
Ce que cela signifie pour les équipes tech en France
Ce que cela signifie pour le marché français : En France, ce retard prend une résonnance particulière dans le contexte de la souveraineté numérique. La French Tech et BPI France ont soutenu l'essor d'alternatives locales — Mistral AI en tête — précisément pour réduire la dépendance aux grandes plateformes américaines. Pour les équipes françaises soumises aux recommandations de la CNIL ou aux exigences de localisation des données de clients, parier sur un modèle Google encore en phase de test partenaire implique un double risque : calendrier incertain et hébergement non garanti dans des régions européennes. Intégrer une couche d'abstraction qui permet de basculer vers Mistral, Anthropic ou un modèle open source hébergé en France n'est pas seulement une bonne pratique d'ingénierie — c'est une réponse directe aux contraintes réglementaires de votre marché.
Rien dans cette situation n'impose de modifier en urgence un système opérationnel. Les modèles Gemini déjà livrés continuent de fonctionner ; ce n'est pas la fin du monde pour quiconque utilise Flash ou l'actuel Pro. La réponse utile est de traiter ce retard comme un test de résistance pour mesurer votre couplage à un seul modèle — et de vous donner des options avant d'en avoir besoin.
Le levier le plus efficace est une couche d'abstraction fournisseur : routez tous les appels aux modèles via une interface interne afin que le remplacement d'OpenAI, Anthropic, Google ou d'un modèle open source derrière elle soit un changement de configuration, pas une migration de code. Associez cela à un petit harnais d'évaluation qui note les modèles candidats sur un ensemble fixe de tâches de codage et de production qui vous sont propres. Ainsi, un retard de modèle, une baisse de prix ou une nouvelle mise en production devient une expérience contrôlée que vous conduisez en une après-midi, plutôt qu'une course stratégique. C'est précisément la rigueur qui distingue un développement logiciel sur mesure durable d'un projet silencieusement soudé à une seule API.
Il y a aussi une lecture d'achat pour les responsables techniques. Cessez de traiter les dates de disponibilité annoncées par un laboratoire comme des engagements dans votre planification ; traitez-les comme des prévisions optimistes et planifiez autour des modèles généralement disponibles aujourd'hui. Si un élément de roadmap nécessite réellement une capacité qu'un modèle non encore livré seul peut offrir, signalez-le comme une dépendance à risque et conservez un chemin de repli sur les modèles actuels. Les équipes qui ont traversé cette semaine sans difficulté sont celles pour lesquelles « quel modèle frontier est en tête ce mois-ci » est une optimisation, pas une fondation.
Que faire ce trimestre
Transformez cette actualité en un court exercice de durcissement concret plutôt qu'en débat philosophique sur les fournisseurs.
- Placez les appels aux modèles derrière une interface unique. Si votre code appelle directement un SDK fournisseur à de nombreux endroits, encapsulez-le. Un point d'abstraction unique rend chaque remplacement ultérieur peu coûteux.
- Construisez un jeu d'évaluations par tâche. Collectez 20 à 50 tâches représentatives de votre propre produit et de votre codebase, avec des sorties attendues notées, et évaluez tout modèle candidat sur celles-ci — pas sur des benchmarks publics.
- Configurez un fournisseur de repli. Maintenez au moins un modèle alternatif câblé et testé pour vos principales charges de travail, afin qu'un retard, une panne ou une hausse de prix soit une bascule, pas un projet.
- Cartographiez les éléments de roadmap en fonction des dépendances aux modèles. Signalez toute fonctionnalité qui suppose un modèle non encore livré ; donnez à chacune un plan B sur les modèles actuellement disponibles.
- Définissez des garde-fous de coût et de résidence des données. Suivez les dépenses par modèle et confirmez que chaque fournisseur dont vous dépendez peut satisfaire à vos exigences de résidence des données et de conformité avant d'en dépendre.
- Relancez les évaluations à chaque mise en production. Quand un modèle retardé finit par être livré, décidez avec des données — faites-lui passer le même harnais et comparez, plutôt que de l'adopter sur sa réputation.
Une mise en production bloquée chez l'un des plus puissants laboratoires d'IA n'est pas une crise — c'est un rappel utile que la capacité des modèles progresse de manière irrégulière. Les équipes qui traitent les modèles comme des composants interchangeables, évalués sur leurs propres tâches, continueront à livrer quelle que soit la tête du classement ce mois-ci. Les équipes qui traitent la roadmap d'un seul fournisseur comme la leur continueront à replanifier à chaque glissement.
Questions fréquentes
Pourquoi Gemini 3.5 Pro est-il retardé ?
Selon un article de Bloomberg du 16 juillet 2026, citant des personnes proches du dossier, Google a retardé la diffusion large de Gemini 3.5 Pro car les capacités du modèle n'ont pas atteint les attentes internes — en particulier ses performances en matière de codage. Une mise à jour des données d'entraînement effectuée fin juin, censée combler l'écart avec la concurrence, n'aurait selon les rapports pas suffi. Google a indiqué à Reuters qu'il « teste actuellement 3.5 Pro, un modèle Flash amélioré et d'autres modèles avec des partenaires ».
Quand Gemini 3.5 Pro sera-t-il disponible ?
Google n'a pas communiqué de nouvelle date ferme. Gemini 3.5 a été présenté lors de Google I/O en mai 2026 avec un déploiement élargi du tier Pro annoncé pour le mois suivant ; cette fenêtre de juin ne s'est pas concrétisée. Au 16 juillet 2026, le modèle était décrit comme ayant plusieurs mois de retard et se trouvant encore en phase de tests partenaires. Traitez toute date annoncée comme provisoire et planifiez à partir des modèles généralement disponibles aujourd'hui.
Comment le retard a-t-il affecté l'action Alphabet ?
L'action Alphabet a chuté d'environ 4 % le jeudi 16 juillet 2026, suite à l'annonce du retard — un mouvement qui a effacé environ 200 milliards de dollars de capitalisation boursière en une seule séance. Cette réaction reflète à quel point les performances en codage et les capacités agentiques sont désormais au cœur de la compétition entre Google, OpenAI, Anthropic et Meta.
Que devraient faire les équipes utilisant Gemini pour le codage ?
Ne bloquez pas les systèmes opérationnels, mais réduisez la dépendance à un seul fournisseur. Continuez à utiliser les modèles Gemini disponibles aujourd'hui (Flash, Flash-Lite et l'actuel Pro), routez vos appels via une couche d'abstraction fournisseur pour changer de modèle sans réécriture, et évaluez tout modèle candidat sur vos propres tâches de codage représentatives plutôt que sur les benchmarks éditeurs. Considérez ce retard comme la preuve que les dates de roadmap ne sont pas des garanties de livraison.
Gemini 3.5 Flash est-il affecté par le retard ?
Le retard concerne exclusivement le tier Pro phare. Gemini 3.5 Flash et Flash-Lite ont déjà été mis en production, et Google indique qu'un modèle Flash amélioré figure parmi ceux en cours de tests partenaires. Les équipes qui utilisent Flash pour des charges de travail sensibles aux coûts ne sont pas bloquées par le glissement du Pro — bien que la même discipline multi-modèle s'applique : évaluez sur vos propres tâches et conservez un fournisseur de repli configuré.
Sources
CNBC — Alphabet shares fall on report its most powerful AI model Gemini 3.5 Pro is delayed, 16 July 2026
9to5Google — Gemini 3.5 Pro delays due to coding performance; upgraded Flash in testing, 16 July 2026
Reuters / Global Banking & Finance — Google Gemini launch delayed as tech falls short of internal goals, Bloomberg News reports