L’essentiel
Gemini 4 Argon est la tentative de Google de reprendre la tête des modèles de pointe, et il arrive par étapes : partenaires sécurité maintenant, clients API payants et abonnés AI Ultra « bientôt », sans date de disponibilité générale. Le prix de lancement de 2 $ en entrée et 10 $ en sortie par million de tokens s’aligne sur GPT-6.1 Sol, le modèle milieu de gamme d’OpenAI, et la limite de sortie grimpe à 1 million de tokens. Pour les équipes qui s’appuient sur la plateforme Vertex AI de Google ou l’API Gemini, rien ne change en production aujourd’hui.
Ce qui change, c’est l’horizon de planification. Un modèle de pointe vendu au prix d’un milieu de gamme, dont le tarif standard doublera ensuite, est précisément le cas où un petit banc d’évaluation et un routeur de modèles configurable se rentabilisent avant même l’ouverture de l’accès.
Qu’a annoncé Google avec Gemini 4 Argon ?
Argon est le premier modèle de la génération Gemini 4. Dans son billet de lancement, Koray Kavukcuoglu, architecte en chef de l’IA chez Google et SVP de Google DeepMind, le décrit comme conçu pour maintenir un raisonnement approfondi sur des workflows longs et complexes, avec trois cas d’usage phares : le développement logiciel, le travail intellectuel spécialisé et la cyberdéfense. CNBC le qualifie de modèle d’IA le plus avancé d’Alphabet à ce jour.
Deux caractéristiques comptent surtout pour les développeurs. D’abord, la limite de sortie passe de 64 000 à 1 million de tokens : des générations très longues, comme la réécriture de modules entiers ou de vastes ensembles documentaires, deviennent possibles en une seule réponse. Ensuite, le prix : Google affiche 2 $ par million de tokens en entrée et 10 $ en sortie au lancement, avec 95 % de remise sur les entrées en cache, avant un tarif standard de 4 $ et 20 $. Selon Yahoo Finance, ce prix de lancement égale celui de GPT-6.1 Sol d’OpenAI et représente un cinquième du tarif catalogue de 10 / 50 $ de GPT-6 Astra et de Fable 5.1 d’Anthropic.
Google a également publié des résultats internes. Argon aurait aidé à migrer plus de 800 000 lignes de code C et C++ vers Rust, dont des parties du noyau Zircon de Fuchsia, et trouvé des optimisations mémoire ayant libéré environ 300 Tio dans ses centres de données sans nouveau matériel.
Pourquoi Argon va-t-il d’abord aux défenseurs cyber ?
Parce que les compétences qui rendent un modèle bon pour corriger du code le rendent aussi bon pour le casser. Google affirme qu’Argon sait trouver, valider et corriger des vulnérabilités graves et qu’avec Wiz, il a mis au jour une faille critique dans un logiciel de santé que les modèles de pointe précédents avaient manquée. Plutôt que d’ouvrir cette capacité à tous dès le premier jour, Google commence par des défenseurs de confiance de son programme Fairwind, tout en participant au processus volontaire de test avant diffusion du gouvernement américain.
« Commencer le déploiement de cette manière nous donne davantage de confiance, mais nous permet aussi de mettre le plus tôt possible entre les mains des défenseurs un modèle entraîné et performant en cyberdéfense », a déclaré à CNBC Tulsee Doshi, responsable produit des modèles Gemini. Le schéma s’est généralisé : OpenAI et Anthropic ont eux aussi restreint ces dernières semaines l’accès à leurs modèles les plus capables en cybersécurité. Le déploiement par étapes devient la norme des sorties de modèles de pointe, plus l’exception.
Que vaut vraiment Argon en développement ?
D’après les chiffres publiés par Google, beaucoup : 77,9 % sur DeepSWE v1.1, 1re place sur AutomationBench de Zapier avec 51,3 %, 91,7 % sur le test vidéo longue durée LVBench et 1re place ex aequo sur CWE-bench v1 avec 68 %. TechCrunch relaie l’affirmation de Google selon laquelle Argon dépasse nettement GPT-6 Astra et les modèles Fable et Opus d’Anthropic sur plusieurs de ces tests, et CNBC précise qu’il fait jeu égal avec GPT-6 Astra et Grok 4.7 en cybersécurité.
Un signal contraire mérite toutefois d’être pris au sérieux. Bloomberg rapporte, en citant des personnes ayant un accès direct, que certains salariés de Google ont trouvé Gemini 4 moins impressionnant en développement réel que ne le laissent penser ses scores ; Google a qualifié cette présentation d’inexacte. Les benchmarks des éditeurs sont menés par les éditeurs, et c’est précisément dans l’écart entre le classement et votre propre dépôt que les équipes d’ingénierie sentent la différence.
Ce que cela change pour les équipes logicielles aux États-Unis et en Europe
Premièrement, la qualité de pointe au prix du milieu de gamme est désormais une course, pas un coup isolé. En deux jours, OpenAI a fixé GPT-6.1 Sol à 2 / 10 $ et Google s’est aligné pour un modèle de pointe. Cette pression profite aux acheteurs, mais seules les équipes dont l’architecture permet de basculer le trafic d’un fournisseur à l’autre peuvent en tirer parti. Des appels de modèle codés en dur dans toute la base de code transforment chaque baisse de prix en chantier de refactorisation.
Deuxièmement, budgétez au tarif standard. Le prix de lancement doublera à 4 / 20 $ à une date que Google n’a pas annoncée. Un business case bâti sur la remise de lancement peut basculer discrètement un trimestre plus tard. Modélisez les deux tarifs et suivez le coût par tâche réalisée plutôt que par token : un modèle aux réponses plus longues peut effacer un prix unitaire plus bas.
Troisièmement, 1 million de tokens en sortie change les modes de défaillance. Des réponses plus longues signifient un coût maximal par appel plus élevé, des délais d’expiration plus longs, et des parseurs et stockages en aval souvent dimensionnés pour des charges bien plus petites. Plafonnez explicitement la longueur de sortie par workflow au lieu de vous reposer sur la limite du modèle.
Quatrièmement, l’accès par étapes est un signal de gouvernance. Pour les équipes européennes, les obligations de l’AI Act sur les modèles d’IA à usage général et le principe de responsabilité du RGPD imposent de savoir quelle version de modèle a produit un résultat et où les données ont été traitées. Vérifiez la disponibilité régionale et les conditions contractuelles du point de terminaison Google concerné avant d’y envoyer des données personnelles, et journalisez l’identifiant du modèle à chaque réponse.
Qu’est-ce que cela signifie pour le marché français ?
En France, l’adoption d’un nouveau modèle de pointe se joue moins sur les benchmarks que sur la conformité et la souveraineté. Les DSI et DPO voudront savoir si Argon sera proposé dans une région européenne de Vertex AI (Google exploite notamment une région à Paris), sous quel contrat de sous-traitance RGPD, et comment documenter le traitement au regard des recommandations de la CNIL sur l’IA. Pour les administrations, opérateurs d’importance vitale et données sensibles, la question d’un hébergement qualifié SecNumCloud se posera d’emblée ; en attendant des réponses claires, un pilote sur données synthétiques ou anonymisées reste la voie réaliste.
Le positionnement cyber intéressera directement les ESN, les prestataires de sécurité et les éditeurs français : audit de code, recherche de vulnérabilités ou migration de code C/C++ vers Rust sont des offres où Argon peut faire la différence. Mais face à des alternatives européennes comme Mistral AI, l’argument décisif ne sera pas le classement : ce sera la preuve, sur vos propres tâches, d’un gain de qualité ou de coût suffisant pour justifier un fournisseur américain. Une architecture multi-fournisseurs permet de garder ce choix ouvert.
Que faire avant l’ouverture de l’API ?
- Mettre à jour le jeu d’évaluation. Rassembler 50 à 200 tâches réelles issues de vos dépôts et workflows, avec des critères réussite/échec, pour tester Argon dès la semaine d’ouverture de l’accès.
- Placer les modèles derrière un routeur. Faire du fournisseur et de l’identifiant de modèle de la configuration, pas du code, et prévoir une route de repli nommée pour chaque workflow.
- Chiffrer les deux tarifs. Modéliser les coûts à 2 / 10 $ et à 4 / 20 $, en intégrant la part d’entrées en cache, les relances et la longueur des sorties.
- Plafonner les sorties. Fixer explicitement un maximum de tokens en sortie et des délais d’expiration par workflow, maintenant que les réponses peuvent atteindre 1 million de tokens.
- Vérifier localisation et contrats. Confirmer quelles régions et quels contrats couvriront Argon avant d’y envoyer des données réglementées ou personnelles.
Questions fréquentes
Qu’est-ce que Gemini 4 Argon ?
Gemini 4 Argon est le premier modèle de pointe de la génération Gemini 4 de Google, annoncé le 30 septembre 2026. Google le destine au développement logiciel sur des tâches longues, au travail intellectuel spécialisé (finance, droit) et à la cyberdéfense, et affirme qu’il mène plusieurs benchmarks indépendants, dont DeepSWE v1.1 et le Vals Index.
Qui peut utiliser Gemini 4 Argon aujourd’hui ?
Dans un premier temps, uniquement les partenaires cybersécurité agréés du programme Fairwind de Google. Les clients API payants et les abonnés Google AI Ultra doivent suivre. Google participe au processus volontaire de test avant diffusion du gouvernement américain, mais n’a annoncé aucune date de disponibilité générale.
Combien coûtera Gemini 4 Argon dans l’API ?
Google affiche un prix de lancement de 2 $ par million de tokens en entrée et 10 $ par million de tokens en sortie, avec 95 % de remise sur les entrées en cache. Ensuite, le tarif standard passe à 4 $ et 20 $. Google n’a pas précisé la fin de la période de lancement.
Gemini 4 Argon est-il meilleur que GPT-6 Astra et Claude ?
Selon les chiffres publiés par Google, il mène ou partage la tête sur plusieurs benchmarks, dont 77,9 % sur DeepSWE v1.1 et une première place ex aequo sur CWE-bench ; CNBC indique qu’il fait jeu égal avec GPT-6 Astra et Grok 4.7 en cybersécurité. Bloomberg rapporte que des salariés de Google l’ont trouvé moins convaincant en code réel que ne le suggèrent les benchmarks, ce que Google conteste. Faites donc vos propres évaluations.
Que doivent faire les équipes en France avant l’ouverture de l’API ?
Se préparer plutôt que migrer : constituer un jeu d’évaluation à partir de tâches réelles, rendre les identifiants de modèle configurables derrière un routeur, chiffrer les coûts aux deux tarifs, vérifier les limites de sortie des pipelines et, avant tout traitement de données personnelles, confirmer la région d’hébergement et le cadre contractuel RGPD du point de terminaison Google utilisé.
Sources
Google — Gemini 4 Argon (company announcement)
TechCrunch — Google releases Gemini 4 Argon, called its most powerful model yet
CNBC — Google rolls out Gemini 4 Argon, its most advanced AI model
Yahoo Finance — Google debuts Gemini 4 Argon, its latest frontier model
Techmeme — Bloomberg report on internal Gemini 4 coding feedback