Demandez à un assistant IA classique d’écrire un roman, et vous le verrez, au bout de quelques dizaines de milliers de mots, ralentir, se répéter, puis s’arrêter net au milieu d’une phrase, comme un conférencier à qui l’on coupe le micro. Ce n’est pas de la paresse : c’est un plafond technique. Chaque modèle a une limite stricte à la quantité de texte qu’il peut produire en une seule fois.
Or, le 30 septembre 2026, Google DeepMind a fait voler ce plafond en éclats. Son nouveau modèle, Gemini 4 Argon, peut générer jusqu’à un million de jetons d’une seule traite, contre 64 000 pour les générations précédentes de Gemini. Quinze fois plus. Mais l’histoire ne s’arrête pas là : Google ne l’ouvre ni au grand public, ni même aux développeurs. Les premiers à y goûter sont des experts en cybersécurité défensive triés sur le volet.
Pourquoi ce choix étonnant ? Que peut-on faire avec un million de jetons ? Et surtout, faut-il croire Google sur parole ? Décortiquons tout cela.
En bref : ce qu’il faut retenir
- Quoi : Gemini 4 Argon, nouveau modèle phare de Google DeepMind, pensé pour les tâches longues, complexes et en plusieurs étapes (ingénierie logicielle, cybersécurité, travail intellectuel en entreprise).
- Quand : annoncé le 30 septembre 2026 (les communiqués officiels sont datés du 1er octobre).
- La nouveauté vedette : une limite de génération portée de 64 000 à 1 000 000 de jetons.
- Qui peut l’utiliser : pour l’instant, uniquement des experts en cyberdéfense via le programme Fairwind. Ensuite viendront les clients payants de l’API et les abonnés Google AI Ultra, sans date annoncée.
- Combien : un tarif d’introduction de 2 $ (entrée) et 10 $ (sortie) par million de jetons, qui doublera ensuite.
- Le bémol : presque tous les chiffres de performance viennent de Google lui-même, et personne ou presque ne peut les vérifier.
Le million de jetons, expliqué sans formule magique
| 🔵 Pour les non-initiés : qu’est-ce qu’un « jeton » ? Une IA ne lit pas les mots comme vous et moi : elle les découpe en morceaux appelés jetons (tokens). Un jeton peut être un mot court, une syllabe, une ponctuation. Le mot « informatique » en occupe souvent deux ou trois. Les jetons servent aussi de monnaie : les fournisseurs d’IA facturent leurs services au nombre de jetons lus (entrée) et écrits (sortie). |
Il faut surtout distinguer deux plafonds que l’on confond souvent :
| Fenêtre de contexte | Limite de génération | |
| Ce que c’est | Ce que l’IA peut « avoir sous les yeux » : votre question, vos documents, l’historique | Ce que l’IA peut écrire dans une seule réponse |
| Image du quotidien | La taille de votre bureau : combien de dossiers y tiennent ouverts | La longueur de la lettre que vous pouvez taper sans jamais lever les mains |
| Cas d’Argon | Chiffre non précisé dans l’annonce | 1 000 000 de jetons (contre 64 000 avant) |
C’est ce second plafond qui change ici. Quand il est bas, l’IA est obligée de raccourcir ses réponses ou de fragmenter les gros chantiers en petits morceaux, en perdant parfois le fil entre deux. Quand il monte à un million, le modèle peut mener d’un seul souffle un raisonnement très long : rédiger un rapport d’audit complet, produire des milliers de lignes de code cohérentes, ou documenter un projet entier.
| 💡 Ordre de grandeur : En anglais, un jeton équivaut à environ 0,75 mot. En français, les mots sont un peu plus « coûteux » en jetons, donc comptez plutôt 0,6 à 0,7 mot par jeton. Un million de jetons représenterait ainsi de l’ordre de 600 000 à 750 000 mots : l’équivalent de sept à neuf romans de taille moyenne. Les anciens 64 000 jetons, eux, tenaient dans un seul roman court. Il s’agit d’une approximation de notre part, pas d’un chiffre fourni par Google. |
Un modèle conçu pour la « longue haleine »
Google présente Argon comme un modèle pour la vision à long terme. Imaginez la différence entre un standardiste qui répond à des questions ponctuelles et un chef de chantier qui suit un projet de bout en bout, se souvient de chaque décision et corrige le tir quand un mur ne tombe pas droit. Argon vise le second profil.
Deux exemples cités par Google : auditer une base de code complète (des milliers de fichiers qu’il faut comprendre dans leur ensemble) ou conduire une migration jusqu’à son terme (changer la technologie de fond d’un logiciel sans casser ce qui marche). Ce sont des travaux où l’IA ne « répond » pas : elle agit, vérifie, recommence, pendant des heures. C’est ce que l’on appelle un agent, un sujet que nous avons déjà exploré sur Tech-Connect, notamment sur les risques qu’il comporte.
Ce que Google fait déjà avec Argon en interne
Google affirme que des milliers de ses employés utilisent déjà Argon pour programmer, faire de la recherche approfondie et rédiger. L’entreprise détaille plusieurs chantiers concrets. Gardez en tête qu’il s’agit de comptes rendus de Google lui-même, qualifiés par certains observateurs de « premiers retours ».
1. Réécrire du vieux code en Rust
Des agents Argon aident à migrer du code ancien écrit en C et C++ vers Rust, en passant de quelques dizaines de milliers de lignes (bibliothèques comme re2 ou libgav1) à plus de 800 000 lignes pour le noyau Zircon de Fuchsia, le système d’exploitation maison de Google. Google précise que ces réécritures passent par des audits automatiques et manuels, des tests en émulation et des vérifications avant toute mise en production.
| 🔵 Pourquoi tout le monde veut passer au Rust ? C et C++ sont des langages très rapides, mais peu indulgents : une petite erreur de gestion de la mémoire peut ouvrir une faille de sécurité. C’est comme un échafaudage sans garde-corps : efficace, mais une seconde d’inattention suffit. Rust a été conçu avec des garde-corps intégrés : le compilateur refuse de produire un programme qui manipule la mémoire de façon dangereuse. D’où la popularité de ces migrations dans l’industrie… et leur coût humain énorme, que l’IA espère réduire. |
2. Un décodeur vidéo 2,7 fois plus rapide
Sur libgav1, le décodeur vidéo open source de Google (il lit le format AV1), les agents ont remplacé environ 32 000 lignes de code d’optimisation SIMD. Le résultat en Rust tourne 2,7 fois plus vite que le précédent portage en Rust, avec une sortie vidéo strictement identique, et se rapproche des performances de la version C++ très optimisée.
| 🔴 Attention à la formulation : Le « 2,7 fois plus vite » se compare à l’ancien portage Rust, pas au code C++ d’origine. Formulée sans cette précision, la phrase pourrait laisser croire à un gain face à la référence historique. |
3. Libérer 300 téraoctets dans les serveurs de Google
Une équipe d’agents Argon a analysé la télémétrie (les relevés de fonctionnement) du parc de serveurs et appliqué de façon autonome des optimisations de mémoire dans les centres de données. Résultat : plus de 300 TiB libérés à ce jour, avec des économies totales estimées entre 500 TiB et 1 PiB.
| 🔵 TiB, PiB : de quoi parle-t-on ? Le tébioctet (TiB) vaut 1 024 gibioctets, soit environ 1,1 téraoctet. Les 300 TiB libérés correspondent donc à environ 330 To. Le pébioctet (PiB) vaut 1 024 TiB. Autrement dit, la fourchette annoncée va de « beaucoup » à « énormément » de mémoire non gaspillée. |
4. Un coup de pouce aux chercheurs en informatique quantique
Des chercheurs de Google ont utilisé Argon pour optimiser l’usage des ressources (qubits × portes logiques) dans certains sous-programmes quantiques. Dans un cas, le modèle a battu de 40 % la valeur de référence publiée, en quelques minutes.
Pourquoi la cybersécurité d’abord ?
C’est le point le plus surprenant de l’annonce : le premier public d’Argon n’est ni le grand public, ni les développeurs, mais des défenseurs informatiques. Google justifie ce déploiement progressif par la puissance de calcul nécessaire et par les garde-fous qu’exige un modèle doté d’une telle autonomie.
Le programme Fairwind
Fairwind a été lancé par Google le 2 septembre 2026 comme un programme d’accès limité pour gouvernements et partenaires de confiance. Il cible trois familles : les autorités nationales de cybersécurité, les opérateurs d’infrastructures critiques (santé, télécoms, énergie, finance) et les grandes plateformes technologiques. Google évoque plus de 650 partenaires dans le monde.
Les candidats sont soumis à des vérifications. Ils s’engagent à réserver l’accès à leurs équipes de cybersécurité, de réponse aux incidents ou de tests d’intrusion, à employer une authentification forte résistante à l’hameçonnage, à tenir un suivi de l’usage et à ne jamais revendre ni partager l’accès. Les tâches autorisées sont celles dites à double usage (simulation de menace, rétro-ingénierie, analyse de logiciels malveillants à des fins défensives) et la création de malware est interdite.
La faille d’un logiciel hospitalier
Argon est aussi utilisé par la société de sécurité Wiz dans l’initiative « Scan for Good », qui analyse gratuitement des infrastructures publiques critiques. Selon Google, le modèle y a découvert une vulnérabilité critique exposant des données personnelles sensibles dans un logiciel médical utilisé par des hôpitaux dans le monde entier, que les modèles de pointe précédents avaient manquée.
| 💡 Note de prudence : À ce stade, aucun nom de logiciel, aucun identifiant de faille (CVE) ni détail de méthode n’ont été publiés. L’affirmation est plausible, mais elle repose uniquement sur la parole de Google. Les bonnes pratiques de divulgation responsable expliquent en partie ce silence : on ne détaille pas une faille tant qu’elle n’est pas corrigée. |
| 🔴 Le dilemme du double tranchant : Un modèle capable de trouver, valider et corriger seul des failles critiques peut, en théorie, faire exactement l’inverse entre de mauvaises mains. C’est pourquoi Google réserve à ces experts une version sans les restrictions de sécurité habituelles pour le cyber, tandis que le modèle destiné au public refusera les demandes dangereuses (cyber, chimique, biologique, radiologique, nucléaire). Google dit avoir mis en place quatre chantiers : protection contre le détournement (surveillance de l’activité interne du modèle, tests par des équipes « red team » internes et externes), résistance aux injections de prompt indirectes, surveillance du raisonnement et des actions du modèle avec arrêt possible, et durcissement des environnements isolés (sandbox). |
Qui peut l’utiliser, quand, et pour quel prix ?
| Public | Situation actuelle |
| Experts en cyberdéfense (Fairwind) | Accès en cours, sous conditions strictes. |
| Clients payants de l’API Gemini | À venir, sans date. Pas encore d’identifiant de modèle public. |
| Abonnés Google AI Ultra | À venir, sans date. Les formules Gemini moins chères ne sont pas incluses. |
| Utilisateurs de Gemini gratuit | Pas concernés pour l’instant. |
| Développeurs, entreprises, grand public | Plus tard, après davantage de tests. |
Google précise un tarif d’introduction de 2 $ par million de jetons en entrée et 10 $ par million en sortie, avec une réduction de 95 % sur les jetons d’entrée mis en cache. Une note de bas de page indique que ces prix passeront à 4 $ et 20 $ après la période d’introduction, dont la durée n’est pas précisée.
| 🔵 Que représentent ces prix ? Remplir un million de jetons de sortie coûterait donc environ 10 $ au tarif d’introduction, puis 20 $ ensuite. Pour comparaison, des analyses rapportent que GPT-6 Astra facture 10 $ (entrée) et 50 $ (sortie) par million de jetons en contexte court : Argon serait donc environ cinq fois moins cher par jeton aujourd’hui, et deux fois et demie moins cher après la hausse. Mais attention : le prix au jeton n’est pas le prix de la tâche. Un modèle plus bavard, ou qui doit s’y reprendre à plusieurs fois, peut coûter plus cher au final. |
Argon face à GPT-6 Astra et Claude : qui gagne ?
Google publie ses propres résultats sur une vingtaine de bancs d’essai (benchmarks). Les décomptes varient selon les médias (Argon serait premier ou à égalité sur environ 12 à 14 lignes) sans que l’on sache précisément pourquoi. Voici quelques scores marquants rapportés :
| Test | Argon | GPT-6 Astra | Claude Opus 5.5 | Remarque |
| DeepSWE v1.1 (code long) | 77,9 % | 74,1 % | 74,2 % | Argon en tête |
| Harvey Legal Agent (droit) | 19,6 % | 5,4 % | 3,8 % | Argon en tête |
| Vals Finance Agent v2 | 65,4 % | 53,5 % | 58,6 % | Argon en tête |
| CWE-bench v1 (correction de failles) | 68 % | 68 % | — | Égalité |
| FrontierSWE v2 (code difficile) | 55,0 % | 65,5 % | — | Argon derrière |
| Terminal-Bench 4.0 (ligne de commande) | 57,4 % | — | 66,4 % | Argon derrière |
| 🔴 Pourquoi il faut garder son esprit critique Tous ces chiffres sont ceux de Google. Les conditions de test des concurrents ne sont documentées que dans la méthodologie de Google. Comme presque personne en dehors de Fairwind ne peut utiliser Argon, aucune vérification indépendante n’est possible à ce jour. Un porte-parole de Google parle d’un modèle « comparable » à Astra et Opus sur les principaux tests de code et de cybersécurité. |
Ce lancement intervient après la sortie en septembre de GPT-6 Sol et Luna chez OpenAI. Il arrive aussi après plusieurs mois de retard, selon la presse, qui note que Google a mis davantage en avant son avantage de coût que ses performances brutes ces derniers temps. Plusieurs médias rapportent également que Google ne prévoit plus de sortir Gemini 3.5 Pro, pourtant annoncé pour juin : Argon inaugure donc une nouvelle génération, Gemini 4.
Concrètement, qu’est-ce que ça pourrait changer pour vous ?
Argon n’est pas encore à votre portée, mais voici ce que ce type de modèle laisse entrevoir :
- Dans une PME : faire auditer en une seule passe l’ensemble d’un site ou d’une application maison, au lieu de payer des semaines de revue manuelle.
- Chez un développeur indépendant : migrer un vieux projet vers un langage plus sûr, avec des tests générés au fil de l’eau.
- À l’hôpital ou à la mairie : des équipes informatiques réduites pourraient détecter des failles dans des logiciels métier avant les pirates.
- Dans une rédaction ou un cabinet : produire d’un seul tenant un dossier de synthèse très long, sans perdre le fil entre les chapitres.
Contrepartie : plus un agent est autonome et puissant, plus il faut encadrer ses droits, surveiller ses actions et savoir qui est responsable quand il se trompe.