Dans cet article
Le 30 septembre 2026, Google DeepMind a annoncé Gemini 4 Argon, son nouveau modèle de pointe pour l'ingénierie logicielle, le travail intellectuel et la cyberdéfense. Le modèle peut trouver, valider et corriger de manière autonome des vulnérabilités logicielles critiques, et il porte la limite d'une seule réponse à 1 million de tokens, contre 64 000 auparavant. Il n'est pas encore disponible pour tous : Google le déploie d'abord auprès de cyberdéfenseurs de confiance via son programme Fairwind, puis auprès des clients payants de l'API et des abonnés Google AI Ultra. Le prix de lancement est de 2 $ par million de tokens en entrée et de 10 $ par million de tokens en sortie.
La vraie nouvelle, c'est que Google a choisi de confier son modèle le plus puissant à ceux qui protègent les systèmes avant qu'il n'atteigne ceux qui pourraient les attaquer. Cette décision suffit à indiquer la direction que prendra le risque de sécurité au cours de l'année à venir.
Ce que Google a annoncé, en chiffres
- Limite de sortie : 1 million de tokens en une seule réponse, contre une limite précédente de 64 000 tokens.
- Prix de lancement : 2 $ par million de tokens en entrée et 10 $ par million de tokens en sortie, avec une remise de 95 % sur les entrées mises en cache.
- Prix après la période de lancement : 4 $ en entrée et 20 $ en sortie par million de tokens. Établissez votre budget sur ce chiffre, et non sur le prix de lancement.
- Résultats de benchmarks publiés : 77,9 % sur DeepSWE v1.1 en ingénierie logicielle, 51,3 % sur AutomationBench, où il se classe premier, 68 % sur CWE-bench v1 pour le travail sur les vulnérabilités, où il est premier ex aequo, et 91,7 % sur LVBench pour la compréhension de vidéos longues.
Ce sont les propres chiffres de Google. Les tests indépendants prennent des semaines, et les premiers résultats de tiers sont mitigés, ce qui rappelle qu'il faut tester tout modèle sur vos propres tâches avant d'y transférer du travail réel.
Pourquoi les défenseurs d'abord ? Le programme Fairwind
Fairwind est le moyen qu'a trouvé Google de donner à des défenseurs prioritaires, comme les organismes publics, les établissements de santé et les opérateurs de télécommunications, un accès anticipé aux modèles avancés, afin qu'ils prennent de l'avance sur les attaquants avant qu'un modèle ne devienne accessible à tous. Google indique aussi participer au processus volontaire du gouvernement américain d'accès aux modèles avant leur sortie, et précise qu'Argon a été testé par des red teams internes et externes, avec des garde-fous qui surveillent la chaîne de raisonnement du modèle et ses actions.
La logique est simple : un modèle capable de trouver une vulnérabilité et de la corriger peut, entre de mauvaises mains, la trouver et la laisser ouverte. Donner une longueur d'avance aux défenseurs réduit la fenêtre pendant laquelle l'attaquant a l'avantage.
Ce que Google dit qu'Argon a accompli en interne
Google rapporte qu'Argon a aidé à libérer plus de 300 TiB de mémoire dans ses systèmes, et à migrer plus de 800 000 lignes du noyau Zircon de Fuchsia vers Rust. Ce sont les résultats d'une entreprise géante sur sa propre infrastructure, mais ils montrent le type de travail pour lequel le modèle a été conçu : des tâches d'ingénierie longues et en plusieurs étapes, et non des réponses courtes de chat.
Ce qu'une limite de 1 million de tokens change en pratique
La plupart des modèles s'arrêtent d'écrire avant d'avoir terminé une tâche importante. Une limite de 1 million de tokens signifie que le modèle peut produire en une seule passe la migration complète d'un ancien module de votre système, un rapport technique complet ou une revue de sécurité approfondie d'une base de code. C'est utile, et aussi coûteux si vous n'y prenez pas garde : une réponse qui utilise le million de tokens complet coûte 10 $ au prix de lancement et 20 $ au prix standard. Multipliez cela par le nombre de tentatives et le nombre d'employés, et la facture grimpe vite. La vraie mesure est le coût par tâche accomplie, comme nous l'avons expliqué dans notre article sur le coût de l'IA par tâche.
La leçon de sécurité n'attend pas l'accès
Vous ne pouvez pas utiliser Argon aujourd'hui, et cela change peu de choses. La direction est claire : l'IA qui trouve seule des vulnérabilités arrive, et des deux côtés. Les systèmes anciens et non corrigés seront découverts plus vite qu'avant. Nous avons vu ce schéma avec les attaques contre WordPress qui ont commencé quelques heures après la publication d'un correctif et avec les équipements réseau dont les vulnérabilités sont activement exploitées. Les mesures à engager dès maintenant :
- Sachez ce que vous exploitez. Tenez à jour la liste de chaque système, extension et bibliothèque dont dépend votre activité, et de la personne chargée de mettre à jour chacun d'eux.
- Réduisez votre délai de correction. S'il vous faut des semaines pour appliquer une mise à jour critique, cet écart est désormais plus long que le temps dont un attaquant a besoin.
- Interrogez directement votre fournisseur de logiciels. Qui surveille les vulnérabilités de votre système, et combien de temps faut-il pour livrer un correctif ? Puis inscrivez la réponse dans le contrat.
- Évaluez-vous au regard des contrôles nationaux. Les contrôles essentiels de cybersécurité publiés par l'Autorité nationale de cybersécurité (NCA) constituent une référence pratique pour les organisations en Arabie saoudite.
Avant d'adopter un nouveau modèle
Lorsqu'Argon arrivera dans l'API payante, la question se posera : faut-il basculer ? Notre conseil est le même à chaque lancement : ne liez pas vos systèmes à un seul fournisseur. Construisez une couche intermédiaire qui vous permet de comparer Gemini, Claude et GPT sur la même tâche et de passer de l'un à l'autre selon l'évolution du prix ou de la qualité, comme nous l'avons évoqué en comparant GPT-6 Astra et Claude Fable 5.1. Et si des données personnelles de vos clients ou de vos employés doivent transiter par le modèle, vérifiez où elles sont traitées et si leur transfert est conforme à la loi sur la protection des données personnelles (PDPL).
Chez Origami, nous construisons des systèmes qui relient l'IA aux données de votre entreprise par une couche que vous contrôlez : vous choisissez le modèle, définissez ce qu'il peut voir et mesurez le coût de chaque tâche. Lorsqu'un modèle plus puissant arrive, y basculer devient un changement de configuration, et non une reconstruction.
Sources
Questions fréquentes
Qu'est-ce que Gemini 4 Argon ?
Le nouveau modèle de pointe de Google DeepMind, annoncé le 30 septembre 2026, destiné à l'ingénierie logicielle, au travail intellectuel et à la cyberdéfense. Google affirme qu'il peut trouver, valider et corriger seul des vulnérabilités critiques, et écrire jusqu'à 1 million de tokens en une seule réponse.
Mon entreprise peut-elle utiliser Gemini 4 Argon dès maintenant ?
Pas encore. Google le déploie d'abord auprès de cyberdéfenseurs de confiance via son programme Fairwind, puis auprès des clients payants de l'API et des abonnés Google AI Ultra, sans date fixée.
Combien coûte Gemini 4 Argon ?
Le prix de lancement est de 2 $ par million de tokens en entrée et de 10 $ par million de tokens en sortie, avec une remise de 95 % sur les entrées mises en cache. Après la période de lancement, il passe à 4 $ en entrée et 20 $ en sortie par million de tokens.
Comment une entreprise saoudienne doit-elle se préparer à une IA qui trouve seule des vulnérabilités ?
Tenez à jour la liste de vos systèmes et bibliothèques, réduisez le délai d'application des mises à jour critiques, obtenez de votre fournisseur de logiciels un engagement écrit sur le délai de correction, et utilisez les contrôles essentiels de cybersécurité de l'Autorité nationale de cybersécurité (NCA) comme référence de base.
Suivez Origami sur Google
Ajoutez Origami à vos sources préférées : nos articles apparaîtront en premier pour vous dans la recherche Google et les actualités à la une.
