Dans cet article Dans cet article
Une conférence développeurs, une démonstration applaudie, une date annoncée. Puis rien. Google a présenté Gemini 3.5 Pro à sa conférence I/O au mois de mai 2026 en promettant une disponibilité en juin, et le modèle n’est toujours pas sorti. La version stable proposée au public reste Gemini 3.1 Pro, disponible depuis février.
Un modèle de langage, c’est un système entraîné sur d’immenses volumes de texte et de code, dont on mesure ensuite les capacités par des tests standardisés. Quand ces tests internes ne donnent pas les résultats espérés, l’éditeur a le choix entre publier quand même et repousser. Google a choisi la seconde option, et le motif est précis : les performances en génération de code n’étaient pas au niveau visé.
La séquence intrigue, parce qu’elle intervient au moment où l’entreprise confie à ses propres modèles une part croissante de son travail d’ingénierie. Comment une société qui fait déjà écrire l’essentiel de son code par des machines peut-elle rater un modèle censé écrire du code ?
Un calendrier manqué entre mai et juin
Le déroulé, rapporté par Bloomberg le 16 juillet 2026, se lit sans ambiguïté. Après la présentation de mai, les résultats d’entraînement jugés décevants sur le codage ont conduit à une remise à zéro du développement avant l’échéance de juin, suivie d’une mise à jour des données d’entraînement à la fin du même mois.
Interrogée sur ce silence, l’entreprise n’a fourni ni date ni explication technique, se contentant de confirmer tester Gemini 3.5 Pro, un modèle Flash amélioré et d’autres modèles avec des partenaires. Sa réponse publique déplace la question du calendrier vers l’économie du service.
Livrer rapidement une large gamme de modèles tout en les maintenant très rentables pour les clients.
Google, déclaration transmise après le report de Gemini 3.5 Pro, 17 juillet 2026
Le déplacement n’est pas anodin. Répondre par la rentabilité à une question sur la performance revient à changer de terrain d’évaluation, et ce genre de réponse arrive rarement quand les chiffres sont bons. Les performances de Gemini 3.5 Pro dans les autres domaines que le codage n’ont d’ailleurs pas été communiquées.
Le paradoxe des 75 % de code écrit par la machine
Le report prend tout son relief au regard d’un chiffre publié par Google elle-même : en avril 2026, 75 % du nouveau code produit en interne était généré par intelligence artificielle, contre 50 % à l’automne précédent. La progression est spectaculaire, et elle sert d’argument commercial autant que de démonstration technique.
Deux lectures s’affrontent. La première voit dans ce chiffre la preuve que les modèles actuels suffisent largement pour le développement quotidien, et que le retard de Gemini 3.5 Pro ne concerne que la marge haute des capacités. La seconde y voit un signal d’alerte : si l’outil qui écrit trois quarts du code plafonne, toute la chaîne de production hérite de ce plafond.
La réalité interne semble moins lisse que le taux affiché. Des ingénieurs défendent encore une approche purement humaine du code, et les équipes se heurtent à des contraintes de capacité sur les outils disponibles. Un pourcentage élevé ne dit rien de la qualité du code produit ni du temps passé à le corriger.
Ce que le report dit de la course aux modèles
Cet épisode livre quatre enseignements qui dépassent le cas particulier d’un modèle repoussé de quelques semaines.
- Une présentation en conférence n’engage plus grand-chose sur la disponibilité réelle ;
- Le codage est devenu le critère sur lequel un modèle se juge en priorité ;
- L’organisation interne se disperse entre plusieurs divisions travaillant en parallèle sur les mêmes outils ;
- La communication publique se replie sur le coût dès que la performance manque.
Le troisième point mérite qu’on s’y arrête. Google DeepMind avec AI Studio, Cloud Vertex et l’équipe Android Studio avancent chacun sur des briques voisines, et l’effort d’unification reste inachevé. Une entreprise qui multiplie les chantiers parallèles sur un même sujet finit par se concurrencer elle-même.
Le quatrième dit quelque chose de la période. Après trois ans de promesses tenues à coups de démonstrations, le secteur entre dans une phase où les calendriers glissent et les arguments se déplacent vers le prix.
La concurrence n’a pas attendu
Pendant ce report, les rivaux ont publié. Anthropic a mis Claude Fable 5 à disposition du public, OpenAI a rendu GPT-5.6 accessible, et l’écart se creuse au moment le moins opportun pour Google, dont le dernier modèle haut de gamme date de février.
Le classement des modèles pour le code s’est d’ailleurs déjà montré capable de renverser des hiérarchies établies : la sortie d’OpenAI du top 10 des IA pour le code avait surpris en juin. Ces palmarès bougent vite, ce qui explique la prudence d’un éditeur préférant retarder plutôt que d’apparaître en milieu de tableau.
Pourquoi le codage est devenu le juge de paix
Le code occupe une place à part parmi les usages de l’IA générative. Il se vérifie : un programme compile ou ne compile pas, passe les tests ou les échoue. Là où la qualité d’un texte se discute, la qualité d’un code se mesure objectivement, ce qui en fait le terrain d’évaluation le plus difficile à embellir.
Le marché suit cette logique. Les développeurs constituent la clientèle payante la plus dense et la plus exigeante de ces modèles, et ils comparent en permanence. Un modèle qui déçoit sur le code perd ses abonnements les plus rentables en quelques semaines.
La question de fond reste ouverte, et elle traverse tout le secteur : les gains observés depuis trois ans vont-ils se poursuivre au même rythme ? L’hypothèse d’un plafond technique revient régulièrement dans les analyses, et un report motivé par des résultats décevants lui donne un argument de plus.
Ce qu’il faudra regarder à la prochaine annonce
La sortie de Gemini 3.5 Pro finira par arriver. L’intérêt sera alors moins dans les scores annoncés que dans ce qui les accompagne : le détail des tests, leur reproductibilité, et la comparaison avec des modèles publiés au même moment plutôt qu’avec des versions dépassées.
L’autre point de vigilance concerne les usages réels. Les économies promises aux entreprises tardent à se matérialiser, et un meilleur score de test ne fait pas un gain de productivité mesurable dans une équipe.
Google conserve des atouts considérables, de ses puces maison à sa base d’utilisateurs, et son agent permanent lancé au printemps montre que l’entreprise avance sur d’autres fronts. Un modèle repoussé n’est pas un modèle abandonné, mais il rappelle que la courbe de progrès de l’IA générative se négocie désormais mois par mois, et non plus par bonds annoncés à l’avance.
