Gemini ne dévore plus les vidéos il enquête et fait chuter la facture de 66 %

Analyser une heure de vidéo coûtait jusqu’ici une fortune en jetons. Le 1er septembre, Google a coupé ce robinet en dévoilant la compréhension vidéo agentique pour Gemini. Le modèle ne dévore plus le flux image par image. Il mène l’enquête.

---

À retenir

• Google DeepMind lance le 1er septembre 2026 la compréhension vidéo agentique sur la famille Gemini avec Rohan Doshi et Mario Lučić.
• 88 % de jetons en moins et 66 % de coûts en moins par rapport au traitement statique à 1 image par seconde.
• Boucle Think-Act-Observe, zoom temporel et FPS adaptatif de 0,1 à 10 images par seconde.
• Précision accrue jusqu’à 7 % sur les benchmarks vidéo longs 1H-VideoQA et LVBench, avec moins d’hallucinations.
• Disponible dès maintenant via l’API Gemini dans Google AI Studio et Gemini Enterprise avec le paramètre processing: agentic.

---

L’enjeu dépasse la simple optimisation technique. Google fait passer l’analyse vidéo d’une ingestion aveugle à une investigation raisonnée. Ce changement compte pour les développeurs, les médias et les entreprises qui traitent des heures de contenus à grande échelle.

La fin du gavage systématique à 1 image par seconde

Cette rupture répond à une impasse économique et technique qui bridait les usages longs.

L’ingestion brute saturait mémoire et budget

Jusqu’à présent, Gemini échantillonnait chaque vidéo à un rythme fixe, typiquement 1 image par seconde. Une conférence de 60 minutes représentait ainsi 3 600 images injectées d’un bloc dans la fenêtre de contexte. La méthode garantissait de ne rien manquer, mais elle faisait exploser la consommation de jetons et la facture. Elle créait aussi un angle mort : un geste bref entre deux images pouvait disparaître.

Les équipes de Google DeepMind décrivent cette logique comme une ingestion brute et uniforme. Elle imposait un compromis permanent entre coût et finesse d’analyse. Sur les formats longs comme les tutoriels, les assemblées générales ou la vidéosurveillance, le traitement devenait prohibitif. L’approche agentique inverse la logique : le modèle décide quoi regarder, quand et avec quelle précision.

Deux tiers de facture en moins

Les chiffres publiés par Google le 1er septembre 2026 sont massifs. La consommation de jetons chute jusqu’à 88 % par rapport au statique selon le Google Blog. Les coûts directs d’analyse reculent jusqu’à 66 % pour les développeurs, sans surtaxe d’activation. La tarification reste alignée sur le barème standard au jeton consommé.

Concrètement, une entreprise qui traitait 100 heures de vidéos mensuelles divise sa dépense par trois. Pour un coût initial de 100 euros, la facture tombe autour de 34 euros, soit 40 dollars convertis à 0,85 euro. Cette efficience rend enfin viables les pipelines de Video-RAG sur de larges archives. Elle prolonge les travaux d’agentic vision déjà déployés sur Gemini 3 Flash au début de l’année.

Comment l’agent enquête avant de regarder

Le système n’avale plus le fichier. Il l’explore par étapes avec des outils dédiés.

Une boucle Think-Act-Observe autonome

L’appel API ne transmet plus la vidéo entière. Il envoie un pointeur léger par référence, avec durée et identifiant. Le modèle entre alors dans une boucle Think-Act-Observe. En phase Think, il analyse la question posée et planifie les outils nécessaires. En phase Act, il déclenche des sondages ciblés sur des segments précis.

En phase Observe, il intègre les extraits récupérés, affine sa réponse ou relance une inspection sur un passage ambigu. La boucle s’arrête lorsqu’il a réuni les éléments nécessaires pour répondre à la question.

Le modèle n’ingère plus toute la vidéo, il planifie et inspecte seulement les segments utiles pour répondre.
Présentation de Rohan Doshi et Mario Lučić, Google DeepMind, 1er septembre 2026

Cette autonomie distingue l’agent d’un simple extracteur d’images. Il évalue la pertinence avant d’engager du calcul visuel coûteux.

Zoom temporel et fréquence adaptative

Lorsque l’image devient nécessaire, Gemini module sa résolution temporelle. Il survole une séquence à 0,1 image par seconde pour repérer et grimpe jusqu’à 10 images par seconde pour capturer un mouvement rapide. La documentation développeur de Google AI Studio détaille cette plage de 0,1 à 5-10 FPS selon l’action. Le modèle isole aussi la piste audio pour capter une intonation, un bruit ou un mot-clé.

Cette granularité localise des événements à la sous-seconde. Compter des occurrences, détecter une anomalie brève ou extraire une scène précise devient fiable sans noyer le contexte. Trois modèles en bénéficient dès maintenant : Gemini 3.7 Flash, Gemini 3.6 Flash et Gemini 3.5 Flash-Lite.

Le texte d’abord, l’image ensuite

La stratégie privilégie souvent l’approche transcript-first. Gemini lit d’abord la transcription horodatée pour localiser les moments pertinents. Il évite ainsi de décoder des milliers d’images inutiles. L’inspection visuelle n’intervient qu’en seconde intention, sur les fenêtres temporelles jugées décisives.

Ce séquençage réduit le bruit visuel dans la fenêtre de contexte. Le signal utile reste concentré, ce qui améliore le raisonnement et limite les hallucinations sur les actions fugaces.

Plus précis, déjà intégrable, mais pas sans compromis

Le gain économique s’accompagne d’un gain qualitatif mesuré sur les benchmarks de référence.

Sept pour cent de précision gagnée sur les formats longs

Les évaluations sur 1H-VideoQA et LVBench, deux bancs d’essai spécialisés pour les vidéos d’une heure et plus, montrent jusqu’à 7 % de précision supplémentaire. L’avantage s’accentue sur les contenus très longs, là où l’ingestion statique diluait l’information. En ciblant des tranches haute fréquence, le modèle évite le lissage et réinspecte les passages ambigus.

Gemini 3.7 Flash atteint un compromis particulièrement favorable entre performance et coût. Les tests notent une baisse des erreurs de comptage et de description d’actions brèves. La sobriété en jetons améliore donc aussi la fiabilité. La tarification au jeton consommé répercute directement l’économie sans licence additionnelle.

Une ligne de code pour activer l’agent

L’intégration est immédiate pour les développeurs. Il suffit d’ajouter le paramètre processing: agentic dans l’API via Google AI Studio ou Gemini Enterprise Agent Platform. Le système accepte les fichiers téléversés et les URL YouTube natives, ce qui accélère les cas d’usage Video-RAG. Google annonce aussi l’arrivée du moteur dans l’application grand public Gemini en mode Thinking.

À court terme, Google l’intégrera à Ask YouTube sur les pages de visionnage, sur ordinateur et mobile. Les spectateurs pourront interroger un tutoriel ou un reportage long sans traitement intégral du fichier.

Le contrepoint de la latence sur les vidéos courtes

L’orchestration agentique n’est pas sans coût temporel. Sur les vidéos de moins de cinq minutes, la boucle d’outils introduit une légère latence initiale. Lancer plusieurs étapes de réflexion et d’observation prend plus de temps que d’ingérer d’emblée un petit fichier. Google le reconnaît ouvertement dans sa documentation.

Pour un clip de 60 secondes, le traitement statique reste parfois plus véloce en temps absolu, même s’il consomme davantage de jetons. L’arbitrage dépend donc du cas d’usage. Sur les formats courts et les interactions temps réel, les développeurs garderont l’option statique. Sur les archives longues, le bénéfice d’échelle de l’agentique l’emporte largement et compense ce surcoût initial.

La question n’est plus seulement de savoir si l’IA peut regarder une vidéo, mais comment elle choisit de la regarder. Avec ce raisonnement agentique, Google déplace la compétition du volume brut vers la pertinence de l’attention.