Gemini 3 Deep Think choisit la lenteur pour plus de justesse

Quand un LLM se met à « penser », la réponse ne tombe plus instantanément. L’algorithme Deep Think de Google transforme ce temps de calcul en ressource stratégique pour les professionnels qui privilégient la justesse à la vitesse. Ce gain de profondeur a toutefois un prix, un délai d’accès non négligeable et ouvre un nouveau front dans la compétition entre géants de l’IA.

À retenir

• Gemini 3 Deep Think domine les benchmarks HLE, GPQA Diamond et ARC‑AGI‑2, devant ses principaux rivaux.
• L’abonnement Google AI Ultra coûte 275 € / mois et ouvre l’accès à ce mode de raisonnement avancé.
• La mise en ligne de décembre 2025 a entraîné une perte de 6 % d’utilisateurs pour OpenAI en une semaine.
• Le mode réclame « quelques minutes » de calcul par requête, un compromis vitesse‑précision assumé.
• Environ 650 millions d’utilisateurs mensuels de l’app Gemini y ont accès, mais seuls les « power users » l’exploitent vraiment.

Google a récemment introduit le mode Gemini 3 Deep Think, un LLM spécialisé dans le raisonnement parallèle avancé. Contrairement à Gemini 3 Pro, centré sur la rapidité de réponse, Deep Think s’autorise plusieurs minutes de calcul pour explorer simultanément diverses hypothèses, à la manière d’un expert humain. Résultat : des performances de pointe sur les benchmarks les plus exigeants, mais un accès réservé à ceux qui peuvent assumer un abonnement professionnel.

Deep Think : la puissance du raisonnement itératif

Le cœur de cette nouveauté repose sur un mécanisme de raisonnement itératif et parallèle, capable de suivre plusieurs pistes en même temps avant de converger vers une solution. Dans la pratique, cela produit des réponses plus argumentées, un code mieux structuré et des prototypes plus robustes pour les équipes techniques. En contrepartie, la plupart des requêtes exigent quelques minutes de traitement, un compromis que les usages grand public auront du mal à accepter, mais qui reste pertinent pour les travaux à forte valeur ajoutée.

Des performances au sommet des classements

Sur le benchmark Humanity’s Last Exam (HLE), Deep Think atteint 41,0 % sans outils, devant Gemini 3 Pro (37,5 %) et GPT‑5.1 (31,64 %). Sur GPQA Diamond, référence en raisonnement scientifique de niveau doctoral, le modèle monte à 93,8 % de réussite, un score rare dans la discipline. Dans le concours ARC‑AGI‑2, il signe un record mondial avec 45,1 % de bonnes réponses en exécution de code, confirmant sa maîtrise des tâches complexes.

Ces résultats prolongent la trajectoire des variantes Deep Think de Gemini 2.5, déjà mises en avant lors de l’International Mathematical Olympiad et des ICPC World Finals. Pour les laboratoires, institutions académiques et équipes d’ingénierie, ces chiffres servent de signal concret : le modèle est taillé pour les problèmes difficiles, loin des usages purement conversationnels.

Le prix de la précision

Cette puissance se monnaye via le plan Google AI Ultra, facturé 275 € / mois. Le service cible les « power users » : scientifiques, mathématiciens, développeurs et chercheurs qui doivent traiter des questions complexes, documenter leurs choix et limiter les erreurs. Une fois abonnés, les utilisateurs peuvent activer le mode directement dans l’application Gemini en sélectionnant « Deep Think » dans le menu, sans configuration supplémentaire.

Ce positionnement tarifaire exclut de fait une large partie du grand public et une partie des petites et moyennes entreprises. Mais il ancre Deep Think comme un outil premium, aligné sur des budgets de projets de recherche, de conseil ou d’ingénierie logicielle où le coût d’une réponse imprécise peut largement dépasser celui de l’abonnement.

Une rupture dans la guerre des LLM

Le lancement officiel de Gemini 3 en novembre 2025 a été suivi, deux jours plus tard, par le déploiement de Deep Think pour les abonnés Ultra. Google avait toutefois repoussé l’annonce à la mi‑novembre après des contrôles de sécurité supplémentaires, retardant l’accès public à ce mode. Ce calendrier s’inscrit dans un contexte tendu : le générateur d’images Nano Banana a été temporairement plafonné, ce qui a mécaniquement reporté une partie de la demande vers les LLM textuels.

Réaction des concurrents

Dans la semaine suivant la mise à disposition de Deep Think, OpenAI a vu son nombre d’utilisateurs reculer de 6 %, un signal interprété comme un « code red » par le secteur. Cette baisse rapide illustre la pression qu’exerce Google sur le segment du raisonnement avancé, là où se jouent les contrats les plus rémunérateurs avec les entreprises et les institutions.

Les benchmarks publiés par Google, notamment en mathématiques et en génération de code, ont conforté son statut de leader technique sur le haut de gamme. Pour les grands comptes qui arbitrent entre plusieurs fournisseurs, ces tableaux de scores deviennent des éléments clés dans les décisions d’achat, au‑delà du simple effet de marque.

Gestion de la demande et perspectives

Avec plus de 650 millions d’utilisateurs mensuels sur l’application Gemini, la plateforme doit orchestrer la cohabitation entre les versions Pro et Ultra. Le modèle économique par abonnement permet à Google de monétiser une capacité de calcul extrêmement gourmande tout en limitant les abus et en préservant la qualité de service. En filtrant l’accès par le prix, l’entreprise réserve Deep Think aux cas d’usage réellement critiques pour ses clients.

À moyen terme, cette stratégie pourrait préparer l’arrivée de déclinaisons plus abordables, dérivées du même moteur mais optimisées pour des usages moins intensifs. Elle laisse aussi la porte ouverte à des offres négociées pour les grands comptes, avec des volumes de requêtes et des garanties de disponibilité ajustés aux besoins.

Le contrepoint : vitesse et démocratisation

Le principal reproche adressé à Deep Think reste sa latence. Pour les tâches de production en continu, où la rapidité de réponse prime, les utilisateurs privilégieront probablement le modèle Pro ou des solutions concurrentes plus réactives. À l’échelle d’une équipe produit ou d’un service client, ces quelques minutes par requête peuvent s’avérer dissuasives.

La barrière financière freine également la démocratisation du raisonnement avancé, réservant ce type d’outil à une minorité d’acteurs. Mais pour les projets scientifiques, les audits de code sensibles ou les travaux de recherche, le rapport coût‑bénéfice reste favorable : une meilleure précision peut éviter des semaines de travail perdues ou des erreurs coûteuses. Deep Think s’inscrit ainsi comme un outil de niche, mais une niche stratégique dans l’économie de l’IA.