Trois semaines, pas un jour de plus, auront suffi à Google pour empiler une nouvelle itération de son modèle Flash au-dessus de la précédente, dans une cadence de publication qui ressemble désormais à un sprint permanent. Gemini 3.7 Flash, annoncé ce jeudi et déjà disponible via l’API Gemini, Google AI Studio et Android Studio, se présente comme le modèle « workhorse » le plus intelligent de la gamme, taillé pour le code de production, la compréhension de documents denses et l’orchestration d’agents autonomes, le tout facturé à 0,75 dollar par million de tokens en entrée et 3,75 dollars en sortie jusqu’à fin 2026, soit exactement la moitié du tarif standard de son prédécesseur.
Les benchmarks que Google met en avant ont de quoi faire vibrer les équipes d’ingénierie logicielle. Sur FrontierCode 1.1 Main, qui évalue la qualité du code prêt pour la production, le nouveau modèle grimpe à 43,6 % contre 34,4 % pour la 3.6 Flash, dépassant au passage les 42,7 % attribués à Claude Sonnet 5 d’Anthropic et les 41,3 % de GPT-5.6 Terra d’OpenAI dans le propre tableau comparatif de Google. Sur DeepSWE v1.1, un test d’ingénierie logicielle à horizon long, le bond est encore plus spectaculaire avec 65,3 % contre 49 % pour la version précédente (GPT-5.6 Terra conserve toutefois l’avantage à 69,6 %). En développement web, le score Elo sur Code Arena atteint 1588, devant Claude Sonnet 5 (1541) et GPT-5.6 Terra (1523). Et puis il y a AutomationBench, ce benchmark d’automatisation de workflows métier où 3.7 Flash bondit à 30,4 % depuis les 17 % de la 3.6, écrasant les 10,7 % de Claude Sonnet 5 et les 23,6 % de GPT-5.6 Terra.
Mais pourquoi une telle frénésie de publication ? La réponse tient peut-être dans l’enthousiasme algorithmique et un contexte organisationnel agité. Google n’a toujours pas livré Gemini 3.5 Pro, le modèle phare annoncé en mai et censé arriver le mois suivant, qui reste englué dans une phase de tests partenaires sans calendrier public. Le dernier modèle Pro en circulation demeure Gemini 3.1 Pro, introduit en février. Des désaccords internes, des ressources de calcul contraintes et une bureaucratie pesante auraient, selon plusieurs sources, ralenti les sorties et fragilisé les performances en codage. Demis Hassabis, cofondateur de DeepMind et prix Nobel, a récemment cédé la direction opérationnelle de la division pour en devenir président et occuper simultanément le poste de directeur scientifique d’Alphabet, tandis que l’ancien CTO Koray Kavukcuoglu pilote désormais l’ensemble de la chaîne Gemini, du développement des modèles à l’application grand public, en rendant compte directement à Sundar Pichai. Plusieurs figures emblématiques, dont les co-responsables de Gemini Oriol Vinyals et Noam Shazeer (parti chez OpenAI), ainsi que le scientifique d’AlphaFold John Jumper (parti chez Anthropic), ont quitté le navire pour fonder ou rejoindre d’autres structures. Dans ce paysage… la Flash line devient le véhicule d’exécution rapide par excellence, celui qui permet à Google de montrer qu’il itère vite là où le Pro patine.
La proposition de valeur pour les développeurs et les équipes produit repose sur un argument économique qui mérite d’être disséqué avec soin. Le tarif d’appel à 0,75 dollar par million de tokens en entrée place 3.7 Flash bien en dessous des 2 dollars de Claude Sonnet 5 et des 2 dollars de GPT-5.6 Terra, selon les chiffres compilés par Google. Sauf que cette générosité a une date d’expiration au 31 décembre 2026, après quoi les prix doublent pour rejoindre le barème standard de la 3.6 Flash (1,50 dollar en entrée, 7,50 en sortie). Pour un agent autonome qui enchaîne des dizaines d’appels au modèle, des tokens de raisonnement et des interactions avec des outils externes sur une seule requête utilisateur, le coût par tâche accomplie avec succès importe bien davantage que le prix brut par million de tokens. Google affirme que 3.7 Flash « pense avec plus de rigueur », investit davantage d’effort dans la planification multi-étapes et les appels d’outils, et génère un code correct dès le premier passage plus souvent que son prédécesseur, ce qui réduit les boucles de correction et la supervision humaine. Si ces gains de fiabilité se confirment en production, le tarif réduit devient un levier redoutable pour verrouiller les usages avant le retour aux prix pleins.
L’intégration immédiate dans Gemini Spark, l’agent personnel 24h/24 accessible aux abonnés Google AI Pro et Ultra dans plus de 160 pays, illustre bien la stratégie de distribution massive de Google. Spark peut désormais consolider des fichiers, rédiger des e-mails et mettre à jour des documents de suivi à travers les applications Google Workspace avec une précision améliorée grâce au nouveau modèle. Avec 950 millions d’utilisateurs mensuels revendiqués pour l’application Gemini, Google dispose d’un canal de diffusion qu’aucun concurrent ne peut répliquer à cette échelle, et qui ne dépend pas entièrement de la suprématie sur les classements de benchmarks.
A lire également
Faut-il pour autant considérer 3.7 Flash comme le meilleur modèle du marché ? Les propres données de Google répondent avec une honnêteté inhabituelle. Sur Terminal-bench 2.1, GPT-5.6 Terra mène à 87,4 % contre 85,8 %. Sur Agent’s Last Exam, Claude Sonnet 5 domine avec 33,3 % contre 26,3 %. L’indice d’intelligence globale d’Artificial Analysis place Claude Opus 5 à 63, contre 56 pour 3.7 Flash (en progression depuis les 52 de la 3.6). Le modèle de Google ne prétend donc pas régner partout, il prétend offrir le meilleur rapport performance-prix dans les workflows de code et d’automatisation, un positionnement de « cheval de trait » assumé qui laisse la couronne du pur-sang au futur Gemini 4, dont le développement serait déjà bien engagé.
La vraie question que pose cette sortie éclair dépasse le périmètre d’un seul modèle. Google est en train d’installer un rythme d’itération où des améliorations algorithmiques peuvent atteindre la production sans attendre une nouvelle génération phare, transformant la Flash line en laboratoire vivant. Pour les équipes qui déploient des agents en production, cette cadence crée une tension permanente entre l’envie de profiter des gains et la nécessité de re-benchmarker chaque version contre leurs propres dépôts, schémas d’outils et modes de défaillance. Le pari de Google tient en une phrase implicite, du moins pour les mois qui viennent : un modèle suffisamment compétitif face aux systèmes plus chers, et suffisamment bon marché pour tourner en boucle à l’intérieur d’agents, vaut mieux qu’un modèle de pointe qu’on hésite à appeler trop souvent.
