Gemini 3.5 Pro reconstruit de zéro : le risque de dépendre d’un seul modèle IA
Trois fois Google a fixé une date pour son modèle Gemini 3.5 Pro. Trois fois cette date est passée sans livraison. À sa conférence I/O du 19 mai 2026, Sundar Pichai promettait le modèle « pour le mois prochain » (Google I/O, mai 2026). Fin juin, la sortie glissait de juin à juillet (Business Insider). Le 17 juillet, rien encore. Pendant ces semaines, des entreprises formaient leurs équipes sur ce modèle et en faisaient la colonne vertébrale de leurs processus. Le vrai sujet n’est pas le retard de Google : c’est la vitesse à laquelle une organisation a cru une annonce.
La réponse courte : Gemini 3.5 Pro, annoncé à Google I/O en mai 2026, a été reconstruit depuis ses fondations et reporté trois fois (juin, 17 juillet, puis au-delà). L’épisode ne condamne pas Google, mais il rappelle une règle : dépendre d’un seul modèle expose au calendrier d’un fournisseur. Le réflexe qui protège une PME s’appelle la réversibilité.
Temps de lecture : 10 min
Mis à jour le 25 juillet 2026
Que s’est-il vraiment passé avec Gemini 3.5 Pro ?
Gemini 3.5 Pro est le modèle phare que Google a présenté à sa conférence I/O de mai 2026, puis reconstruit depuis ses fondations et reporté trois fois sans date de sortie ferme. Il existe, tourne en interne et a manqué trois échéances publiques : ce sont les seuls faits que Google a confirmés sous son nom. Tout le reste circule sous forme de rapports de presse.
De la promesse d’I/O au silence de juillet
La chronologie est nette. Le 19 mai, à I/O, Google livre Gemini 3.5 Flash et annonce le modèle Pro « pour le mois prochain » (Google I/O). Fin juin, Business Insider rapporte un report de juin à juillet pour intégrer les retours des premiers testeurs ; interrogé, un porte-parole refuse de commenter. Le 17 juillet, la date la plus relayée passe sans sortie.
Le 21 juillet, Google publie bien une annonce : trois nouveaux modèles Flash, la confirmation que le Pro n’est pas prêt, et l’aveu qu’un pré-entraînement d’un futur modèle Gemini 4 a démarré (Google DeepMind). Le 24 juillet, l’entreprise redit seulement que le modèle reste en test chez des partenaires. Sa page officielle affiche toujours « bientôt disponible » (Google DeepMind).
Le vrai motif, révélé par Bloomberg
Le 16 juillet, Bloomberg publie une enquête citant dix employés actuels et anciens de Google DeepMind (Bloomberg, 16 juillet 2026). La performance de codage restait sous les cibles internes. Pire : une mise à jour des données d’entraînement, fin juin, censée corriger le problème, a dégradé les résultats. Des rapports ultérieurs décrivent un redémarrage du pré-entraînement sur une fondation Gemini 3 native, après l’abandon du modèle bâti sur l’architecture précédente.
La distinction compte. Réajuster un modèle presque fini est une retouche. Recommencer le pré-entraînement signifie que la fondation elle-même ne suffisait pas : c’est refaire les fondations d’un bâtiment, pas repeindre une pièce. Le jour de l’enquête, l’action d’Alphabet a reculé d’environ 4,4 %, effaçant près de 200 milliards de dollars de capitalisation (Bloomberg, 16 juillet 2026).
Le calendrier aggrave le tableau. GPT-5.6 d’OpenAI est public depuis le 9 juillet 2026, et Claude Fable 5 comme Sonnet 5 d’Anthropic tournent déjà en production. Google se retrouve, pour un temps, le seul grand laboratoire sans modèle phare de nouvelle génération en disponibilité générale à la date que son propre dirigeant avait promise à I/O.
Pourquoi trois échéances manquées sont un signal, pas un incident
Un fournisseur qui manque une date envoie un signal. Deux dates, c’est un problème. Trois dates plus un redémarrage complet, c’est une information stratégique. Cette information ne figurait dans aucun communiqué : elle s’est lue dans la presse économique, un jeudi de juillet, pendant que des feuilles de route continuaient de s’appuyer sur une promesse de mai.
La conférence de presse n’est pas une fiche technique
Le secteur a industrialisé l’annonce préventive. On présente un modèle à un sommet, on publie quelques mesures choisies, on ouvre une liste d’attente, et des directions informatiques planifient déjà des migrations. Le défaut de cette mécanique tient en une phrase : elle déplace le moment de vérité. On ne teste plus avant de décider, on décide avant de tester.
La bonne question n’est donc plus « Flash ou Pro ? », mais « mon code peut-il traiter l’arrivée d’un modèle comme une évaluation contrôlée plutôt qu’une migration d’urgence ? ». C’est la logique même d’un déploiement supervisé par étapes, où rien ne passe en production sans preuve de fiabilité.
Deux temporalités incompatibles
Un laboratoire travaille sur des horizons de recherche longs et imprévisibles, où un modèle peut exiger une reconstruction sans que personne l’ait anticipée. Une entreprise, elle, planifie par trimestres, signe des contrats annuels et a besoin de stabilité pour déployer. Ces deux rythmes ne se synchronisent pas.
Il faut rendre justice à Google sur un point : reconstruire un modèle plutôt que livrer une version dégradée est un choix défendable, presque une forme d’honnêteté industrielle. Le problème n’est pas la décision du laboratoire. C’est l’absence, côté client, d’un processus pour absorber ce genre d’information et en tirer des conséquences opérationnelles.
Quel risque pour une PME qui a bâti sur un modèle unique ?
Une PME qui a câblé toute son activité sur un seul modèle IA hérite du calendrier de son fournisseur. Quand ce dernier reconstruit, retarde ou dégrade son produit, le coût retombe sur le client, sans qu’il ait décidé quoi que ce soit. Le risque n’est pas théorique : il se mesure en jours de production et en heures d’équipe.
Le coût du changement forcé
Changer de modèle dans l’urgence n’a rien d’un réglage. Les invites calibrées pour un modèle donnent d’autres résultats sur un autre. Les chaînes d’outils se cassent, les garde-fous doivent être revérifiés, les équipes reformées. Un basculement improvisé transforme un simple changement de version en chantier de plusieurs semaines, pendant lesquelles le service tourne au ralenti.
Ce coût explique pourquoi tant de projets calent : d’après le programme NANDA du MIT, environ 95 % des initiatives d’IA générative n’atteignent jamais la production. La fragilité de l’intégration, technique et humaine, pèse plus lourd que la qualité brute du modèle.
Les signaux à surveiller chez un fournisseur
Quelques signaux publics suffisent à anticiper. Un fournisseur qui repousse plusieurs fois une date, dont les caractéristiques ne sont connues que par fuites, ou dont les ingénieurs clés partent chez un concurrent, envoie des avertissements lisibles. Le tableau ci-dessous relie chaque signal à un réflexe de gouvernance.
| Signal observé | Ce que ça révèle | Réflexe de gouvernance |
|---|---|---|
| Dates de sortie repoussées plusieurs fois | Roadmap instable, priorités internes en tension | Ne jamais faire d’un modèle annoncé une dépendance de livraison |
| Spécifications connues par fuites, pas par le fournisseur | Écart entre communication et produit réel | Décider sur vos propres tests, pas sur une fiche marketing |
| Départs d’ingénieurs clés vers des concurrents | Risque sur la continuité de la feuille de route | Garder une alternative qualifiée et prête |
| Un modèle « bouche-trou » sort à la place du produit promis | Le fournisseur gère un retard en public | Mesurer le nouveau modèle avant toute bascule |
En pratique
Tenez une fiche par fournisseur : dernière date tenue, dernière date manquée, alternative qualifiée et coût estimé d’un basculement en jours. Relue chaque trimestre, elle transforme une rumeur de presse en décision documentée.
Faut-il fuir Google pour autant ?
Non. Tirer de cet épisode qu’il faut abandonner Google serait une erreur de lecture. Le signal ne vise pas une marque en particulier : il vise la dépendance à un fournisseur unique, quel qu’il soit. Google reste un acteur de premier plan, et une partie de son offre tourne déjà en production.
Ce que Google livre déjà
Pendant que le modèle Pro se faisait attendre, Gemini 3.5 Flash est disponible depuis mai 2026 et porte des charges de production réelles. Google a aussi livré, le 21 juillet, trois nouveaux modèles Flash. Sur les tâches multimodales, la génération de code assistée et l’intégration à ses services, l’entreprise garde des atouts que peu de concurrents alignent.
La newsletter HDVMA
Recevez 1 fois par semaine les articles IA, SEO & GEO de HDVMA
Un email par semaine maximum · Désinscription en un clic
Reconstruire un modèle plutôt que livrer une version bâclée reste, encore une fois, un arbitrage raisonnable. Un dirigeant de PME n’a pas à choisir son camp dans la course aux modèles : il a à choisir une architecture qui ne le rend captif d’aucun d’eux.
La dépendance, pas la marque, est le problème
La même prudence vaut pour tous les fournisseurs. Un modèle peut être retardé, mais aussi voir son prix changer, son accès restreint par une décision réglementaire, ou sa qualité évoluer d’une version à l’autre. Aucun de ces événements ne se pilote depuis le siège d’une PME.
La bonne posture n’est donc pas de parier sur le « bon » fournisseur, mais de construire un système qui survit au changement de n’importe lequel. C’est un choix d’architecture, pas un pari sur un classement de modèles qui, lui, changera encore plusieurs fois cette année.
Comment garder la main : la réversibilité en pratique
La seule façon de réconcilier le rythme des laboratoires et celui des entreprises, c’est de ne jamais dépendre d’un seul modèle, d’un seul fournisseur, d’une seule architecture. Cette réversibilité ressemble à de la prudence d’ingénieur, jusqu’au jour où un fournisseur annonce une reconstruction complète. Ce jour est arrivé, et pas pour la dernière fois.
Abstraire le fournisseur
Placez une couche d’abstraction entre votre application et le modèle : un routeur qui parle à plusieurs fournisseurs derrière une interface unique. Vos processus dépendent alors d’entrées et de sorties stables, pas d’un nom de modèle. Basculer de l’un à l’autre devient un paramètre, pas une réécriture. C’est aussi la meilleure protection contre un coup de semonce venu d’un fournisseur unique.
Tester avant de décider, mesurer en continu
Construisez un banc d’évaluation propre à votre métier : un jeu de cas réels sur lesquels chaque modèle candidat est noté. Un nouveau modèle n’entre en production que s’il améliore un résultat mesurable, pas parce qu’un keynote l’a présenté. La règle tient en trois mots à afficher au mur : mesurer, comparer, promouvoir.
Gardez donc une alternative qualifiée en permanence, câblez la réversibilité dès la conception et faites tourner votre banc d’évaluation à chaque nouvelle sortie. C’est ce qui sépare une PME qui subit l’agenda d’un fournisseur d’une PME qui décide du sien (MIT NANDA).
Sur le terrain
Chez HDVMA, nous branchons les systèmes clients derrière une couche d’abstraction dès la mise en production : un changement de fournisseur se joue en heures de configuration, pas en semaines de refonte. Sur un déploiement de juillet 2026, la bascule d’un modèle vers un autre a été validée en une demi-journée, banc d’évaluation à l’appui.
Le prolongement naturel : garder la main sur votre IA : gouvernance et ROI.
Les points clés
- Gemini 3.5 Pro a manqué trois échéances (juin, 17 juillet, au-delà) après un redémarrage de pré-entraînement (Bloomberg, 16 juillet 2026).
- Le seul fait confirmé par Google : le modèle est en test, pas prêt. Le reste relève de rapports de presse.
- Environ 95 % des projets d’IA générative n’atteignent pas la production (MIT NANDA) : la réversibilité pèse plus que la puissance brute.
- Le réflexe : abstraire le fournisseur, tester avant de décider, garder une alternative qualifiée.
Méthodologie
Cet article s’appuie sur les données publiées par Google DeepMind, l’enquête de Bloomberg du 16 juillet 2026, le report initial rapporté par Business Insider et le programme MIT NANDA, consultés en juillet 2026. Les caractéristiques non confirmées par Google sont présentées comme telles.
Pour aller plus loin
Questions fréquentes sur Gemini 3.5 Pro et la dépendance à un modèle IA
Qu’est-ce que Gemini 3.5 Pro ?
Gemini 3.5 Pro est le modèle phare que Google a présenté à sa conférence I/O de mai 2026, puis reconstruit depuis ses fondations et reporté trois fois sans date de sortie ferme. Au-delà, Google n’a confirmé sous son nom que trois éléments : le modèle existe, tourne en interne et a manqué ses dates. La fenêtre de contexte, les prix ou les mesures qui circulent proviennent de rapports de presse, pas d’une page officielle. Gemini 3.5 Flash, lui, est disponible depuis mai 2026 et porte déjà des charges de production.
Pourquoi Google a-t-il reporté Gemini 3.5 Pro trois fois ?
L’enquête de Bloomberg du 16 juillet 2026, citant dix employés, pointe une performance de codage restée sous les objectifs internes. Une mise à jour des données d’entraînement de fin juin a même dégradé les résultats au lieu de les améliorer. Des rapports décrivent ensuite un redémarrage du pré-entraînement sur une fondation Gemini 3 native. Google, lui, évoque seulement des tests en cours avec des partenaires.
Faut-il éviter Gemini pour une PME ?
Non. Reconstruire un modèle plutôt que livrer une version dégradée est un choix défendable, et Gemini 3.5 Flash reste une option de production solide. Le problème n’est pas le fournisseur, mais la dépendance à un seul modèle. Une PME peut utiliser Gemini tout en gardant une alternative qualifiée et un banc d’évaluation, pour ne jamais subir un calendrier qu’elle ne maîtrise pas.
Qu’est-ce que la réversibilité d’un système IA ?
La réversibilité, c’est la capacité de changer de modèle ou de fournisseur sans réécrire son application. Elle repose sur une couche d’abstraction qui isole le code métier du modèle sous-jacent, et sur des contrats fondés sur des entrées et des sorties stables. Bien conçue, elle transforme une migration d’urgence de plusieurs semaines en un simple changement de paramètre.
Comment une PME peut-elle réduire sa dépendance à un modèle IA ?
En trois gestes. D’abord, placer un routeur de modèles entre l’application et les fournisseurs, pour basculer sans réécriture. Ensuite, tenir un banc d’évaluation métier qui note chaque modèle candidat sur des cas réels. Enfin, ne promouvoir un modèle en production que s’il améliore un résultat mesurable. Avec près de 95 % des projets IA qui échouent avant la production (MIT NANDA), ce cadre fait la différence.
 |
Eric Christophe, dirigeant HDVMA Expert SEO et automatisation IA. Accompagne PME et ETI françaises dans leur stratégie de visibilité Google et IA. Cas phare : BoatCible, +320 % de trafic organique en 5 mois, cité par ChatGPT et Perplexity. LinkedIn |
Autres articles sur l'Intelligence artificielle
La newsletter HDVMA
Recevez 1 fois par semaine les articles IA, SEO & GEO de HDVMA
Un email par semaine maximum · Désinscription en un clic