Gemini 4 Argon ouvre l’accès général avec une défense anti-prompt-injection et un prix d’introduction qui double fin novembre
Le 13 octobre 2026, Google rend Gemini 4 Argon disponible pour tous via l’API, AI Studio et Vertex AI, avec des sorties pouvant atteindre un million de tokens et un prix d’introduction de 2 $ / 10 $ par million de tokens. Si vous évaluez des agents d’entreprise, testez sa résistance au prompt injection — 0,7 % de réussite d’attaque — avant que le prix ne double le 30 novembre.
13 octobre 2026. Google ouvre Gemini 4 Argon, son modèle frontal multimodal, à tous les développeurs via l’API, AI Studio et Vertex AI. 2 $ / 10 $. Le prix d’introduction par million de tokens, valable jusqu’au 30 novembre 2026. 0,7 %. Le taux de réussite d’attaque qu’Argon laisse aux prompt injections sur le benchmark Gray Swan. Pourquoi c’est important : pour la première fois, la résistance à la manipulation du modèle devient un argument commercial de premier plan, et elle arrive en même temps qu’une échéance tarifaire qui force la décision.
Ce que change Argon
Gemini 4 Argon est la nouvelle génération de la famille Gemini, entraînée pour « la profondeur et la précision » sur les tâches longues et multi-étapes. Google cible explicitement le travail réel : développements logiciels complexes, dossiers financiers et juridiques, et défense cybersécurité via des outils comme CodeMender. Le modèle est disponible sous l’identifiant gemini-4-argon, dans Google Cloud, AI Studio et Antigravity.
Deux caractéristiques techniques ressortent. La première est une sortie longue, pouvant atteindre un million de tokens, qui change ce qu’un agent peut produire en une seule passe — un rapport complet, une refactorisation de plusieurs centaines de fichiers, une analyse de corpus entiers. La seconde est le prix : 2 $ en entrée et 10 $ en sortie par million de tokens jusqu’au 30 novembre 2026, avec une réduction de 95 % sur les tokens d’entrée mis en cache. Après cette date, le prix standard passe à 4 $ / 20 $ — un doublement qu’il faut lire comme une incitation à tester maintenant plutôt que plus tard.
Le calcul est simple à poser. Un agent qui produit 100 millions de tokens de sortie par mois coûte 1 000 $ au tarif d’introduction, et 2 000 $ au tarif standard. Pour une équipe qui pilote plusieurs agents de ce calibre, la différence est un poste budgétaire, pas un arrondi. La réduction de 95 % sur l’entrée mise en cache amortit encore le coût des contextes longs réutilisés — un argument de plus pour tester avant l’échéance.
Ce qui change la granularité du travail, c’est la taille de sortie autant que le prix. Un million de tokens représente environ 750 000 mots — l’équivalent d’un ouvrage entier. Un agent peut donc rendre une base de code complète, un rapport d’audit ou une documentation exhaustive en une seule requête, sans découper la tâche en fragments qui cassent le raisonnement. C’est ce changement d’échelle, plus que le score brut, qui intéresse les équipes engagées sur du travail long. Reste à vérifier, en conditions réelles, que la qualité se maintient sur la durée de la sortie — les benchmarks cités portent sur des tâches longues, mais votre charge de travail mérite son propre test de bout en bout.
Les chiffres de performance sont précis. Sur la base ADK en open source, Argon a réduit de 40 % le temps de préparation de session en mémoire et accéléré de 21 % les imports à froid, travaillant en autonomie pendant la nuit. L’équipe Chrome l’a utilisé pour achever une refactorisation architecturale de plusieurs centaines de fichiers dans le code de Chromium — des mois de travail ramenés à des semaines. En interne, Google mesure 35 % de soumissions de code agentique en plus, et près d’un tiers de rollbacks en moins.
La défense anti-prompt-injection devient un argument de vente
Le vrai signal, pour un lecteur d’ETTAYEB, n’est pas le benchmark de raisonnement — c’est la place donnée à la sécurité du modèle lui-même. Google met en avant le fait qu’Argon « respecte les limites du système, rapporte honnêtement les résultats négatifs et demande confirmation avant une étape irréversible ». Et surtout : il « mène le benchmark Gray Swan sur l’injection indirecte de prompt », en réduisant le succès des attaques à 0,7 % sur quinze tentatives adaptatives.
Pourquoi cela compte : un modèle d’agent lit des e-mails, des documents et des pages web qui peuvent contenir des instructions cachées. L’injection indirecte de prompt est le vecteur par lequel un contenu non fiable détourne l’agent de sa tâche — exfiltrer des données, envoyer un message, exécuter une action. Une résistance mesurée à 0,7 % de réussite change le calcul de risque pour quiconque déploie un agent connecté à des sources externes.
Le chiffre a une méthodologie précise, et c’est ce qui le rend comparable. Le benchmark Gray Swan mesure le taux de réussite d’attaques d’injection adaptatives — des tentatives qui s’ajustent aux défenses du modèle — sur quinze scénarios. Ce n’est pas un test en une passe, mais une mesure de robustesse face à un attaquant qui réessaie. Pour une équipe sécurité, c’est le type de métrique qui a du sens, même si elle ne couvre pas tous les vecteurs réels.
Le même réflexe se retrouve côté code. Argon arrive à égalité en tête de CWE-Bench v1 avec un score de 68 % sur la remédiation de vulnérabilités, et Google publie une version « sans garde-fous cyber » réservée à un cercle de défenseurs vérifiés via le programme Fairwind — un choix éditorial rare, qui assume que l’offensif et le défensif ne se testent pas avec les mêmes contraintes.
Ce que ça change pour les agents d’entreprise
La combinaison — sortie longue, prix d’introduction, défenses mesurées — s’adresse d’abord aux équipes qui construisent des agents de travail. GitLab annonce intégrer le modèle pour « amener l’IA dans le développement, la sécurité et les opérations ». Harvey mesure des gains « substantiels » sur le raisonnement juridique agentique, en particulier en fusion-acquisition et en cybersécurité. ServiceNow revendique 20 % de réussite de tâche en plus par rapport à Gemini 3.8 Flash en accès anticipé.
L’appel de l’API reste simple, et c’est ce qui accélère l’évaluation. L’endpoint est le même que le reste de la famille Gemini :
curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-4-argon:generateContent" \
-H "x-goog-api-key: $GEMINI_API_KEY" \
-H "Content-Type: application/json" \
-d '{"contents":[{"parts":[{"text":"Analyse ce rapport et vérifie chaque citation."}]}]}'Le point de vigilance, c’est la fenêtre tarifaire. Le prix d’introduction est une promotion datée, pas un tarif : à partir du 30 novembre 2026, le coût en sortie double. Pour une équipe qui dimensionne un budget d’inférence sur des agents à forte production de tokens, la différence entre tester avant ou après cette date est concrète — c’est le coût d’un pilote multiplié par deux. Google a choisi de rendre l’échéance explicite, ce qui est plus honnête qu’un tarif flou, mais cela impose de décider vite.
Reste une limite à garder en tête : un score de 0,7 % sur un benchmark n’est pas une immunité. La résistance au prompt injection se mesure sur des tentatives adaptatives précises, pas sur l’ensemble des vecteurs réels qu’un attaquant motivé peut essayer. Le chiffre est un argument de comparaison entre modèles, pas une garantie produit.
Verdict
Évaluez Gemini 4 Argon maintenant, mais sur deux critères précis plutôt que sur le benchmark du moment. Si vous construisez des agents qui lisent du contenu externe — e-mails, tickets, pages web —, mesurez sa résistance au prompt injection sur vos propres cas, et pas seulement sur Gray Swan : c’est là qu’Argon se distingue réellement de ses concurrents. Si votre charge de travail est intensive en sortie de tokens, verrouillez vos tests avant le 30 novembre 2026 pour bénéficier du tarif de 2 $ / 10 $, car le doublement à 4 $ / 20 $ change le coût d’un pilote. Dans les deux cas, traitez la « défense » annoncée comme un argument à vérifier en conditions réelles, pas comme une promesse d’immunité.