Google réserve Gemini 4 Argon aux défenseurs cyber et divise le prix des modèles frontière
Le 30 septembre 2026, Google présente Gemini 4 Argon, un modèle frontière livré d’abord aux équipes de défense cyber du programme Fairwind, sans les garde-fous qui encadreront la sortie publique. À 2 $ le million de jetons d’entrée et 10 $ en sortie, avec une fenêtre de sortie portée à 1 M de jetons, il redéfinit l’économie des modèles frontière — mais personne hors du cercle des testeurs ne peut encore le vérifier.
30 septembre 2026. Google annonce Gemini 4 Argon, son nouveau modèle frontière, et choisit de le livrer en premier aux défenseurs cyber du programme Fairwind plutôt qu’au grand public. 30 septembre 2026. Le prix d’introduction est fixé à 2 $ par million de jetons d’entrée et 10 $ en sortie, avec les jetons d’entrée en cache facturés 95 % moins cher. 30 septembre 2026. La fenêtre de sortie passe de 64 K à 1 M de jetons, un record revendiqué. Pourquoi c’est important : pour la première fois, un laboratoire frontière ouvre sa capacité maximale — sans garde-fous cyber — à une population de défenseurs, et il le fait à un prix qui sous-cote Anthropic et OpenAI.
Un lancement à rebours des habitudes
Le schéma habituel d’un lancement de modèle frontière est de livrer d’abord les développeurs, puis les entreprises, puis les consommateurs. Google inverse l’ordre. Gemini 4 Argon part vers les testeurs de confiance du programme Fairwind, des équipes de défense cyber qui l’utiliseront pour trouver et corriger des failles logicielles avant la sortie publique. Koray Kavukcuoglu, SVP de Google DeepMind et architecte IA en chef, présente le modèle comme taillé pour « l’ingénierie logicielle du monde réel, le travail de connaissance d’entreprise comme le droit et la finance, et la défense en cybersécurité ».
Cette séquence n’est pas décorative. Elle signale que Google traite la défense cyber comme un terrain où son modèle doit prouver sa valeur avant d’affronter la comparaison publique avec GPT-6 et Claude. Le modèle est engagé dans le processus volontaire de pré-publication du gouvernement américain, ce qui encadre l’accès avant la mise à disposition générale — un garde-fou que la plupart des rivaux n’affichent pas aussi explicitement.
Des chiffres qui posent la question du prix
Le tarif est l’argument le plus immédiat. 2 $ le million de jetons d’entrée et 10 $ en sortie, contre 10 $ / 50 $ pour le modèle haut de gamme d’Anthropic et une grille équivalente chez OpenAI. Après la période d’introduction, le prix remontera à 4 $ / 20 $ — soit exactement l’étage « économique » déjà occupé par les offres d’Anthropic et d’OpenAI. Autrement dit, le prix d’appel place Argon sous ses rivaux, et le prix durable le place au même niveau.
La différence de fond est ailleurs : la fenêtre de sortie de 1 M de jetons. Là où un modèle à 64 K sortants doit fragmenter un raisonnement long en plusieurs appels, Argon peut produire des centaines de milliers de jetons en une seule trajectoire. C’est une capacité que Google présente comme un levier de profondeur — utile pour du code à migrer, un audit à mener de bout en bout, ou une campagne de correction de vulnérabilités à dérouler sans interruption.
Un modèle déjà en production chez Google
Les exemples internes sont le point le plus solide de l’annonce, parce qu’ils sont mesurables. Des agents Argon ont analysé la télémétrie de profilage des centres de données de Google et appliqué des optimisations mémoire qui ont libéré 300 Tio, avec une estimation de 500 Tio à 1 Pio une fois déployées. Sur la migration C/C++ vers Rust, les agents ont repris des dizaines de milliers de lignes de bibliothèques comme re2 et libgav1, jusqu’à 800 000 lignes pour le noyau Fuchsia Zircon. Pour libgav1, le décodeur vidéo open source, ils ont remplacé 32 000 lignes de code SIMD par du Rust sûr que le compilateur vectorise tout seul — résultat, un décodeur mémoire-sûr 2,7 fois plus rapide que le port Rust existant, à sortie vidéo identique.
Ces chiffres sont invérifiables de l’extérieur, mais ils ont une cohérence interne que les benchmarks ne suffisent pas à donner. Argon revendique aussi des scores de tête — 77,9 % sur DeepSWE v1.1, première place sur l’indice Vals et sur AutomationBench (51,3 %), 91,7 % sur LVBench pour la compréhension vidéo longue, et 68 % sur CWE-bench v1 pour la remédiation de vulnérabilités. Le modèle est crédité d’avoir trouvé, via Wiz et son initiative Scan for Good, une faille critique dans un logiciel de santé utilisé par des hôpitaux — une vulnérabilité que les modèles frontière précédents avaient manquée.
Le vrai sujet : un modèle frontière sans garde-fous cyber
La décision la plus lourde de conséquences est discrète dans l’annonce. Pour les défenseurs de confiance et ses propres équipes, Google livre Argon sans garde-fous cyber, afin de donner accès à la pleine capacité de défense. C’est un choix assumé et réversible — la sortie publique viendra avec des garde-fous contre le mésusage en attaque, les requêtes scientifiques nuisibles et l’injection d’instructions cachées dans des fichiers. Mais il pose la question qui divise déjà les équipes sécurité : jusqu’où laisser un modèle autonome trouver, valider et corriger des failles dans du code de production, avec des droits réels sur l’infrastructure.
Le précédent n’est pas neutre. Un modèle qui corrige des vulnérabilités sans supervision est aussi un modèle qui peut se tromper de correctif, écraser une logique métier, ou être détourné pour produire un exploit avant que le correctif ne soit publié. Google a choisi de concentrer cette capacité sur une population restreinte et contrôlée, mais la tension entre vitesse de correction et confiance dans un agent autonome ne disparaîtra pas avec la sortie publique.
La course frontière se joue aussi sur la confiance
Au-delà des chiffres, l’annonce d’Argon est un geste stratégique. Google était perçu comme à la traîne dans la course des modèles frontière, derrière les GPT-6 d’OpenAI et les Claude d’Anthropic. Livrer Argon d’abord aux défenseurs cyber, dans le cadre du processus volontaire de pré-publication du gouvernement américain, est une façon de regagner du terrain par la crédibilité plutôt que par le battage — et de montrer que le modèle sait faire autre chose que générer du texte.
C’est aussi un signal de positionnement. Un modèle frontière qui passe d’abord entre les mains des équipes qui protègent des infrastructures critiques, avant même les clients payants, se présente comme un outil de défense plutôt que comme un simple produit de consommation. Pour les équipes techniques, la conséquence est concrète : la valeur d’Argon se mesurera d’abord dans des audits de code, des migrations de langage et des correctifs de vulnérabilités — des terrains où la fiabilité se vérifie plus vite que dans n’importe quel benchmark de raisonnement.
Verdict
Si vous êtes une équipe de défense cyber, demandez l’accès au programme Fairwind : c’est le seul endroit où la capacité brute d’Argon — sans garde-fous — est aujourd’hui observable, et c’est là que la valeur défensive se mesure. Si vous êtes une entreprise, attendez. Le prix réel sera 4 $ / 20 $ après l’introduction, la sortie publique sera encadrée par des garde-fous, et les benchmarks internes de Google ne remplacent pas une évaluation sur vos propres jeux de données. Le signal le plus fiable n’est pas le score de DeepSWE, c’est la décision de Google de faire tourner le modèle sur son propre noyau Fuchsia avant de le vendre — une preuve de confiance qui, elle, est déjà en production.