En quelques jours, Google a poussé deux briques qui, mises bout à bout, trahissent une intention nette : ne plus seulement vendre un modèle, mais fournir toute la chaîne qui fabrique, teste et maintient des agents. D’un côté, la Gemini API gagne l’exécution en arrière-plan et le support des serveurs MCP. De l’autre, un outil en ligne de commande baptisé agents-cli prétend générer un agent complet sans écrire une seule ligne de code.
Pris isolément, chacun ressemble à une mise à jour technique de plus. Assemblés, ils racontent où se joue désormais la partie entre laboratoires : moins dans le modèle brut que dans l’outillage qui transforme ce modèle en agent déployable, surveillable et maintenable.
Les quatre fonctions qui manquaient à la production
Côté interface de programmation, Google DeepMind greffe quatre fonctions à ses Managed Agents. La plus structurante est l’exécution en arrière-plan, ou Background Execution : un agent peut tourner de façon asynchrone, sans qu’une connexion HTTP reste ouverte pendant tout le traitement. Concrètement, on lance une tâche longue, on ferme la porte, et on revient chercher le résultat plus tard.
Les trois autres complètent le tableau. Les serveurs MCP (Model Context Protocol, le standard qui relie un agent à des outils et des données extérieurs) peuvent être branchés directement sur des bases ou des API internes. Les développeurs peuvent aussi mêler leurs propres fonctions aux outils du sandbox intégré. Enfin, les jetons d’authentification se rafraîchissent entre deux interactions sans que l’agent perde l’état de sa session. Le tout passe par la Gemini Interactions API, avec des exemples fournis en JavaScript, Python et cURL.
Rien de spectaculaire pris un par un. Mais ce sont exactement les manques qui empêchaient jusqu’ici de faire tourner un agent en production sérieuse : tâches longues, accès aux systèmes maison, sessions qui survivent à l’expiration d’un token.
L’agent qui fabrique l’agent
Le second volet est plus frappant. agents-cli est un assistant en ligne de commande qui guide la création d’un agent, étape par étape. On part d’un projet vierge, on décrit en langage naturel le type d’agent voulu, et l’outil génère lui-même la structure : fichiers de configuration, logique, dépendances, instructions système, outils connectés et premiers scénarios d’évaluation. Il peut ensuite créer des benchmarks, lancer des tests, comparer plusieurs versions, préparer l’infrastructure et déployer sur Google Cloud.
Sous le capot, l’outil s’appuie sur l’Agent Development Kit (ADK), le framework maison de Google : l’agent produit est un agent ADK, capable d’appeler des outils, d’interroger des API, d’enchaîner plusieurs étapes de raisonnement et de s’insérer dans une architecture multi-agents. Le projet est distribué en open source.
L’idée la plus retorse tient à l’usage recommandé. On peut piloter agents-cli soi-même depuis un terminal, mais Google suggère de le laisser conduire par un agent de programmation comme Codex, Claude Code, OpenCode ou Antigravity. On décrit son cas d’usage en langage naturel, et l’agent exécute les commandes, corrige les erreurs, relance les tests et ajuste le projet jusqu’à obtenir quelque chose de fonctionnel. Un agent qui construit un agent : la boucle se referme.
Du modèle à la chaîne de production
Ce double mouvement dit quelque chose de plus large que Google. Quand les modèles de tête convergent en qualité et que l’écart de performance brute se resserre, la différenciation glisse ailleurs : vers la facilité à mettre un agent en production, à le monitorer, à le corriger et à en maîtriser le coût. Autrement dit, vers l’infrastructure et les outils, pas vers le score dans un benchmark. Google n’ouvre d’ailleurs pas ce front tout seul : OpenAI a déjà sorti AgentKit, avec son canevas visuel et ses évaluations intégrées, et Anthropic distribue son Claude Agent SDK. La course à l’outillage était lancée avant cette salve.
Google ne joue donc plus seulement la carte du meilleur modèle. Il propose une usine complète, du gabarit initial jusqu’au déploiement, avec l’évaluation et le monitoring intégrés. L’enjeu saute aux yeux dès qu’on cherche à bâtir un agent : le coût d’entrée s’effondre, mais le prix de sortie grimpe. Chaque brique générée par agents-cli est un agent ADK pensé pour Google Cloud, et chaque fonction ajoutée à la Gemini API resserre l’attache à l’écosystème.
L’agent devient un objet d’infrastructure standard
À douze ou dix-huit mois, la trajectoire est lisible. L’agent cesse d’être un projet artisanal, monté à la main autour d’un modèle, pour devenir un objet d’infrastructure standardisé : généré, versionné, testé et déployé par une chaîne outillée, à la manière dont on livre déjà du logiciel classique. Les trois grands fournisseurs de cloud pousseront chacun leur fabrique maison, et le choix d’un modèle pèsera moins lourd que le choix de la chaîne qui l’emballe.
Ce pari tient à des conditions précises, et les limites actuelles d’agents-cli les rendent visibles. Pas de voix ni de vidéo en temps réel, un déploiement encore arrimé à Google Cloud, une compatibilité restreinte aux scripts Python : impossible, par exemple, de monter un agent vocal de service client. C’est exactement le terrain sur lequel xAI arrive avec un outil tout-en-un optimisé pour la voix. La fabrique de Google est ouverte et généraliste ; celle de ses rivaux sera peut-être plus fermée mais plus affûtée sur un usage.
Tout se jouera sur le sort de MCP et de l’ADK, pas sur la prochaine annonce de modèle. Si le protocole s’impose comme un standard réellement interopérable, la fabrique de Google reste un accélérateur qu’on peut quitter. S’il se dilue en dialectes propres à chaque cloud, alors l’usine à agents deviendra le meilleur verrou commercial que l’industrie de l’IA ait inventé depuis longtemps. Le code est open source ; la dépendance, elle, se négocie ailleurs.
