Une conférence filmée de 90 minutes, découpée à une image par seconde : 5 400 images envoyées au modèle, toutes facturées, y compris les milliers où rien ne bouge à l’écran. Google annonce avoir ramené cette consommation à un huitième de son volume sur ses tests, en cessant d’imposer au modèle un rythme de lecture fixe. Le procédé, baptisé compréhension vidéo agentique, laisse au modèle le soin de décider ce qu’il va regarder. Il est disponible depuis le 1er septembre sur Gemini 3.7 Flash, 3.6 Flash et 3.5 Flash-Lite, via l’API Gemini dans Google AI Studio et la Gemini Enterprise Agent Platform.
Pourquoi 88 % de tokens en moins ne font que 66 % de facture en moins
L’annonce de Google DeepMind avance trois grandeurs : jusqu’à 88 % de tokens consommés en moins (le token est l’unité de découpage facturée par le modèle, qu’il s’agisse de texte ou d’image), jusqu’à 66 % de coût d’analyse en moins, jusqu’à 7 points de précision gagnés. Les deux premières mesurent pourtant la même opération, et 22 points les séparent.
L’explication tient à la nature des tokens échangés. Le mode statique dépense l’essentiel de son budget en entrée, sur des images inertes facturées au tarif le plus bas. La boucle agentique remplace ce flot par du raisonnement, des appels à l’outil vidéo interne et des tokens de sortie, tous plus chers à l’unité. Le volume supprimé est considérable, mais une partie revient sous une forme facturée plus cher. Google ne publie pas la ventilation qui permettrait de vérifier cette lecture, et l’entreprise a intérêt à mettre en avant la baisse la plus spectaculaire des deux.
Pour un budget de production, la grandeur à retenir reste celle qui apparaît sur la facture : 66 %, dans le meilleur des cas mesurés.
Du tapis roulant d’images à la lecture choisie
Jusqu’ici, un modèle ingérait la vidéo comme un tapis roulant : une image par seconde par défaut, réglable par l’API, du début à la fin. Sur une captation de plusieurs heures, il fallait choisir entre payer l’intégralité du flux ou l’échantillonner, donc accepter de perdre des détails.
La version agentique inverse le sens de la lecture. Le modèle décide quoi regarder, à quelle vitesse et sur quelle piste : les images, la bande son ou la transcription, puis charge uniquement les segments utiles à la question posée. Mario Lučić, directeur de recherche chez Google DeepMind, rappelle que les développeurs pouvaient déjà orchestrer ce découpage à la main. Le gain porte donc autant sur la plomberie supprimée que sur les tokens : le pré-traitement maison, le fenêtrage, l’indexation des transcriptions passent à l’intérieur du modèle.
Ni OpenAI ni Anthropic ne prennent la vidéo en entrée. Les modèles Claude se limitent au texte et aux images, et la méthode que documente OpenAI consiste encore à extraire soi-même les images d’un fichier pour les envoyer comme une série de photos. Google affine donc une capacité que ses deux rivaux n’exposent toujours pas.
Trois maxima, pas une moyenne
Chacun des trois chiffres est précédé d’un « jusqu’à ». Ce sont des bornes hautes relevées sur des tests standards d’analyse vidéo, pas des médianes. L’annonce ne donne ni la distribution des résultats ni la liste complète des modèles comparés, alors qu’elle place Gemini 3.7 Flash sur la frontière de Pareto, c’est-à-dire le meilleur compromis atteignable entre précision et coût.
Google précise lui-même où se concentrent les gains : la vidéo longue, du tutoriel de dix minutes au cours de 90 minutes et aux enregistrements de plusieurs heures. Plus la vidéo est longue et redondante, plus la part d’images inutiles est grande, plus le tri rapporte. Sur un clip de trente secondes déjà dense, la boucle agentique ajoute des allers-retours à un flux qui tenait de toute façon dans le contexte : l’économie s’y réduit, voire s’inverse.
Avant de basculer un traitement en production, mesurez trois choses sur vos propres fichiers : la durée médiane de vos vidéos, la dispersion du coût entre deux exécutions d’une même requête, et la latence ajoutée par les allers-retours de la boucle.
Le prix d’une caméra qui tourne 24 heures
Les capacités mises en avant dessinent une famille cohérente : localisation d’un instant à la fraction de seconde, repérage d’un détail unique noyé dans plusieurs heures d’enregistrement, détection d’anomalie, comptage précis. Ce sont les briques de base du contrôle qualité en ligne de production, de la vidéoprotection, de la supervision d’infrastructure, de la conformité sur des enregistrements de visioconférences.
Ces usages partageaient jusqu’ici une contrainte : ils supposent de regarder en permanence un flux où il ne se passe presque rien. Tant que chaque seconde inerte était facturée au même prix qu’une seconde d’incident, l’analyse continue restait réservée aux flux à forte valeur, et le reste continuait d’être confié à des humains qui surveillent des murs d’écrans. Diviser la consommation par huit sur ce type de contenu déplace la frontière : une caméra qui tourne 24 heures devient un cas de figure chiffrable.
Le faux négatif ne laisse aucune trace
Un système qui décide lui-même des segments à charger accepte par construction de ne pas inspecter le reste. Sur une tâche de résumé, l’impasse est bénigne. Sur une détection d’anomalie, elle produit un faux négatif silencieux : l’événement se trouvait dans une portion jamais ouverte, et rien ne le signale. Aucune trace d’erreur, aucune alerte, une réponse propre et fausse.
S’y ajoute une part d’imprévisible. Deux exécutions de la même requête sur la même vidéo peuvent emprunter des chemins différents, donc facturer des montants différents et, à la marge, répondre différemment. Un traitement statique à cadence fixe était coûteux, mais son coût et sa couverture étaient prévisibles à la seconde près.
Aucun réglage ne corrige cette zone d’ombre : c’est l’évaluation qu’il faut armer. Sur un échantillon annoté d’événements rares, comparez le rappel du mode agentique, c’est-à-dire la part des événements réellement retrouvés, à celui d’un passage exhaustif à cadence fixe, et conservez ce passage de contrôle sur une fraction de vos flux. Les 7 points de précision annoncés portent sur des tâches de compréhension ordinaires ; ils ne disent rien du taux de détection sur l’événement à une chance sur mille, le seul qui compte quand on branche un agent sur une caméra.
L’asymétrie est brutale : les tokens économisés se comptent en centimes, l’incident manqué en rappels de lots, en arrêts de ligne ou en litiges. C’est sur cette ligne-là, celle qui n’apparaît sur aucune facture, que se jouera la rentabilité de la vidéo agentique.
