Gemini 4 Argon : un million de tokens en sortie, et maintenant ?

La course portait autrefois sur les fenêtres de contexte. Gemini 4 Argon déplace l'attention vers l'autre extrémité du modèle : ce qu'il peut produire d'une traite. Le 30 septembre, Google DeepMind a présenté Argon avec une limite de sortie d'un million de tokens, contre 64 000 auparavant. C'est une réponse de la longueur d'un livre. La question la plus intéressante pour les marketeurs est de savoir quel type de travail en a besoin.

Ce qui s'est passé

Dans l'annonce de Google, Koray Kavukcuoglu décrit Argon comme le modèle de pointe de Google « pour le codage en conditions réelles, le travail intellectuel en entreprise et la cyberdéfense ». La limite de tokens en sortie passe à 1M, et le modèle est conçu pour des tâches longues en plusieurs étapes en génie logiciel, en droit, en finance et en cybersécurité, avec une solide compréhension visuelle, comme l'analyse de graphiques et la compréhension de longues vidéos.

Le déploiement est inhabituel. Argon est d'abord proposé à un groupe de cyberdéfenseurs de confiance via le Fairwind Program de Google, un accès plus large étant prévu pour les développeurs, les entreprises et le grand public, en commençant par les clients API payants et les abonnés Google AI Ultra. Le tarif de lancement est de 2 US$ par million de tokens en entrée et de 10 US$ par million de tokens en sortie, puis passe à 4 US$ et 20 US$ après la période de lancement, avec une remise de 95 % sur les entrées en cache.

Google publie des résultats de benchmarks, dont 77,9 % sur DeepSWE v1.1 et 91,7 % sur le benchmark de vidéos longues LVBench, et décrit des usages internes comme de grandes migrations de code. L'entreprise décrit aussi des mesures de sécurité, notamment la surveillance des usages abusifs et des défauts d'alignement, ainsi que la résistance à l'injection de prompt indirecte. Ce sont les résultats de Google.

Pourquoi c'est important

Un million de tokens en sortie, ce n'est pas pour écrire des articles de blog plus longs. Les sorties longues comptent quand il s'agit de produire un livrable complet en une seule passe cohérente : une migration complète de base de code, un ensemble de contrats, un vaste jeu de données structurées. En marketing, les équivalents les plus proches seraient la réécriture complète d'un flux produits, la localisation intégrale d'un site web ou une bibliothèque de campagne comptant des centaines de variantes coordonnées.

La compréhension de longues vidéos est, à mes yeux, la capacité la plus immédiatement utile. La vidéo domine les plateformes sociales, et la plupart des marques l'analysent encore en visionnant des échantillons et en prenant des notes. Un modèle capable de lire de longues vidéos de manière fiable, à grande échelle, ouvre la voie à des analyses concurrentielles et sectorielles qu'il était auparavant impossible de mener de façon exhaustive.

Et le déploiement axé d'abord sur la cybersécurité en dit long sur l'endroit où les laboratoires de pointe situent le risque. Quand un laboratoire donne accès aux défenseurs avant tout le monde, il vous dit que le modèle est suffisamment performant pour intéresser aussi les attaquants.

Ce que disent mes recherches

Une grande partie de mes recherches a porté sur le multimédia social, et pas uniquement sur le texte. Très tôt, nous avons construit bBridge (ACM Multimedia 2016), une plateforme big data d'analyse du multimédia social à travers les réseaux. Plus récemment, dans SOEX: Explainable AI for Competitor Communications Analytics (WWW 2025 Companion), nous nous sommes attachés à expliquer ce que communiquent les concurrents et pourquoi cela fonctionne.

La leçon de ces travaux est que l'échelle de l'analyse ne représente que la moitié du problème. Un modèle capable de regarder mille vidéos concurrentes doit encore répondre aux questions qui intéressent un stratège : quels messages se répètent, lesquels performent, quelle audience ils ciblent et quel espace reste libre. Les modèles à long contexte et à sortie longue rendent la lecture et l'écriture moins coûteuses. Le cadrage et la validation restent la contribution humaine, appuyée par les données de performance.

J'ajouterais une mise en garde. Les sorties très longues sont difficiles à vérifier. Un document généré de 200 pages peut être juste à 98 % et contenir quand même l'affirmation qui vous attirera des ennuis. Plus la sortie est longue, plus vous avez besoin de structure, d'échantillonnage et de contrôles automatisés.

Comment j'utiliserais un modèle à long horizon en marketing

• Audits vidéo sectoriels. Demandez des conclusions structurées sur l'ensemble des vidéos concurrentes : accroches, allégations, formats, appels à l'action. Puis validez un échantillon à la main.
• Bibliothèques de contenus coordonnés. Générez en une passe l'ensemble des variantes d'une campagne pour que le ton et les allégations restent cohérents, et vérifiez-les à l'aide d'une check-list.
• Brouillons de localisation de site complet. Produisez des brouillons complets pour de nouveaux marchés, puis faites d'abord vérifier les pages à fort trafic par des relecteurs natifs.
• Documents longs avec index. Exigez du modèle qu'il produise un tableau des allégations avec leurs sources, afin que des humains puissent vérifier rapidement les parties à risque.

Le chiffre phare d'Argon est impressionnant. La valeur pour les marketeurs viendra de l'association de cette capacité avec la discipline de vérifier ce qui en sort.

FAQ