Le 1er septembre, Google a lancé sur la Gemini API un mode de traitement vidéo baptisé agentic video, qui redonne au modèle lui-même la décision de « comment regarder la vidéo ». Les développeurs peuvent l'utiliser immédiatement, l'app Gemini suivra ensuite, et la fonction Ask YouTube de YouTube prévoit de l'intégrer dans les prochains mois.
Le changement se situe au niveau de l'échantillonnage. Jusqu'ici, Gemini traitait la vidéo à un débit d'images fixe, une image par seconde par défaut, que le contenu soit une conférence de presse ou un enregistrement de vidéosurveillance : tout était injecté dans le contexte au même rythme. Dans le nouveau mode, le modèle dispose d'outils vidéo natifs et décide, pendant son raisonnement, quels passages observer, à quelle vitesse, et s'il passe par les images, l'audio ou les sous-titres, ne récupérant que les moments nécessaires.
Trois chiffres
Le résultat comparatif publié par Google : la consommation de tokens baisse jusqu'à 88%, le coût baisse jusqu'à 66%, et la précision augmente jusqu'à 7%. Autre conclusion avancée : Gemini 3.7 Flash atteint, pour l'analyse vidéo, la frontière de Pareto entre précision et coût — c'est-à-dire qu'à prix égal, on ne trouve pas plus précis, et à précision égale, on ne trouve pas moins cher.
Parmi ces trois chiffres, le troisième est le plus contre-intuitif. Réduire l'échantillonnage s'accompagne en général d'une perte d'information — voir moins devrait signifier savoir moins. Si le score progresse malgré tout, c'est que le débit d'images fixe générait à la fois du gaspillage et des oublis : dans l'enregistrement d'une réunion de deux heures, la plupart des images montrent la même personne devant la même diapositive, et ce contenu répété grignote le budget de contexte ; à l'inverse, l'action réellement décisive peut se jouer en une seule seconde, et à 1 im/s, elle est justement manquée. Récupérer les passages à la demande permet à la fois d'éliminer les images redondantes et d'augmenter la densité d'échantillonnage là où c'est nécessaire.
Un calcul à la louche
Une heure de contenu à une image par seconde, cela fait 3 600 images ; en les injectant une à une dans le contexte, le volume de tokens en entrée démarre déjà, en gros, à six chiffres. Ce chiffre décourage d'emblée bien des usages : le replay d'un live de trois heures, une semaine de caméras de surveillance d'un magasin, un documentaire entier — le seul coût de parcourir le contenu une fois dépasse déjà la valeur business qu'il apporte. En coupant 88%, on retombe à cinq chiffres, et c'est à cet ordre de grandeur que l'analyse de vidéos longues franchit le seuil entre la démo et le produit.
Ce que Google répète cette année sur la lignée Flash vise, au fond, le coût unitaire. Sur la vidéo, le progrès précédent consistait à allonger la durée traitable en une seule fois ; il s'agit désormais de faire baisser le coût par unité de durée. Les deux effets combinés se font sentir bien plus nettement que chacun pris séparément.
Modèles compatibles et activation
Les modèles compatibles sont Gemini 3.7 Flash, 3.6 Flash et 3.5 Flash-Lite, accessibles via la Gemini API (par Google AI Studio) et la Gemini Enterprise Agent Platform. La facturation reste calquée sur le tarif standard des tokens de la Gemini API, sans surcoût pour la fonctionnalité — les tokens économisés se répercutent directement sur la facture. Le changement côté développeur est léger : il suffit de définir la méthode de traitement sur agentic dans la configuration.
Les quatre usages types cités par Google montrent aussi les scénarios visés : localisation de passages à la seconde près pour le montage ; recherche façon aiguille dans une botte de foin dans des vidéos longues de plusieurs heures ; détection d'anomalies via un rééchantillonnage dynamique ; et comptage précis d'actions et d'objets sur toute la timeline. Les deux premiers penchent vers l'industrie du contenu, les deux derniers visent clairement des usages industriels comme la surveillance, le contrôle qualité et l'inspection.
Comment les équipes en Chine font ce calcul
Les équipes de distribution de vidéos courtes, de contrôle qualité de live et de vérification sécurité n'arrivaient jusqu'ici presque jamais à faire tenir le calcul économique de la vidéo longue ; la pratique courante consistait à utiliser d'abord un modèle bon marché ou de la vision par ordinateur classique pour un premier tri grossier, puis à confier les passages suspects à un grand modèle. En transférant la décision d'échantillonnage au modèle, cette chaîne peut se passer d'une étape — le tri grossier se retrouve lui-même intégré au processus de raisonnement du modèle.
Une réserve s'impose : 88%, 66% et 7% sont à chaque fois des valeurs « jusqu'à », tirées du scénario le plus favorable. Selon le type de contenu et de problème, le gain réel diminuera dans des proportions variables, et Google n'a pas communiqué de distribution. Pour une vraie mise en production, il reste nécessaire de faire tourner un test comparatif sur son propre contenu.
Sources : blog officiel de Google, CocoLoop, Google DeepMind ; les chiffres de -88% de tokens, -66% de coûts et +7% de précision, ainsi que les modèles compatibles et le mode de facturation, ont été vérifiés d'après l'annonce officielle, la conversion du nombre d'images étant une estimation approximative de la rédaction.