Gemini 4 Neon accélère le code d’entreprise chez Google

Google déploie Gemini 4 Neon, un modèle pensé pour le développement logiciel complexe et les tâches agentiques. L’entreprise le place entre Hydrogen et Carbon, avec un prix API plus bas et un contexte d’un million de tokens.

Google déploie Gemini 4 Neon, un modèle conçu pour les tâches d’ingénierie logicielle complexes et les workflows agents, avec l’objectif affiché de coûter moins cher que les modèles plus lourds. Le lancement vise surtout les développeurs d’entreprise, au moment où les achats d’IA se font de plus en plus à l’usage et au coût réel par tâche. Neon se situe entre Gemini 4 Hydrogen, pensé pour la rapidité, et Gemini 4 Carbon, réservé aux travaux les plus exigeants.

Un modèle intermédiaire qui vise le quotidien des équipes techniques

Neon n’est pas présenté comme un remplaçant unique, mais comme une brique de plus dans la famille Gemini 4. Google le décrit comme capable de travailler dans de grands dépôts de code, de corriger plusieurs fichiers à la fois et de refactorer sans se limiter à des ajustements superficiels. Dans Antigravity, son environnement de développement, il peut aussi coordonner plusieurs sous-agents Gemini 4 Hydrogen en parallèle.

Cette logique d’assemblage compte autant que la performance brute. En entreprise, les projets logiciels ne se résument pas à une seule requête proprement emballée ; ils accumulent des dépendances, des fichiers hérités et des contraintes de production. Google tente donc de positionner Neon comme un modèle capable de tenir la charge sans faire exploser la facture. Le genre de compromis qui fait sourire les équipes achat autant qu’il intéresse les développeurs.

Des scores élevés, mais la facture reste au centre du jeu

Sur les benchmarks cités par Google, Neon arrive en tête de l’Artificial Analysis Coding Agent Index avec un score de 58,6 et atteint 65,2 % sur Terminal-Bench 4.1, un test qui évalue des agents IA dans des environnements de terminal. L’entreprise affirme aussi que Neon coûte 32 % de moins par tâche que Gemini 4 Carbon au réglage de raisonnement élevé par défaut dans les évaluations Artificial Analysis Intelligence Index. Sur certains classements concurrents, Google dit observer des économies de 50 % à 80 % face à des modèles de premier plan sur Vals Index et Agent Arena [à vérifier selon les périmètres exacts].

Le prix API annoncé est de 3 dollars par million de tokens en entrée et 15 dollars par million de tokens en sortie. Les entrées mises en cache coûtent 0,15 dollar par million de tokens, et le modèle accepte une fenêtre de contexte allant jusqu’à un million de tokens. Autrement dit, il est pensé pour des tâches longues, avec beaucoup d’historique à garder en tête, ce qui réduit les allers-retours mais peut vite faire grimper la consommation si l’on n’arbitre pas finement les usages.

Pourquoi Google pousse ce modèle maintenant

La stratégie de Google s’inscrit dans un marché où les entreprises ne veulent plus seulement le meilleur score de benchmark. Elles cherchent un coût total maîtrisé, une bonne intégration aux outils existants et une qualité de code qui tienne en production. Anand Joshi, managing director chez JP Data, souligne que les longues fenêtres de contexte peuvent faire déraper les estimations de tokens, ce qui pousse les organisations vers des modèles plus petits et plus efficaces si la qualité suit.

Prabhu Ram, vice president for industry research chez CyberMedia Research, estime pour sa part que les entreprises pourraient adopter une approche par paliers plutôt que de miser sur un seul modèle premium. Son point est simple : on n’utilise pas le même moteur pour corriger une ligne de code, relancer un agent autonome ou réécrire un service critique. Dans ce cadre, Neon devient une option intermédiaire pour les tâches où Carbon serait trop coûteux et Hydrogen trop limité.

La production reste le vrai test

Malgré les progrès, le déploiement en production reste le point de friction. Joshi rappelle que le code généré par IA peut ressembler à une boîte noire pour le développeur, ce qui complique le diagnostic quand une application casse en conditions réelles. Sans compréhension claire de ce que l’agent a modifié, les entreprises hésitent à aller au-delà du prototypage.

Pareekh Jain, CEO de Pareekh Consulting, ajoute qu’orchestrer plusieurs agents peut créer des conflits de modifications et des erreurs de coordination, surtout sur des tâches longues. Le maintien de la fiabilité sur des environnements métiers critiques reste donc un sujet central. Dans ce contexte, l’idée la plus plausible à court terme reste celle d’une autonomie supervisée, où l’IA exécute davantage de travail tandis que l’humain garde le contrôle final.

Points clés

  • Neon se place entre Hydrogen et Carbon dans Gemini 4.
  • Google annonce 58,6 sur l’Artificial Analysis Coding Agent Index.
  • Le modèle accepte jusqu’à un million de tokens de contexte.
  • API : 3 dollars entrée, 15 dollars sortie par million de tokens.
  • Google le rend disponible dans Gemini API et Antigravity.
  • Terminal-Bench 4.1 : 65,2 % selon Google.

En chiffres

  • 32 % de coût en moins par tâche — par rapport à Gemini 4 Carbon, selon Google et Artificial Analysis.
  • 1 million de tokens — fenêtre de contexte maximale annoncée par Google.
  • 3 dollars — prix par million de tokens en entrée, API Neon.
  • 15 dollars — prix par million de tokens en sortie, API Neon.
  • 65,2 % — score affiché sur Terminal-Bench 4.1.

À lire