Gemini réduit fortement le coût de l’analyse vidéo

Google a lancé le 1er septembre 2026 un mode d’« agentic video understanding » pour Gemini 3.7 Flash, 3.6 Flash et 3.5 Flash-Lite. Ce système permet au modèle de parcourir la vidéo de façon dynamique, au lieu d’ingérer un flux à cadence fixe, avec à la clé jusqu’à 88 % de jetons en moins, jusqu’à 66 % de coûts en moins et jusqu’à 7 % de qualité en plus. La fonctionnalité est déjà disponible pour les vidéos importées et les vidéos YouTube via Gemini API, Google AI Studio et Gemini Enterprise Agent Platform. Un gain qui devrait compter pour tous ceux qui ont déjà vu une IA noyer une vidéo de deux heures dans des milliers de jetons.

Le modèle choisit mieux où regarder

Le principe change par rapport au traitement « statique » : Gemini ne lit plus la vidéo à une fréquence d’images imposée, par défaut 1 FPS, mais décide quels passages analyser, à quel rythme et via quel signal, image, son ou transcription. Selon Google DeepMind, ce mode repose sur une boucle agentique qui appelle un outil interne pour charger seulement les segments pertinents du fichier vidéo. Résultat : moins de calcul inutile, moins d’overhead côté développeur, et des performances plus utiles sur les usages concrets.

Google cite plusieurs cas d’usage. Le premier est la recherche de moments très courts, utile pour repérer une coupure nette ou un changement d’état en une fraction de seconde. Vient ensuite la recherche dans des vidéos longues, de type tutoriels de 10 minutes, cours de 90 minutes ou enregistrements de plusieurs heures. Le système peut aussi servir à détecter des anomalies, en rééchantillonnant une séquence à plus haute fréquence, ou à compter des mouvements et des objets dans le temps.

Des gains surtout visibles sur les longues vidéos

Les économies annoncées sont maximales sur les formats longs, parce que le traitement classique oblige souvent à choisir entre coût élevé et perte d’informations. Google indique que, sur des benchmarks standards d’analyse vidéo, le mode agentic réduit la consommation de jetons jusqu’à 88 % et les coûts jusqu’à 66 %, tout en améliorant la précision jusqu’à 7 %. Ces chiffres concernent les trois modèles pris en charge et proviennent des tests publiés par l’entreprise [à vérifier].

Gemini 3.7 Flash ressort comme le meilleur compromis selon Google, avec le meilleur niveau de qualité global et le meilleur rapport qualité-coût parmi les modèles testés pour la vidéo. La société parle même d’un point d’équilibre « accuracy-to-cost pareto frontier » pour ce modèle, autrement dit une zone où l’on ne peut pas améliorer l’un des paramètres sans dégrader l’autre.

Déploiement immédiat pour les développeurs, puis dans l’app Gemini

Le mode est activable dès maintenant dans Google AI Studio et sur la Gemini Enterprise Agent Platform. Il suffit de régler la configuration API sur « agentic ». Google précise qu’il n’y a pas de surcoût fonctionnel : la tarification reste celle des jetons Gemini habituels.

Un extrait de code fourni par l’entreprise montre une requête sur une vidéo YouTube avec la consigne : "What are the 3 most important announcements in this keynote?". Le cas d’usage est parlant : on ne demande plus à l’IA de tout ingérer, seulement d’aller chercher les passages qui comptent. C’est plus élégant, et surtout moins gourmand.

Google prévoit aussi d’étendre ces améliorations à des produits grand public. Le mode agentic doit arriver dans l’application Gemini pour les modèles Flash et Flash-Lite, puis alimenter dans les prochains mois la fonction « Ask YouTube » sur la page de lecture, avec des réponses ancrées dans les éléments visuels de la vidéo. Pour les plateformes de vidéo, de support ou de formation, le sujet dépasse donc le simple gadget technique : il touche directement le coût d’exploitation, la qualité des réponses et la vitesse de recherche dans des corpus vidéo de plus en plus volumineux.