L’API Gemini, MCP, Jules et Antigravity

À Cloud Next 2026, Thomas Kurian a renommé Vertex AI en Gemini Enterprise Agent Platform, avec un Model Garden de plus de 200 modèles, le protocole A2A v1.2 en production chez 150 organisations, et l’ADK v1.0 stable sur quatre langages. À Google I/O, Google a ensuite dévoilé Antigravity 2.0 et entamé la transition de Gemini CLI vers Antigravity CLI.

Trois mois qui ont changé la donne côté code

Cet article est nettement plus technique que les précédents. Il s’adresse aux développeurs, aux CTO et aux profils techniques qui veulent construire avec Gemini, pas seulement l’utiliser. Et l’été 2026 a été chargé : trois modèles sortis en huit semaines, plusieurs extinctions, et surtout des paramètres dépréciés qui ne renvoient aucune erreur.

L’API Gemini : modèles, tarifs et fenêtre de contexte

L’API est d’abord accessible via Google AI Studio pour le prototypage, et via la Gemini Enterprise Agent Platform pour la production. Les modèles sont identiques dans les deux environnements ; seuls les tarifs, les quotas et les fonctions entreprise diffèrent — VPC, IAM, audit, résidence des données.

Le catalogue au 26 août 2026

Le point à retenir tient en une phrase : le modèle le plus capable de l’API est aujourd’hui un modèle Flash, et le Pro de nouvelle génération annoncé en mai n’est jamais sorti.

Gemini 3.7 Flash offre 1 million de tokens en entrée pour 64 000 en sortie, avec une base de connaissances arrêtée à mars 2026. Son tarif d’introduction court jusqu’au 31 décembre 2026, avant de doubler à 1,50 $ et 7,50 $. Autrement dit, le modèle le plus performant du catalogue coûte actuellement bien moins cher que Gemini 3.1 Pro, qu’il dépasse sur le code et l’agentique. Le calcul est vite fait.

Les leviers d’économie

Trois mécanismes permettent par ailleurs de réduire la facture. Sur les modèles Pro, attention d’abord à la tarification par paliers : au-delà de 200 000 tokens de contexte, les tarifs grimpent nettement. Un pipeline RAG qui embarque de gros documents peut silencieusement basculer chaque requête dans la tranche supérieure.

Le Batch API offre ensuite 50 % de réduction pour le traitement asynchrone. Pour des volumes de classification, d’extraction ou de résumé, c’est souvent le meilleur rapport qualité-prix. Le context caching fait enfin chuter le coût des tokens d’entrée réutilisés, moyennant un coût de stockage horaire.

Reste le levier le plus efficace, qui ne coûte rien : le routing entre modèles. Envoyez les requêtes simples vers Flash-Lite, réservez les modèles lourds au raisonnement complexe.

Ce qui a été éteint cet été

La liste est longue et mérite donc une vérification de vos intégrations.

• 1er juin 2026 — Gemini 2.0 Flash et 2.0 Flash-Lite, à migrer vers 3.5 Flash ou 3.1 Flash-Lite.
• 30 juin 2026 — Veo 2 et Veo 3.
• 17 août 2026 — Imagen 4 dans ses trois variantes.
• 31 août 2026 — Gemini Robotics ER 1.6, remplacé par ER 2.
• Octobre 2026 — toute la famille Gemini 2.5. Si un script en dépend encore, la migration devient urgente.

Les nouveaux modèles spécialisés

• Gemini Omni Flash — en préversion depuis le 30 juin, pour la génération vidéo rapide et l’édition conversationnelle, en clips de 3 à 10 secondes à 720p.
• Nano Banana 2 Lite — passé en disponibilité générale le 30 juin, optimisé pour une latence et un coût minimaux sur l’image.
• Gemini Robotics ER 2 — en préversion depuis le 30 juillet, avec raisonnement spatial avancé, orchestration d’outils multi-étapes et coordination multi-robots.
• L’agent Deep Research — appelable via l’Interactions API en mode arrière-plan, facturé à la tâche plutôt qu’au token. Détails dans l’article 8.
• Computer Use — passé en préversion publique le 24 juin, avec support natif des environnements navigateur, mobile et bureau.

Les ruptures de compatibilité à traiter en priorité

C’est de loin la section la plus utile de cet article si vous avez du code en production. La génération 3.x a introduit plusieurs changements, dont un particulièrement pernicieux.

Le piège silencieux : les paramètres d’échantillonnage

Depuis le 21 juillet 2026, temperature, top_p et top_k sont dépréciés. Le problème n’est pas la dépréciation, c’est son comportement : l’API les accepte, renvoie un code 200, et les ignore. Aucune erreur, aucun avertissement.

Or un pipeline qui posait temperature=0 pour garantir des sorties déterministes continue donc de tourner en ayant perdu sa garantie. Pire, ces paramètres sont souvent enfouis dans une couche wrapper ou un fichier de configuration, loin de l’appel d’API : un simple grep ne les trouve pas tous. Auditez vos configurations avant de constater la dérive en production.

Les quatre erreurs 400 à anticiper

Ces changements-là sont en revanche plus francs : ils échouent bruyamment, donc vous les verrez.

• thinking_budget et thinking_level ensemble — envoyer les deux dans la même requête renvoie une 400. Le budget numérique cède la place à une énumération à quatre valeurs : minimal, low, medium, high.
• candidate_count — le paramètre n’est plus supporté du tout sur la génération 3.x.
• Le prefilling de réponse assistant — une requête qui se termine par un tour de rôle model est rejetée. Le motif consistant à amorcer la réponse pour guider le format ne fonctionne plus.
• FunctionResponse incomplet — chaque réponse de fonction doit désormais porter call_id et name, sous peine de rejet.

Fonctionnalités API notables

• Function calling — Gemini appelle les fonctions que vous définissez, reçoit les résultats, puis les intègre à sa réponse. Le processus de réflexion interne améliore la sélection des fonctions et des paramètres.
• Structured output — spécifiez un schéma JSON, et le modèle le respecte. Essentiel pour l’extraction de données et l’intégration à des systèmes existants.
• Multimodal natif — texte, images, vidéo, audio et PDF dans le même appel, avec support des buckets Cloud Storage et des URLs pré-signées.
• Grounding — ancrez les réponses dans Google Search ou Google Maps pour des données vérifiées en temps réel.
• Thinking levels — niveau de raisonnement configurable par requête, medium par défaut. Détails dans notre guide prompt engineering.

Support MCP natif : Gemini parle le protocole universel

L’API et le SDK Gemini supportent par ailleurs nativement le Model Context Protocol, le standard ouvert pour connecter les modèles à des sources de données et des outils externes. Vous combinez connecteurs MCP et function calling natif dans une même requête.

Serveurs MCP managés par Google

Google propose notamment des serveurs entièrement managés pour ses services : Google Maps pour les données géospatiales, BigQuery pour le SQL et le forecasting, Compute Engine et Kubernetes Engine pour l’infrastructure, Cloud Storage avec analyse automatique des données non structurées. Cloud Run, Spanner, Looker et Pub/Sub sont annoncés.

L’intérêt par rapport aux serveurs communautaires tient en trois mots : fiabilité, sécurité entreprise et zéro maintenance. Vous pointez votre agent vers un endpoint Google, et il accède aux données avec les mêmes contrôles IAM, VPC Service Controls et logs d’audit que le reste de votre infrastructure.

Apigee comme bridge MCP universel

Apigee, la plateforme de gestion d’API de Google, fonctionne désormais comme bridge MCP. Elle traduit n’importe quelle API REST standard en outil agent découvrable, avec les contrôles de sécurité existants. Vos APIs internes deviennent donc utilisables par des agents sans écrire un seul serveur MCP sur mesure. Le Workspace MCP Server est par ailleurs en préversion pour exposer Gmail, Calendar, Docs, Sheets et Drive à des agents tiers.

MCP en ligne de commande

Les CLI de Google supportent les serveurs MCP via un fichier de configuration, qu’ils soient locaux en stdio ou distants en HTTP. La configuration se transpose d’une CLI à l’autre, mais c’est justement un point d’attention lors de la migration vers Antigravity CLI : un réglage MCP mal repris échoue parfois en silence.

# Configuration MCP (settings.json)

{
  "mcpServers": {
    "bigquery": {
      "type": "url",
      "url": "https://mcp.googleapis.com/bigquery",
      "trust": true
    },
    "mon-serveur-custom": {
      "type": "stdio",
      "command": "npx",
      "args": ["-y", "mon-package-mcp"],
      "env": {
        "API_KEY": "votre-cle"
      }
    }
  }
}

A2A et ADK : orchestrer entre agents

Le protocole Agent2Agent a quant à lui atteint la version 1.2, avec 150 organisations en production. Il est gouverné par la Linux Foundation via l’Agentic AI Foundation, et les agent cards signés utilisent des signatures cryptographiques pour la vérification de domaine.

A2A est complémentaire de MCP, pas concurrent. MCP relie un agent à des outils et à des données. A2A gère la communication entre agents, à travers organisations et plateformes. Un agent construit ailleurs peut donc passer une tâche à un agent Gemini, qui interroge lui-même un troisième agent, sans qu’aucun système n’ait à connaître l’architecture interne des autres. Le support est intégré nativement dans l’ADK de Google, LangGraph, CrewAI, LlamaIndex, Semantic Kernel et AutoGen.

L’Agent Development Kit open source est stable en version 1.0 sur Python, Go, Java et TypeScript. Il gère la définition d’agents, le routing de modèles, l’intégration MCP, la persistance de sessions et la communication A2A. S’y ajoutent un Agent Designer low-code et une boîte de réception centralisée pour gérer les agents en production.

Jules : l’agent de code asynchrone

Jules est l’agent de code autonome de Google, sorti de bêta publique et propulsé par un modèle Pro. Vous lui assignez une tâche via GitHub — correction de bug, refactoring, implémentation, écriture de tests — et il travaille de façon asynchrone. Il clone votre dépôt dans une machine virtuelle, analyse le code, élabore un plan, exécute les modifications, puis ouvre une pull request. Vous relisez, approuvez, fusionnez.

Ce que Jules fait concrètement

Jules lit d’abord les descriptions d’issues, comprend l’intention, explore le codebase, puis produit des changements ciblés avec un diff inspectable. Il ne se contente pas de générer du code : il l’exécute, le teste, et corrige les erreurs avant de soumettre. Pour la maintenance courante, il élimine ainsi le travail répétitif qui mange le temps des développeurs seniors.

Côté outillage, la CLI de Jules gère les exécutions en parallèle, tourne sous Windows et embarque un visualiseur de diff. Une API stable permet par ailleurs de brancher Jules dans vos propres workflows, avec variables d’environnement, mémoire de session améliorée et gestion Git plus prudente.

Plans et limites

L’anglais reste la seule langue officiellement supportée, et la capacité dépend des ressources disponibles, sans garantie aux heures de pointe.

Antigravity 2.0 : la plateforme agent-first

Antigravity est enfin la plateforme de développement agentique de Google. Lancée fin 2025, elle est passée à la version 2.0 à Google I/O. Ce n’est plus un éditeur de code avec un chatbot greffé, mais une suite complète : application desktop bâtie sur Open VSX, CLI, SDK, palier Managed Agents API, et chemin de déploiement entreprise via la Gemini Enterprise Agent Platform.

Le concept : l’agent au centre

Dans un IDE classique, l’IA reste un assistant cantonné à un panneau latéral. Ici, l’agent est le pilote. Il explore le codebase, planifie les tâches, exécute les modifications, ouvre un navigateur pour tester, puis présente ses résultats sous forme d’artifacts — plans, diagrammes, captures, diffs — que vous validez ou commentez comme dans un document partagé.

La plateforme propose un mode Editor classique et un mode Manager agent-first. La version 2.0 intègre l’orchestration multi-agents au niveau de la plateforme, et le feedback que vous donnez est réinjecté dans les exécutions suivantes.

Multi-modèles via le Model Garden

Antigravity ne se limite toutefois pas à Gemini. La plateforme s’appuie sur le Model Garden et ses 200 modèles et plus, ce qui vous laisse choisir le moteur adapté à chaque tâche, y compris des modèles partenaires. Ce choix signale une approche interopérable plutôt qu’un verrouillage. Gemini 3.7 Flash y est disponible depuis le jour de son lancement.

Disponibilité : gratuit en préversion publique sur Mac, Windows et Linux. Les crédits Antigravity sont distincts des crédits IA Google : ils mesurent la consommation de tokens dans l’IDE.

De Gemini CLI à Antigravity CLI : ce qui s’est passé le 18 juin

Le changement est désormais acté depuis le 18 juin 2026 : Gemini CLI et les extensions IDE Gemini Code Assist ne servent plus les requêtes des comptes gratuits, AI Pro et AI Ultra. L’authentification renvoie une erreur, les commandes échouent. Le remplaçant est Antigravity CLI, écrite en Go et invoquée par la commande agy.

Google a justifié la bascule par l’évolution des usages, avec une formule qui résume bien la période : vos workflows ont tout simplement dépassé les débuts de 2025. Deux populations conservent malgré tout l’accès. Les organisations disposant d’une licence Gemini Code Assist Standard ou Enterprise, d’abord. Celles qui passent par une clé API payante, ensuite. Pour les comptes individuels et gratuits, la migration était obligatoire, sans échappatoire.

Antigravity CLI partage le même cœur d’agent qu’Antigravity 2.0, ce qui signifie que les améliorations du desktop bénéficient automatiquement au terminal. Elle conserve les Skills, Hooks, Subagents et Extensions, mais bascule sur un traitement asynchrone en arrière-plan : vous lancez un refactoring massif sans bloquer votre session. Google avait toutefois prévenu qu’il n’y aurait pas de parité fonctionnelle stricte au lancement.

Qui garde l’accès, qui doit migrer

# Transition CLI — etat au 26 aout 2026

# AI Pro / Ultra / gratuit       -> Gemini CLI coupe depuis le 18 juin, passer a agy
# Licence Code Assist Enterprise -> acces Gemini CLI inchange
# Cle API payante                -> Gemini CLI reste utilisable

# Antigravity CLI : ecrite en Go, execution asynchrone,
# meme coeur d'agent que l'app Antigravity 2.0,
# support MCP via configuration (stdio local ou HTTP distant)

Project Mariner est mort — et voici ce qui l’a remplacé

Si vous suivez l’écosystème depuis un moment, vous vous souvenez de Project Mariner, l’agent de navigation web de Google DeepMind. Il observait le navigateur visuellement plutôt qu’en analysant le DOM, planifiait les étapes, puis exécutait clics, saisies et navigations. Cette approche le rendait résistant aux changements de design des sites, là où un script d’automatisation classique casse dès qu’un bouton bouge.

Le projet a été arrêté après onze mois d’existence.

La technologie n’a donc pas disparu, elle a simplement changé de véhicule. Trois héritiers se partagent l’ancien périmètre de Mariner.

• L’outil Computer Use dans l’API — passé en préversion publique le 24 juin 2026, il permet de construire vos propres agents qui pilotent un navigateur, un mobile ou un bureau, avec des actions simplifiées par intention. C’est la voie développeur.
• L’auto browse dans Chrome — la version produit, réservée aux abonnés AI Pro et Ultra et limitée aux États-Unis. Elle s’appuie sur vos sessions ouvertes et vos mots de passe enregistrés, et rend la main au moment de payer.
• L’agent Spark — qui pilote lui aussi Chrome sur ordinateur, traité dans l’article suivant.

La leçon vaut d’ailleurs au-delà de Mariner. Google expérimente sous forme de projets labellisés, puis absorbe ce qui marche dans ses produits principaux et éteint le laboratoire. Pour un développeur, l’implication est claire : ne construisez pas de dépendance dure sur un « Project » tant qu’il n’a pas migré vers une API stable.

Gemini Enterprise Agent Platform : l’échelle entreprise

Renommée à Cloud Next 2026, l’ex-Vertex AI constitue enfin la couche entreprise de l’écosystème. Elle ajoute au-dessus de l’API des quotas dédiés, la résidence des données par région — Europe incluse pour le RGPD —, des contrôles IAM granulaires, le support VPC-SC, les logs d’audit, la facturation centralisée et l’accès aux 200 modèles et plus du Model Garden.

Les nouveautés annoncées à Cloud Next visent le stockage et la donnée : Managed Lustre avec une bande passante jusqu’à 10 TBps, un Rapid tier de stockage objet à latence inférieure à la milliseconde, Smart Storage avec serveur MCP managé, un data lakehouse cross-cloud qui fédère sans copier, enfin des requêtes BigQuery en langage naturel. Pour une entreprise qui construit un produit sur Gemini, c’est le chemin de production recommandé.

Par où commencer en tant que développeur

Ce que l’écosystème développeur change — et la suite

L’offre développeur de Google forme désormais une pile verticale complète. L’infrastructure passe par la Gemini Enterprise Agent Platform, les modèles par un Model Garden de plus de 200 références, les protocoles par MCP natif et A2A v1.2, le kit par l’ADK v1.0 et l’Agent Designer, les outils par Antigravity et Jules. Le tout avec la Linux Foundation qui gouverne A2A pour garantir l’interopérabilité.

Les limites sont celles d’un écosystème en mutation rapide. La transition de Gemini CLI a été imposée sans parité fonctionnelle complète, les extinctions successives imposent une veille active sur les migrations, et la multiplication des outils crée une vraie confusion sur lequel employer quand. Ajoutez le modèle Pro annoncé en mai et jamais livré, et vous obtenez un calendrier produit visiblement grippé.

Le conseil qui découle de tout cela est en somme assez simple. Construisez sur ce qui est en disponibilité générale, gardez un œil sur la page des dépréciations, et testez vos configurations plutôt que de faire confiance à l’absence d’erreur.

Le prochain article zoome sur l’agent personnel le plus visible de l’écosystème, celui qui a fait le chemin inverse de Mariner en passant de la bêta au produit mondial.