La compréhension vidéo agentique de Gemini est désormais disponible : le mode API qui réduit le coût d’analyse vidéo de deux tiers.

Le 1er septembre 2026, Google a introduit la compréhension vidéo agentique pour Gemini 3.7 Flash, Gemini 3.6 Flash et Gemini 3.5 Flash-Lite — un nouveau mode de l'API Gemini qui cesse de traiter une vidéo comme un tas d'images et commence à la traiter comme un document interrogeable. L'annonce de Google DeepMind, rédigée par le chef de produit senior Rohan Doshi et le directeur de recherche Mario Lučić, constitue le premier changement majeur dans la manière dont Gemini lit une vidéo depuis que les modèles peuvent traiter des vidéos en entrée : au lieu qu'un modèle analyse silencieusement un échantillon fixe d'images, le modèle décide désormais, en cours de réponse, quoi regarder, à quelle vitesse et par lequel des trois canaux — images visuelles, audio ou transcriptions. Le principal effet, toutes les mesures étant rapportées par le fournisseur et aucune n'ayant encore été reproduite de manière indépendante, est que l'analyse vidéo devient jusqu'à 66 % moins chère, consomme jusqu'à 88 % de jetons en moins et fournit des réponses jusqu'à 7 % plus précises que la référence image par image qu'elle remplace.

Ce que « agentic » change réellement sous le capot

L’ancien comportement est ce que Google appelle désormais le « traitement statique » : on fournit une vidéo à Gemini, qui échantillonne les images à une fréquence fixe — par défaut, une image par seconde —, fait passer tout l’échantillon dans le modèle, puis répond à partir de ce que cette grille fixe a capturé. Cela présente deux angles morts structurels. Un changement d’état qui se produit entre deux images échantillonnées n’existe tout simplement pas pour le modèle. Et une vidéo de deux heures échantillonnée à 1 FPS coûte une fortune en jetons, dont la plupart sont dépensés pour des séquences qui n’ont rien à voir avec la question.

La compréhension vidéo agentique remplace la grille fixe par une boucle. Le modèle associe son raisonnement principal à des outils vidéo natifs qui lui permettent de décider dynamiquement quoi regarder, à quelle vitesse le regarder, et par quelle modalité l’examiner — images visuelles, piste audio ou transcription. Il fait appel à un outil interne pour charger uniquement les segments pertinents du fichier, récupérer les moments et les signaux dont la question a réellement besoin, puis raisonne sur ce qu’il a extrait. Google le décrit comme le même schéma architectural que la fonctionnalité de vision agentique qu’il a lancée précédemment : le modèle n’est plus un consommateur passif de médias ; c’est un agent qui interroge le média comme un outil.

La conséquence pratique est que « qu'a vu le modèle ? » cesse d'être une affaire de hasard d'échantillonnage. On peut répondre à une question portant sur un plan d'une fraction de seconde, un défaut à peine visible, ou un mot prononcé dans un bruit de fond, car le modèle peut réexaminer la fenêtre exacte avec une résolution et une cadence plus élevées, dans la modalité où se trouve la réponse.

Les nombres, étiquetés comme ce qu'ils sont.

La comparaison réalisée par Google entre le traitement agentique et le traitement statique est au cœur de l’annonce, et elle doit être interprétée comme une affirmation du fournisseur jusqu’à ce qu’un tiers externe la reproduise. Sur son ensemble de tests interne :

• Coût — jusqu’à 66 % de réduction du coût d’analyse, car le modèle ne charge que les segments dont il a besoin au lieu de l’ensemble de l’échantillon fixe.

• Tokens — une consommation de tokens jusqu’à 88 % inférieure, avec les plus grandes économies sur les vidéos de longue durée : l’annonce mentionne spécifiquement les guides de 10 minutes aux enregistrements de plusieurs heures.

• Précision — jusqu’à 7 % meilleure sur les mêmes tâches, car les événements de moins d’une seconde et entre les images deviennent visibles au lieu de tomber dans les intervalles d’échantillonnage.

Google positionne Gemini 3.7 Flash sur la « frontière de Pareto précision-coût » des modèles testés — en clair, la meilleure réponse par dollar des trois modèles. Il cite également quatre partenaires en accès anticipé — Ponder, Revyl, Mosaic et Resemble.AI — qui ont développé sur ce mode avant sa disponibilité générale, un détail du genre qui suggère une utilisation réelle en production plutôt qu’un simple diaporama. Aucun résultat de ces partenaires n’est publié ; la position crédible est donc la suivante : le mécanisme est réel, la direction est manifestement la bonne, et les pourcentages précis restent ceux de Google tant qu’ils n’ont pas été mesurés de manière indépendante.

Les cas d'utilisation pour lesquels la fonctionnalité a été conçue

L'annonce regroupe la capacité en quatre catégories, chacune correspondant à une charge de travail concrète qu'un développeur peut livrer :

• La recherche de moments infra-seconde — qui permet de repérer les changements d’état en une fraction de seconde et les limites de coupe très précises qu’une grille de 1 FPS ne détecte pas du tout. C’est le cas d’usage du montage vidéo automatisé : trouver l’image exacte où un changement de scène se produit.

• Recherche d’une aiguille dans une botte de foin pour contenus longs — répondre à une question précise sur une vidéo de plusieurs heures sans consommer des millions de jetons. C’est la différence entre « regarder cet appel de 3 heures » et « le client a-t-il accepté le renouvellement lors de cet appel de 3 heures ».

• Détection d’anomalies — le modèle rééchantillonne les fenêtres temporelles intéressantes à une fréquence d’images plus élevée afin d’examiner les mouvements rapides et les artefacts visuels subtils. Le contrôle qualité en fabrication, l’analyse sportive et les images de surveillance en sont les cibles évidentes.

• Compter les actions et les objets — suivre les mouvements physiques répétés et les objets distincts dans le temps, ce que l’échantillonnage statique sous-estime lorsque la chose comptée se déplace plus vite que la fréquence d’échantillonnage.

Quels modèles, et combien ils coûtent

La fonctionnalité repose sur le palier Flash, et l'écart de prix entre les trois modèles est déterminant pour choisir où la diriger :

• Gemini 3.7 Flash — 0,75 $ en entrée / 3,75 $ en sortie par million de jetons au tarif promotionnel, confirmé jusqu’au 31 décembre 2026, après quoi il double pour passer à 1,50 $ / 7,50 $. Le leader du rapport précision-coût des trois.

• Gemini 3.6 Flash — 1,50 $ / 7,50 $ par million de tokens. L'option stable et non promotionnelle du trio.

• Gemini 3.5 Flash-Lite — 0,30 $ / 2,50 $ par million de jetons. La voie économique, pour le tri vidéo à grand volume où le jeton le moins cher est l'essentiel.

Comme la fonctionnalité utilise la tarification standard par token de l'API Gemini, sans frais supplémentaires, la réduction de 88 % des tokens s'applique directement à ces tarifs. Une charge de travail qui coûtait 100 $ pour une analyse statique devrait coûter environ 12 $ à 34 $ avec un traitement agentique sur le même modèle, avant même de tenir compte des gains de précision — c'est là le véritable enjeu pour quiconque dispose d'un pipeline qui brûle actuellement des tokens en re-téléversant ou en échantillonnant des images de longues vidéos.

Comment l’allumer

Le mode est activé avec un seul indicateur de configuration — passez le traitement « agentic » dans la requête — et il fonctionne avec les mêmes entrées et les mêmes tarifs que l’API standard. Pas de point de terminaison séparé, pas de nouvelle dimension de facturation, pas de quota spécial. Le chemin Python utilise l’API d’interactions du SDK google-genai, par exemple avec le modèle « gemini-3.7-flash » et une vidéo plus une invite de texte comme entrée ; la vidéo peut être un téléchargement direct, une URI Cloud Storage, une URL HTTP publique ou une URL YouTube selon la surface que vous appelez.

Deux contraintes pratiques à connaître avant de construire : les fichiers vidéo sont soumis aux limites de taille de la plateforme (environ 15 Mo par fichier via Enterprise Agent Platform), et la plateforme Gemini Enterprise Agent prend en charge les formats de conteneur courants — MP4, MOV, AVI, WebM, WMV, MPEG — la conversion des formats se fait donc avant l'appel API, pas dans celui-ci.

Là où il fonctionne maintenant, et là où il se dirige

Au lancement, la compréhension vidéo agentique est disponible pour les téléversements de vidéos et les vidéos YouTube via l'API Gemini dans Google AI Studio et via la plateforme Gemini Enterprise Agent — c'est la surface développeur et entreprise. Deux déploiements grand public sont annoncés mais pas encore en service : l'application Gemini, où elle sera bientôt déployée auprès de tous les utilisateurs sur les modèles Flash et Flash-Lite, et la fonctionnalité « Ask YouTube » de YouTube sur la page de visionnage des vidéos, que Google affirme arriver dans les mois à venir. Pour un développeur qui évalue la fonctionnalité, l'API est l'endroit honnête pour la tester aujourd'hui ; les surfaces grand public sont la stratégie de distribution qui normalisera l'expression.

Il y a aussi un signal d’écosystème qui mérite d’être noté : comme la fonctionnalité est proposée en tant que mode API standard, les projets de serveurs MCP et de frameworks d’agents qui encapsulent la compréhension vidéo de Gemini — le framework GenV pour l’analyse de réunions, les packages MCP de recherche vidéo et les compétences vidéo Gemini apparues au cours des derniers mois — peuvent l’adopter sans changer leur architecture. C’est la mise à niveau du mode, et non un nouveau SDK, qui permet la baisse des coûts.

Que vérifier avant de se fier aux pourcentages

Chaque chiffre de l’annonce — les 66 %, les 88 %, les 7 %, l’affirmation concernant la frontière de Pareto — provient de Google lui-même et a été mesuré sur le propre jeu de test de Google. Rien de tout cela n’a été reproduit en dehors de l’entreprise. Le sens de l’effet ne fait aucun doute : une boucle agentique qui ne charge que les segments pertinents ne peut que surpasser une grille fixe qui charge tout. L’ampleur reste la question ouverte, et elle variera selon la charge de travail — les économies de tokens ne seront pas de 88 % pour un extrait de 2 minutes avec une seule question, car il n’y a pas grand-chose à ignorer ; elles le seront pour un appel de 3 heures avec une seule question ciblée. Le bon test, c’est votre propre vidéo de longue durée, exécutée une fois en traitement statique et une fois en traitement agentique, sur le même modèle, en comptant les tokens réels et les dollars réels.

L'économie de ce test est exactement le cas où une couche de routage justifie son existence. Gemini 3.6 Flash et Gemini 3.5 Flash-Lite — deux des trois modèles auxquels s'applique cette fonctionnalité — sont servis sur OrcaRouter au prix catalogue de Google, sans aucune marge, si bien qu'une baisse de prix sur l'analyse vidéo est effective de notre côté le jour même où elle l'est chez Google ; Gemini 3.7 Flash, le troisième et le plus récent, est disponible via l'API de Google et plusieurs plateformes tierces. Et comme la compréhension vidéo agentique est une capacité tout juste lancée, dont les écarts en conditions réelles ne sont pas vérifiés, c'est le cas d'école du basculement automatique : pointez une partie du trafic vidéo vers le mode agentique, laissez le routeur revenir à un modèle éprouvé en cas d'erreurs, de dépassement des limites de débit ou de régressions manifestes de la qualité, et maintenez la voie de référence active jusqu'à ce que le nouveau mode ait gagné ce trafic.

Ce changement va au-delà d’une simple fonctionnalité. Depuis deux ans, la vidéo est le mode d’entrée multimodal le plus maladroit — extrêmement expressif, extrêmement coûteux à analyser, et effectivement lu avec une perte d’échantillonnage. La compréhension vidéo agentique est la première réponse sérieuse de Google à ces trois problèmes à la fois, et elle arrive sur l’échelon le plus abordable de sa gamme de modèles plutôt que sur le modèle phare. Pour les équipes qui évitent les charges de travail vidéo à cause de la facture de tokens, ce mode vaut la peine de refaire le calcul dès aujourd’hui.