Contexte technique
J'ai regardé les dernières annonces de Google et mon impression s'est immédiatement scindée en deux : Omni donne envie de mettre la main à la pâte, tandis que Gemini 3.5 Flash semble déjà être une base solide pour l'AI automation. Ce sont des nouveautés différentes en termes de maturité, et il ne faut pas les confondre.
L'histoire d'Omni est encore à ses débuts. D'après ce qui est apparu dans les produits et les démos, c'est une nouvelle direction vidéo du niveau de seedance 2 : génération, remix, modèles, transitions peut-être plus cohérentes et meilleure conservation des scènes. Mais je ne vois pas d'API, ni de documentation publique stable. Cela signifie que pour mon AI architecture, ce n'est pas encore une brique de construction, mais un signal intéressant sur la direction que prend Google avec la multimodalité.
Gemini 3.5 Flash, en revanche, semble pragmatique et utile. Il est présenté comme un modèle rapide, et si le chiffre de plus de 280 en vitesse se confirme en charge réelle, c'est intéressant non seulement sur une diapositive mais en production. De plus, un point important est souligné : il surpasse l'ancienne version Pro sur certains benchmarks. Pas partout, pas comme par magie, mais la direction est claire.
C'est là que je me suis arrêté. Quand un modèle de type rapide est immédiatement disponible via une API, c'est bien plus important qu'une belle démo. Je peux rapidement vérifier la latence, le tool calling, sa stabilité sur de longues chaînes, et son comportement pour l'extraction de données, le routage des requêtes et les scénarios d'agents.
Antigravity CLI est amusant en soi. Il semble que Google construise une nouvelle couche d'outils de développement autour de ses modèles et workflows. S'ils parviennent à rendre la CLI pratique, les vieilles habitudes autour de la CLI de Gemini pourraient vraiment se déplacer vers ce nouveau point d'entrée.
Ce que cela change pour l'entreprise et l'automatisation
En bref, Gemini 3.5 Flash est le grand gagnant. Je l'envisagerais pour le support, les assistants internes, la classification, le résumé, l'ingestion multimodale et les chaînes d'agents à faible coût où la vitesse et le prix comptent plus que des performances de raisonnement record. Cela ressemble déjà à une véritable artificial intelligence implementation, pas seulement à une fonctionnalité de vitrine.
Pour l'instant, Omni ne l'emporte que sur un point : il relève le niveau des attentes en matière de génération vidéo au sein de l'écosystème Google. Mais sans API, ce n'est pas l'outil sur lequel je baserais un pipeline client ou un AI solution development avec un SLA clair.
Les perdants ici sont ceux qui élaborent des plans basés sur des rumeurs. Je l'ai vu de nombreuses fois : une vidéo cool inspire, puis il s'avère qu'il n'y a rien à intégrer. C'est pourquoi, chez Nahornyi AI Lab, nous construisons généralement d'abord un circuit fonctionnel avec les modèles disponibles, et seulement ensuite nous en ajoutons de nouveaux lorsqu'ils deviennent réellement partie intégrante de la pile technique.
Si vous êtes justement confronté à des problèmes de vitesse de réponse, de coût d'inférence ou si vous devez intégrer soigneusement l'AI integration dans vos processus actuels, décomposons cela pour votre pile. Chez Nahornyi AI Lab, j'aborde ces choses sans magie : je choisis le modèle, je construis l'architecture et je vous aide à build AI automation pour qu'elle fonctionne en production, pas seulement en démo.