Google a annoncé le lancement du pré-entraînement de Gemini 4 le 21 juillet 2026, le décrivant comme le plus vaste effort de pré-entraînement de son histoire. Début septembre, le modèle a produit des résultats préliminaires solides à l'issue de cette phase. Cependant, le post-entraînement n'a pas encore commencé — et c'est l'étape qui transforme les modèles d'IA, passant de calculs bruts impressionnants à des produits réellement utilisables. Le post-entraînement — qui comprend le fine-tuning, l'apprentissage par renforcement à partir de retours humains et l'ajustement d'instructions — est largement reconnu comme déterminant pour la fiabilité avec laquelle un modèle suit les instructions, gère l'usage d'outils et se comporte de manière sûre en production. C'est souvent à cette étape que les calendriers de publication glissent, ce qui explique pourquoi sa progression compte autant que les résultats du pré-entraînement.

À quoi Gemini 4 est destiné

Le PDG Sundar Pichai a exposé cette ambition lors de la conférence sur les résultats du deuxième trimestre d'Alphabet, le 23 juillet, en structurant Gemini 4 autour de deux priorités précises : le codage et les agents autonomes. Pichai a également indiqué que Gemini 4 s'appuierait sur ce qu'il a appelé des « modèles de base beaucoup plus volumineux » pour répondre aux exigences à venir. Ces deux priorités correspondent aux zones de concentration de la demande des entreprises en IA : les assistants de codage sont devenus l'une des catégories de produits IA les plus rapidement adoptées par les développeurs, tandis que les systèmes agentiques — des modèles capables de planifier et d'exécuter des tâches en plusieurs étapes — constituent l'enjeu central de la concurrence entre les grands laboratoires d'IA.

Les dépenses reflètent cette ampleur. Alphabet a fixé ses orientations de dépenses d'investissement 2026 à hauteur de 205 milliards de dollars au maximum, un chiffre qui a fait entrer l'entreprise en territoire de flux de trésorerie disponible négatif pour la première fois.

D'où vient la pression concurrentielle

Gemini 3.5 Pro, le modèle qui a précédé cet effort, aurait connu des retards liés à des problèmes de codage. Gemini 4 constitue, en partie, une réponse à cela. Un modèle explicitement conçu autour de la performance en codage répond à l'un des domaines précis où les concurrents — notamment OpenAI et Anthropic, dont les modèles performent sur les benchmarks de codage et l'adoption par les développeurs — ont porté les coups les plus crédibles contre les précédentes versions de Google.

Les analystes qui suivent les cycles d'entraînement historiques de Google estiment qu'une fenêtre de sortie fin 2026 est le scénario le plus plausible, soit environ six mois après le début du pré-entraînement en juillet. L'entreprise n'a pas dévoilé publiquement de calendrier officiel.

La suite, et pourquoi le post-entraînement est la variable à surveiller

Au 1er septembre 2026, aucun benchmark public n'a été publié concernant le pré-entraînement de Gemini 4 ou les calendriers de post-entraînement. Pour une entreprise qui a passé une grande partie de 2025 et du début de 2026 à reconstruire la confiance des développeurs dans la gamme Gemini, ce silence s'apparente moins à un secret stratégique qu'à une gestion disciplinée des attentes. Surveillez les signaux précoces comme les soumissions à des benchmarks publics, les aperçus pour développeurs ou l'intégration dans les propres produits de Google — les canaux par lesquels les précédentes versions de Gemini se sont généralement manifestées en premier.

Le secteur technologique dans son ensemble suit de près la trajectoire des dépenses d'investissement d'Alphabet, en partie parce qu'elle indique à quel point les acteurs en place croient que le cycle actuel d'investissement dans l'IA a encore de l'avance. Une année de 205 milliards de dollars de dépenses d'investissement pour une seule entreprise a des effets d'entraînement sur les fournisseurs de puces, la construction de centres de données, les infrastructures énergétiques et les startups qui se disputent la même capacité de GPU.