Hier encore, tout le monde de l'IA baignait dans l'euphorie.
Les rumeurs affluaient de toutes parts : l'arme ultime de Google – le Gemini 3.5 Pro, nom de code « Cappuccino » – serait officiellement lancé dans les 48 heures !
Avec un énorme contexte de 200 millions de tokens, un nouveau mode de raisonnement « Pensée Profonde » (« Deep Think »), et selon des évaluations internes, il surpasserait déjà GPT-5.6 Sol et Claude Fable 5.

De toute évidence, il s'agissait d'un produit phare sur le point de bouleverser le paysage de l'IA.
Tout le monde comptait les heures avec excitation, s'apprêtant à assister à l'histoire en marche.

Cependant, au réveil, l'ambiance a brutalement changé.
Un reportage exclusif de Bloomberg a jeté un seau d'eau glacée sur cet enthousiasme : le lancement du Gemini 3.5 Pro est reporté, et pas seulement de quelques jours, mais de plusieurs mois !

Ce qui devait être un lancement historique a été mis en pause par Google lui-même.
Mais pourquoi ?
48 heures d'euphorie et freinage d'urgence
Hier encore, les plateformes sociales étaient inondées de fuites sur le Gemini 3.5 Pro.
Nom de code : Cappuccino.
Contexte ultra-long : 200 millions de tokens.
Pensée Profonde : le nouveau mode « Deep Think » lui permettrait d'atteindre des sommets inédits en mathématiques, programmation et raisonnement logique.
Évolution générale : améliorations significatives des capacités en écriture de code, flux de travail d'agents, conception d'interface utilisateur frontale et génération de graphiques SVG.
Des initiés prédisaient que ce serait l'« arme ultime » de Google pour contre-attaquer OpenAI et Anthropic.
Les réactions étaient vives. Tout le monde attendait avec impatience la date supposée du 17 juillet.
Cependant, ce matin, un article d'une journaliste de Bloomberg a plongé tout le monde dans la déception.

Selon des sources internes, le développement du Gemini 3.5 Pro accuse des mois de retard. Le cœur du problème réside dans le fait que le modèle n'a pas atteint les standards internes exigeants sur des compétences clés, en particulier ses capacités en programmation IA.
Fin du mois dernier, Google a effectué une mise à jour d'urgence des données d'entraînement, tentant un dernier sprint pour améliorer les capacités de codage, mais les résultats ont été « décevants ».
Quatre mots qui ont sonné le glas de cette euphorie de 48 heures.
À l'annonce de la nouvelle, l'action Google a immédiatement chuté, perdant jusqu'à 4,43 % à un moment.

Alors que les nouveaux modèles d'OpenAI et de Meta progressent à toute allure dans les capacités de codage, les difficultés de mise au point du Gemini 3.5 Pro génèrent une anxiété sérieuse au sein de Google.
Ingénieurs, chercheurs en IA et dirigeants sont profondément frustrés, et s'inquiètent de plus en plus de voir Google perdre le peu d'avance qu'il lui restait.

Le « piège de Tacite » de Google : Pourquoi une mobilisation totale ne parvient pas à créer l'IA la plus puissante ?
Pourquoi cette bombe tant attendue a-t-elle fait long feu ?
Le reportage nous révèle les multiples difficultés internes de Google. C'est le reflet d'un empire gigantesque dans une période de transformation.

Une vitesse d'innovation « ralentie » par la bureaucratie
L'article mentionne un détail crucial : la hiérarchie interne de Google est complexe, avec de nombreuses parties prenantes.
Le lancement d'un modèle doit prendre en compte les besoins des nombreuses lignes de produits comme la Recherche, Maps, YouTube.
Ce mode de décision « qui veut tout faire » conduit à une dispersion des ressources et une lenteur décisionnelle.
Un ancien employé fait une comparaison parlante : « Vouloir que toutes les directions de chaque département tirent dans la même direction, c'est comme essayer de faire bouillir tout l'océan. »
Résultat : les directives changent fréquemment, plusieurs départements réinventent la roue, et il est difficile de former une synergie.
Alors qu'OpenAI et Anthropic avancent à la vitesse d'une startup, le « paquebot » de Google reste bloqué par des problèmes de coordination interne.
Un internaute commente avec pertinence : « Google doit réduire sa bureaucratie obèse pour pouvoir progresser dans ce domaine. »

Le Waterloo du codage IA : le complexe de « pureté » des ingénieurs et la soif de puissance de calcul
Et pourquoi est-ce précisément la capacité de codage qui a fait défaut ? Cela cache des contradictions plus profondes chez Google.
D'un côté, Google possède une culture d'ingénierie parmi les plus prestigieuses au monde, ce qui a aussi engendré un complexe de « pureté ».
De nombreux ingénieurs de la vieille garde croient que « tout code important doit être écrit à la main ». Cette méfiance envers le code généré par l'IA a limité son utilisation par les ingénieurs pour le développement, par crainte que du code propriétaire ne fuite dans les données d'entraînement.
Lorsque Google a enfin pris conscience de l'importance du codage IA et décidé d'imposer l'utilisation de l'IA pour écrire du code, un nouveau problème est apparu : le manque de puissance de calcul.

L'article souligne que lorsque les ingénieurs essaient d'utiliser les outils d'IA internes, ils rencontrent fréquemment des limites de capacité de calcul.
Le détail le plus ironique de tout l'article est le suivant : dans une entreprise qui prévoit des dépenses en capital de 1800 à 1900 milliards de dollars cette année, ses propres ingénieurs n'arrivent pas à obtenir des GPU !
Les données de Wall Street montrent que les dépenses en capital de Google au premier trimestre de cette année s'élèvent à 35,7 milliards de dollars, plus du double de l'année précédente. Tant d'argent investi dans des puces et des centres de données, et pour quel résultat ?
Face à ce chaos, Google tente de réparer les dégâts.
L'architecte en chef de l'IA tente d'unifier les outils de programmation IA des différents départements sur l'architecture sous-jacente « Google Antigravity », et une équipe dédiée à la programmation IA a été créée au sein de DeepMind, mais il est peut-être déjà trop tard.
Courses internes, un cercle vicieux de fuite des cerveaux
Google n'est pas inconscient du problème. Il possède des laboratoires de recherche de pointe comme Google DeepMind, le département Google Cloud, l'équipe Android, et a même créé plusieurs groupes internes pour s'attaquer au codage IA.
Mais ce mécanisme de « courses internes » (« race ») implique aussi des luttes intestines.
Les différentes équipes agissent indépendamment, les produits se chevauchent, la stratégie fluctue. Pire, ce chaos et ce sentiment d'échec conduisent directement à une fuite des talents de pointe.
L'article indique que de nombreux chercheurs, déçus par le retard de Google, partent chez Anthropic et OpenAI.
Cela crée une boucle infernale : la bureaucratie entraîne l'inefficacité -> l'inefficacité entraîne le retard des produits -> le retard des produits entraîne la fuite des cerveaux -> la fuite des cerveaux aggrave le retard technologique.
Le report du Gemini 3.5 Pro est la conséquence inévitable de cette boucle.
Alerte générale dans l'industrie, les géants tombent collectivement dans le « piège de la déception des modèles géants de nouvelle génération »
Ethan Mollick de la Wharton School, en repartageant l'article, a avancé un point de vue terrifiant –
Ce n'est pas du tout une tragédie propre à Google, mais un « hiver technologique cyclique » auquel toute la Silicon Valley est confrontée.
Mollick souligne avec acuité que les difficultés actuelles de Google reproduisent parfaitement les douleurs précédemment vécues par Meta avec Llama 4 et xAI avec Grok 4.

Il nomme ce phénomène le « piège de la déception des modèles géants de nouvelle génération ».
Les modèles de nouvelle génération, entraînés avec des investissements et une puissance de calcul colossaux, voient leurs performances réelles augmenter bien moins que prévu, entraînant un net recul de leur position de leader sur le marché.
Par le passé, l'industrie croyait à la « Loi de l'échelle » (Scaling Law). Cependant, lorsque la taille des modèles atteint un certain niveau, le simple empilement de puissance de calcul et de données (« beauté de la force brute ») commence à échouer.
Goulot d'étranglement des données : les données textuelles humaines de haute qualité sont quasiment « épuisées », l'efficacité des données synthétiques reste à prouver.
Goulot d'étranglement algorithmique : l'architecture Transformer actuelle et ses variantes approchent peut-être de leur limite de performance.
Rendements décroissants : pour des gains de performance minimes, le coût en puissance de calcul croît de manière exponentielle.
Dans ce jeu des géants, seul OpenAI, avec Orion/GPT-4.5, a temporairement échappé à ce piège, sans subir de recul majeur.
Une chose est certaine : alors que la taille des modèles approche des limites physiques et d'ingénierie, la difficulté d'itération des modèles de pointe augmente considérablement.
Ce report du Gemini 3.5 Pro nous réveille tous –
Nous sommes dans une phase de plateau. Les jours de progression effrénée, où « un jour en IA équivalait à une année humaine », sont révolus.
Pour l'ensemble du secteur, c'est peut-être une bonne chose. Lorsque l'agitation retombe, les gens commencent à réfléchir à la véritable valeur de l'IA.
Quant à Google, le temps et la patience du marché risquent de lui manquer.
Références :
https://x.com/Mr_Salio/status/207736089707741624811
https://x.com/emollick/status/2077849021150888408
https://www.bloomberg.com/news/articles/2026-07-16/google-gemini-launch-delayed-as-tech-falls-short-of-internal-goals
Cet article provient du compte officiel WeChat « 新智元 » (Nouvelle Ère de l'Intelligence Artificielle), auteur : ASI Révélation






