L’analyse vidéo par IA reste longtemps un poste de dépense difficile à justifier dès que les contenus dépassent quelques minutes. Google a activé le 1er septembre un mode de traitement dans lequel Gemini décide lui-même quels passages d’une vidéo regarder, à quelle vitesse et via quelle modalité. Le gain annoncé monte jusqu’à 66 % de coût en moins et 88 % de tokens en moins sur les contenus longs. Reste à savoir ce que ça débloque vraiment côté usages, et dans quels cas l’ancien mode reste le bon choix. On fait le point.
Gemini passe en mode agentique pour l’analyse vidéo
Google a lancé l’agentic video understanding le 1er septembre 2026 sur Gemini 3.7 Flash, 3.6 Flash et 3.5 Flash-Lite, rejoints depuis par 3.8 Flash dans la documentation. Cette mise à jour modifie la donne pour les équipes qui exploitent l’API Gemini pour la réduction coûts et l’optimisation de leurs pipelines.
- 66 % de coût en moins : la baisse annoncée sur les benchmarks d’analyse vidéo face au traitement statique à 1 image par seconde.
- 88 % de tokens en moins : l’économie mesurée sur les contenus longs, avec une précision accrue.
- Aucun surcoût de fonctionnalité : la grille token standard s’applique, un seul paramètre à ajuster dans l’appel API.
Le principe semble simple, mais il transforme profondément la façon dont l’IA consomme du contenu vidéo.
Ce que Google a changé dans la façon dont Gemini regarde une vidéo
Dans une récente annonce signée par Rohan Doshi et Mario Lučić, de Google DeepMind, le fonctionnement de cette amélioration est détaillé. Concrètement, jusqu’ici, une vidéo envoyée à Gemini était découpée en images fixes à raison d’une par seconde, puis versée intégralement dans le contexte.
Désormais, le mode agentique remplace ce découpage historique : le modèle choisit quels segments charger, à quelle fréquence d’images et via quelle modalité, frames, audio ou transcript, en appelant un outil interne au fil de son raisonnement. L’agentic video understanding désigne donc un mode de traitement où le modèle explore lui-même la timeline et ne charge que les passages utiles à la question posée, au lieu d’ingérer toute la vidéo à cadence fixe.
Côté utilisation, un seul paramètre doit être ajusté : passer « processing » sur « agentic » dans la configuration de l’appel API. Si vous exploitez déjà l’API Gemini pour de la vidéo, il n’y a rien à réécrire dans votre pipeline, et les deux modes peuvent coexister vidéo par vidéo au sein d’une même requête.
Le calcul de tokens qui rendait l’analyse de vidéos longues inabordable
En mode statique, la documentation de Google chiffre une seconde de vidéo à environ 100 tokens en résolution média basse, et environ 300 tokens en résolution haute. Pour un webinaire de 90 minutes, cela représente autour de 540 000 tokens en basse résolution, et près de 1,6 million en haute, soit davantage que la fenêtre de contexte d’un million de tokens. C’est ce problème qui forçait l’arbitrage entre facture élevée et perte de détail.
Appliqué à ce même webinaire, le plafond de 88 % d’économie de tokens ramènerait l’analyse autour de 65 000 tokens. On passe d’un traitement réservé aux contenus stratégiques à un traitement qu’on peut lancer plus facilement à la chaîne. Si vous exploitez des replays, des podcasts vidéo ou de nombreuses vidéos, l’arbitrage devient plus simple : le poste de coût cesse de suivre mécaniquement la durée pour suivre la complexité de la question posée. Sur un budget d’API déjà tendu, c’est le genre de bascule qui rouvre des chantiers enterrés faute de rentabilité.
Ce qui est bon à savoir : aucun frais de fonctionnalité ne s’ajoute, la grille token habituelle s’applique. Le comptage se répartit simplement autrement : les tokens de navigation sont facturés comme thought tokens, les frames, l’audio et le transcript chargés à la demande comme tool use tokens.
Quatre nouvelles capacités que le découpage à 1 image par seconde ne permettait pas
Que débloque concrètement cette innovation ? Google nomme quatre capacités que le mode statique rendait imprécises, voire hors de portée.
| Capacité | Cas d’usage direct |
|---|---|
| Récupération de moment infra-seconde | Détection de coupes pour montage automatisé |
| Recherche très précise dans une vidéo longue | Dérushage de conférence, veille concurrentielle sur keynote |
| Détection d’anomalies | Inspection de mouvement rapide ou artefact visuel discret |
| Comptage d’actions et d’objets | Suivi de mouvements répétés dans la durée |
La première application tient en une phrase : retrouver la minute exacte où un intervenant lâche un chiffre dans une table ronde de deux heures, sans envoyer les deux heures dans le contexte. Le chapitrage, l’extraction de verbatims et le repérage de séquences réutilisables passent du statut de tâche manuelle à celui de traitement par lot automatisé par l’IA.
Les équipes qui produisent de la vidéo en continu y gagnent en amont de leur chaîne de production. La brique manquante était l’indexation fine du contenu, pas la retouche. Pour les professionnels du marketing digital, cette analyse de données vidéo s’inscrit dans une stratégie plus large de mesure de la performance. La question du coût par contenu traité devient un critère central, au même titre que le choix des bons indicateurs pour piloter une stratégie SEO.
Les cas où il vaut mieux rester en mode statique
Google recommande de démarrer en agentique par défaut. Sa propre documentation conserve pourtant le mode statique dans plusieurs situations, et les ignorer coûterait plus cher que les tokens économisés.
- Clips de moins de cinq minutes : la navigation ajoute des allers-retours d’outils avant la génération et allonge le temps de première réponse. Si votre produit affiche un résultat en direct à l’utilisateur, cette latence se voit immédiatement.
- Découpage temporel imposé : les paramètres start_offset, end_offset et le FPS personnalisé restent réservés au statique. Vous ne pouvez pas imposer une fenêtre temporelle et laisser le modèle naviguer, il faut trancher.
- Conversation multi-tours sans état : les steps processing_call et processing_result doivent être renvoyés dans la requête suivante. L’API ne remonte aucune erreur si vous les oubliez, la qualité des réponses de suivi chute simplement.
Ces limites obligent pas mal d’équipes à maintenir deux chemins de traitement. Pour une première réponse rapide sur un flux utilisateur, le statique reste pertinent. L’avantage dépend donc du contexte d’usage. Les équipes qui intègrent cette IA dans un parcours de gestion de campagnes publicitaires devront arbitrer entre latence et coût selon le type de contenu analysé.
Comment tirer parti de l’agentic video understanding dès aujourd’hui
Ce nouveau système mérite d’être testé sur des cas d’usages que les professionnels de la communication et du montage ont au quotidien : dérusher, chapitrer, sous-titrer précisément, transcrire, clipper. La baisse de coût rend désormais rentables des chantiers qui ne l’étaient pas. Testez sur vos contenus de plus de dix minutes via AI Studio puis prenez votre décision.
Les bénéfices concrets se mesurent rapidement sur un volume de vidéos conséquent. La réduction coûts devient un levier de compétitivité pour les agences et les équipes internes, dans un contexte où la technologie vidéo accélère la production de contenu. L’optimisation du traitement vidéo par agents s’inscrit dans une démarche plus globale d’économies, à l’image des réflexions sur l’impact UX dans les stratégies SEO et SXO. Le calcul token cesse d’être un frein pour devenir un paramètre maîtrisé.
