Mis à jour le 20 novembre 2026. Les chiffres et tests cités ont été publiés entre le 16 octobre et le 19 novembre 2026.
En bref. En vingt-quatre heures, les 18 et 19 novembre 2026, deux événements ont redessiné le marché de l’IA d’entreprise. Google a lancé Gemini 4 Neon (son quatrième modèle Gemini 4 en sept semaines) ainsi que Genie 4 dans l’API Gemini, pendant qu’Anthropic réalisait au Nasdaq la plus grande introduction en bourse de l’histoire (81,3 milliards de dollars levés, plus de 2 000 milliards de valorisation à l’ouverture).
- Gemini 4 Neon : fenêtre d’un million de jetons, quatre niveaux de réflexion (
low,medium,highpar défaut,xhigh), facturé 3 $ par million de jetons en entrée (0,15 $ en cache) et 15 $ en sortie. - Classements indépendants : 61,4 en mode
xhighet 59,6 en modehighsur l’indice d’intelligence d’Artificial Analysis ; 1er sur l’indice des agents de code (58,6) ; 2e sur le Vals Index global (70,87 %) et 1er en finance (68,31 %) et en droit (78,36 %) chez Vals AI. - Points forts confirmés : lecture de longs documents (95,2 % sur GraphWalks jusqu’à 1 million de jetons), coût par tâche en mode
highprès de trois fois inférieur à Claude Opus 5.5 (3,74 $ contre 10,04 $), et faible taux d’invention sur les questions hors de portée (14 % contre 50 % à 59 % chez ses rivaux). - Points faibles à froid : verbosité record en raisonnement interne (92e sur 94 chez Artificial Analysis avec 283 millions de jetons générés), facture multipliée par trois face à Opus 5.5 sur de petites fonctions si l’effort reste sur
high, et gamme remaniée quatre fois en sept semaines. - Leçon pour 2027 : le prospectus d’Anthropic montre que les clients équipés de ses outils intégrés (Claude Code, Cowork) dépensent jusqu’à 20 fois plus par mois. En 2027, l’enjeu consiste à louer les modèles selon la tâche tout en gardant vos données, votre mémoire métier et vos tests chez vous.
Après notre analyse à froid de Mistral Large 4 en octobre, la séquence du 19 novembre 2026 appelle le même travail de tri. Lorsque Google déploie Gemini 4 Neon le jour même où Anthropic entre en bourse à 2 000 milliards de dollars, la lecture croisée des deux dossiers éclaire directement les choix budgétaires et techniques de 2027.
La supériorité d’un modèle ne dure plus que quelques semaines, tandis que l’enfermement dans les outils d’un fournisseur engage vos coûts pour des années. Cet article confronte les annonces de Google aux premiers tests indépendants, décrypte le prospectus financier d’Anthropic et propose une grille d’arbitrage concrète pour 2027.
Gemini 4 Neon tient-il ses promesses ? Annonces face aux tests à froid
Réponse courte : oui sur les tâches lourdes d’analyse, de droit, de finance et de lecture de longs dossiers en réglage high. En revanche, sa forte verbosité en réflexion interne retourne le calcul économique dès qu’on l’utilise sans réglage sur des tâches courtes.
Annoncé le 18 novembre 2026 par Google DeepMind, Gemini 4 Neon prend place entre Hydrogen (exécution rapide à 1,50 $ / 7,50 $ le million de jetons) et Carbon (projets longs). Le tableau ci-dessous confronte les annonces de l’éditeur aux mesures publiées les 18 et 19 novembre par des tiers.
| Ce que met en avant Google | Ce que montrent les tests à froid (18 et 19 novembre 2026) |
|---|---|
| Un modèle de pointe à 3 $ / 15 $ le million de jetons (25 % moins cher au jeton que Claude Opus 5.5) | Confirmé en mode high par Artificial Analysis : score de 59,6 pour 3,74 $ par tâche, contre 59,1 et 10,04 $ pour Claude Opus 5.5 max. En mode xhigh, la facture monte toutefois à 6,44 $ et 21,5 minutes par tâche |
| Premier sur les agents de programmation et la refonte de code | Confirmé sur l’indice Artificial Analysis Coding Agent (58,6, et 59 dans Antigravity CLI pour 6,86 $ par tâche contre 12,61 $ chez Opus 5.5). Sur Terminal-Bench 4.1 et FrontierCode 2.0, la fiche technique de DeepMind place néanmoins Opus 5.5 légèrement devant (65,8 % contre 65,2 % et 47,3 % contre 46,2 %) |
| Leader sur le travail analytique, juridique et financier | Confirmé par Vals AI le 18 novembre : 2e du Vals Index global (70,87 %), 1er en finance (68,31 %), 1er en droit (78,36 %), 1er sur 99 au Legal Research Bench et 1er sur 90 au Tax Agent Bench |
| Synthèse fiable jusqu’à 1 million de jetons | Point fort net sur la fiche DeepMind : 95,2 % sur GraphWalks (256 000 à 1 million de jetons), devant GPT-6.2 Sol (80,1 %) et Claude Opus 5.5 (66,8 %) |
| Le taux de fabrication le plus bas de la gamme | Confirmé par les données AA-Omniscience analysées par eesel AI le 19 novembre : face à une question hors de sa portée, Neon invente une réponse fausse dans 14 % des cas, contre 50 % pour Opus 5.5, 55 % pour GPT-6.2 Sol et 59 % pour GPT-6.2 Astra |
| Un modèle plus économe en étapes et plus rapide | Contrasté. Sur OpenRouter, Neon génère 110 à 127 jetons par seconde (deux fois plus vite que Carbon). Mais Vals AI note que sur Code Migration, faire moins d’étapes (160 tours contre 234 pour Carbon et 574 pour Hydrogen) lui donne un score inférieur aux deux autres |
Un point de méthode éclaire les scores de programmation : dans sa fiche technique du 18 novembre 2026, Google affiche 39,0 % sur SWE-sweep contre 10,1 % pour Claude Opus 5.5. La ligne suivante précise toutefois qu’avec le harnais standard ouvert (mini-SWE), le score est de 12,8 % contre 3,6 % pour Opus 5.5 et 11,6 % pour GPT-6.2 Sol. L’essentiel de cet écart provient donc du harnais propriétaire Google Antigravity.
Le piège des jetons de réflexion : pourquoi un modèle moins cher au jeton peut coûter trois fois plus cher
Réponse courte : les jetons de réflexion interne sont facturés au tarif des jetons de sortie. Comme Gemini 4 Neon réfléchit longuement avant de répondre, son coût réel dépend du niveau d’effort choisi pour chaque tâche.
Sur Artificial Analysis (19 novembre 2026), Gemini 4 Neon se classe 92e sur 94 en concision : sur l’indice complet en mode xhigh, il génère 283 millions de jetons contre une médiane de 65,4 millions.
Le développeur indépendant Flavio Copes l’a vérifié le 19 novembre 2026 sur l’écriture d’un analyseur CSV en JavaScript (27 cas de test). Neon, Carbon et Claude Opus 5.5 ont réussi les 27 cas. Mais en réglage high, Neon a consommé 5 495 jetons de réflexion avant d’écrire 70 lignes de code, contre 694 pour Opus 5.5. Affiché 25 % moins cher au million de jetons, Neon est revenu trois fois plus cher sur cette fonction (0,091 $ contre 0,029 $). Passé sur low, il a conservé 27 sur 27 pour 0,040 $. Le relevé compilé par eesel AI le 19 novembre résume l’impact des quatre paliers :
| Modèle et réglage | Score Artificial Analysis | Jetons de sortie par tâche | Coût moyen par tâche | Taux de réponses inventées (AA-Omniscience) |
|---|---|---|---|---|
| Gemini 4 Neon (low) | 44,1 | 21 726 | 0,75 $ | n.c. |
| Gemini 4 Neon (medium) | 54,9 | 50 000 | 1,90 $ | n.c. |
| Gemini 4 Neon (high, défaut) | 59,6 | 90 188 | 3,74 $ | 14 % |
| Gemini 4 Neon (xhigh) | 61,4 | 141 631 | 6,44 $ | 14 % |
| Gemini 4 Carbon (high) | 60,0 | 122 768 | 7,76 $ | 11 % |
| Claude Opus 5.5 (max) | 59,1 | 173 313 | 10,04 $ | 50 % |
| GPT-6.2 Astra (max) | 62,1 | n.c. | 4,00 $ | 59 % |
| GPT-6.2 Sol (max) | 57,3 | n.c. | 1,01 $ | 55 % |
La lecture métier tient en deux lignes : si seul le coût par tâche compte, GPT-6.2 Sol (1,01 $) devance largement Neon. Mais dès qu’une erreur inventée coûte cher (support client, conformité, analyse financière ou juridique), le taux d’invention de 14 % de Neon sur AA-Omniscience, contre 50 % à 59 % chez ses concurrents, justifie son tarif en mode high.
Le choc du 19 novembre : ce que l’IPO d’Anthropic à 2 000 milliards de dollars révèle en miroir
Réponse courte : la valorisation record d’Anthropic s’appuie sur ses applications intégrées (Claude Code, Cowork) qui multiplient par vingt le panier moyen des entreprises, au moment même où Google prouve que la couche « modèle » se rattrape en quelques semaines.
Après avoir fixé son prix d’introduction à 83 dollars par action le 18 novembre (communiqué d’Anthropic, 81,3 milliards de dollars levés), le titre d’Anthropic a ouvert à 111,50 dollars (+34 %) le 19 novembre sur le Nasdaq, dépassant 2 000 milliards de dollars de valorisation selon The Guardian. Son prospectus affiche 16,2 milliards de dollars de chiffre d’affaires au premier semestre 2026 (contre 4,6 milliards sur toute l’année 2025), mais aussi 104 milliards de dollars de pertes sur neuf mois, dont 18,8 milliards en calcul informatique.
L’analyse du prospectus S-1 publiée par TechCrunch le 26 octobre 2026 explique pourquoi les investisseurs financent cette course :
- 01
Une rétention nette de 900 % : au 30 septembre 2026, plus de 11 900 entreprises dépensent au moins 100 000 dollars par an chez Anthropic (contre environ 1 500 fin 2025), en multipliant leur consommation par neuf d’une année sur l’autre.
- 02
Le passage de l’API à la suite propriétaire : plus de la moitié de ces grands comptes utilisent désormais à la fois l’API et une application maison comme Claude Code ou Cowork, contre environ 30 % fin 2025.
- 03
Un multiplicateur de dépense de 1 à 20 : au troisième trimestre 2026, les 5 % de clients Claude Enterprise les plus actifs utilisant Claude Code ont dépensé environ 20 fois plus par mois qu’un utilisateur moyen d’entreprise sans l’outil de code.
Ce mécanisme se retrouve dans les budgets globaux : selon une enquête de Futurum Group menée auprès de 200 entreprises et citée par TechTarget le 16 novembre 2026, Microsoft 365 Copilot (36 %) et Claude d’Anthropic (29 %) captent 65 % des dépenses IA facturées à l’usage, contre 5 % pour les modèles à poids ouverts.
Pourtant, hors suites intégrées, la concurrence tourne à plein régime. Sur OpenRouter (relevé du 19 novembre 2026), le laboratoire chinois DeepSeek traite 38,8 % des jetons (tiré par DeepSeek V4.1 Flash à 0,04 $ / 0,15 $ le million de jetons), devant Tencent (9,6 %), OpenAI (8,5 %), Zhipu AI (8,0 %), Anthropic (7,0 %) et Google (3,4 %). Et chez Google, The 64th recense le 19 novembre quatre lancements en sept semaines (Argon, Carbon, Hydrogen, Neon), avec le retrait sans préavis d’Argon et de Gemini 3.1 Pro signalé par des abonnés Pro sur Hacker News.
Ce qui se prépare pour 2027 : la fin du concours de beauté des modèles
Les prévisions publiées entre fin octobre et mi-novembre 2026 par Gartner, IDC et Futurum Group dessinent quatre mouvements pour les douze prochains mois. Il s’agit de prédictions d’analystes, à utiliser comme repères de cadrage.
- Des jetons moins chers, mais une facture en hausse de 54,2 %. Gartner prévoit que les dépenses mondiales en plateformes et modèles d’IA passeront de 64 milliards de dollars en 2026 à 99 milliards en 2027 (TechTarget, 16 novembre 2026). Pour Nick Patience (Futurum Group), la baisse du prix au jeton est absorbée par la multiplication des agents et des relances : l’indicateur directeur devient le coût par tâche terminée.
- La bataille de l’orchestration multi-modèles. Selon Deepak Seth, analyste chez Gartner (cité par TechTarget), « ce ne sera plus un concours de beauté entre modèles bruts, mais une bataille d’orchestration : la vraie bataille se déplace vers la couche de contrôle qui décide quel modèle traite quelle tâche ». C’est le duo que Google met en avant le 18 novembre dans Antigravity (Neon planifie, des sous-agents Hydrogen exécutent), et que Michael Heinrich (0G Labs) résume par « un appel à un modèle de pointe pour planifier, et de nombreux appels à bas coût pour exécuter ». Chez les 42 % d’entreprises qui exploitent déjà des modèles à poids ouverts en production, Futurum Group anticipe que la part de leurs jetons traitée par ces modèles passera de 34 % à 41 % d’ici fin 2027.
- Louer le raisonnement, posséder la mémoire et les compétences. Dans sa note du 28 octobre 2026 (Prevent AI Vendor Lock-In: 3 Actions to Own Enterprise Agents), Gartner recommande aux directions financières une architecture découplée : le modèle de raisonnement peut être loué, mais la mémoire, les intégrations et les compétences (skills) doivent rester des actifs de l’entreprise. Dans ses prévisions FutureScape 2027, IDC anticipe que les DSI sans clauses de portabilité subiront des coûts de changement 35 % plus élevés d’ici 2028, et que 25 % des entreprises adopteront un second fournisseur IA pour leurs charges critiques.
- L’entrée des modèles de monde (World Models) dans les API. Après Project Genie le 18 novembre, Google a ouvert Genie 4 dans la Gemini API le 19 novembre 2026 (environnements interactifs 720p à 24 images par seconde avec audio natif, modifiables en direct par prompt). Cela concrétise l’une des tendances stratégiques 2027 de Gartner (20 octobre 2026) : simuler l’espace et les conséquences physiques d’une action avant son exécution par un agent.
Quel modèle et quel réglage choisir pour chaque usage fin 2026 ?
Réponse courte : associez chaque rôle de votre flux métier à un palier de modèle et à un niveau de réflexion explicite, plutôt que d’appliquer un seul modèle par défaut à toute l’entreprise.
| Rôle dans votre flux métier | Exigences principales | Modèles et réglages à tester (novembre 2026) | Point de vigilance budgétaire et technique |
|---|---|---|---|
| 1. Planification, droit, finance et dossiers longs (100k à 1M de jetons) | Synthèse fidèle de PDF ou tableurs, faible taux d’invention, respect de contraintes strictes | Gemini 4 Neon en réglage high (ou Claude Opus 5.5 en référence) | Activer le cache d’entrée (0,15 $ par million de jetons sur Neon, -95 %) et réserver xhigh aux cas scientifiques lourds (+72 % de coût pour +1,8 point) |
| 2. Ingénierie logicielle complexe et sécurité du code | Débogage multi-fichiers, revue d’architecture, détection et correction de failles | Claude Opus 5.5, Gemini 4 Neon (high) ou Gemini 4 Carbon | Mesurer le coût par ticket résolu et valider par vos propres tests automatisés |
| 3. Exécution rapide et sous-agents à haute fréquence | Extraction structurée, tri, reformulation, fonctions courtes, réponses en direct | Gemini 4 Hydrogen, GPT-6.2 Sol, ou Gemini 4 Neon réglé sur low / medium | 80 % des appels d’un workflow doivent tourner sur ce palier pour éviter de payer 5 000 jetons de réflexion sur une tâche simple |
| 4. Documents internes sensibles en français | Maîtrise de l’hébergement, juridiction européenne, coût prévisible sur volume | Mistral Large 4 (poids publiés fin octobre 2026) ou modèles ouverts hébergés en Europe | Voir notre article sur Mistral Large 4 et l’arbitrage des quatre niveaux de souveraineté |
Quatre chantiers concrets pour aborder 2027 sans subir la facture
Quatre décisions d’architecture permettent de capter les progrès de Gemini 4 Neon ou de Claude 5.5 tout en conservant votre liberté de changement :
- 01
1. Séparer vos actifs métier du moteur de raisonnement : conservez vos règles métier, vos modèles de documents, vos connecteurs et l’historique de vos dossiers dans vos propres bases ou sur des socles ouverts, hors de la mémoire propriétaire d’un assistant.
- 02
2. Imposer un routage à deux vitesses : faites planifier et contrôler les cas complexes par un modèle de pointe (Neon en mode high, Opus 5.5), et déléguez l’exécution répétitive à un modèle sobre (Hydrogen, Sol, Mistral ou Neon en mode low).
- 03
3. Budgéter en coût par dossier traité : suivez chaque mois le coût complet d’un dossier terminé (jetons de réflexion, relances et temps de relecture humaine compris) ainsi que le taux d’abstention du modèle quand une donnée manque.
- 04
4. Tenir un banc d’essai interne de 20 à 50 cas réels : gardez une vingtaine de dossiers représentatifs avec le résultat attendu. À chaque sortie majeure, deux heures suffisent pour vérifier si le nouveau modèle baisse réellement votre facture.
La règle des 48 heures
Posez cette question à votre équipe ou à votre prestataire : « Si notre fournisseur de modèle double ses tarifs ou retire une version demain matin, combien d’heures nous faut-il pour basculer notre processus principal sur un autre modèle ? » Si la réponse dépasse deux jours, votre processus est déjà verrouillé dans l’outil.
Cette distinction entre ce qui se loue (le modèle du moment) et ce qui se garde en propre (vos flux, vos données et la compétence de vos équipes) rejoint notre analyse sur ce qu’une entreprise doit acheter ou construire. En pratique, nous démarrons par une formation-action pour donner aux équipes les repères de spécification et de vérification, avant de lancer un premier lot borné sur un seul processus via un cadrage de projet IA, adossé à un patrimoine de données que vous maîtrisez.
Sources et limites
Toutes les sources citées ont été publiées entre le 16 octobre et le 19 novembre 2026, et vérifiées le 19 novembre 2026. Les scores de bancs d’essai mesurent des tâches standardisées qui ne remplacent pas un test sur vos propres dossiers. Les chiffres d’OpenRouter reflètent le seul trafic de cette plateforme, et les projections 2027-2028 des cabinets d’analyse sont des prévisions.
- Google DeepMind : annonce de Gemini 4 Neon (18 novembre 2026) · fiche technique Gemini 4 Neon (18 novembre 2026) · Gemini 4 Neon dans Google Antigravity (18 novembre 2026).
- Modèles de monde : Genie 4 dans Project Genie (18 novembre 2026) · Genie 4 dans la Gemini API (19 novembre 2026).
- Évaluations indépendantes et revues à froid : Artificial Analysis (19 novembre 2026) · Vals AI (18 novembre 2026) · eesel AI, revue des coûts par réglage (19 novembre 2026, éditeur d’outil de support) · Flavio Copes, test face à Claude Opus 5.5 (19 novembre 2026) · LLMs Blog, réactions et mesures (18 novembre 2026) · The 64th, gamme Gemini 4 (19 novembre 2026).
- Introduction en bourse d’Anthropic et marché : communiqué d’Anthropic (18 novembre 2026) · The Guardian, cotation à 2 000 milliards de dollars (19 novembre 2026) · TechCrunch, analyse du prospectus S-1 (26 octobre 2026) · BenchLeader / OpenRouter (19 novembre 2026).
- Prévisions 2027-2028 : TechTarget, perspectives 2027 avec Gartner et Futurum Group (16 novembre 2026) · Gartner, Prevent AI Vendor Lock-In (28 octobre 2026) · Gartner, Top Strategic Technology Trends for 2027 (20 octobre 2026) · IDC FutureScape 2027, AI Concentration Risk (octobre-novembre 2026).
Questions fréquentes
Les réponses aux questions soulevées par cet article.
















