Data / IA
Gemini 3.8 Flash : Google transforme la vitesse, le prix et la cybersécurité en armes stratégiques
Par Laurent Delattre, publié le 03 septembre 2026
Avec Gemini 3.8 Flash, Google ne cherche plus seulement à améliorer un modèle généraliste : le groupe tente de déplacer la frontière économique de l’IA vers des agents suffisamment performants pour être exécutés en continu. Sa déclinaison Cyber et le programme Fairwind prolongent cette offensive sur un terrain plus sensible, où le contrôle de l’accès, les outils d’orchestration et la capacité à produire des correctifs comptent désormais autant que la puissance brute du modèle.
En matière de génération de modèles, Google semble avoir changé de stratégie. Alors qu’Anthropic et OpenAI itèrent leurs modèles frontières à peine tous les 3 mois, Google préfère accélérer les itérations de ses plus petits modèles et ne proposer une évolution de Gemini Pro que lorsque ses petits modèles ont rattrapé les performances de son modèle frontière pour une fraction du coût d’inférence et donc du coût au token.
Après avoir lancé Gemini 3.7 Flash il y a à peine trois semaines, Google annonce déjà une nouvelle déclinaison Gemini 3.8 Flash accompagnée cette fois d’une variante dédiée à la cybersécurité et justement nommée « Gemini 3.8 Flash Cyber ».
La cadence est significative : Gemini 3.8 Flash constitue le troisième modèle Flash lancé en six semaines. Google présente cette version comme son meilleur modèle de raisonnement et de programmation dans la catégorie Flash, sans augmentation de prix ni, selon le groupe, dégradation de la vitesse par rapport à Gemini 3.7 Flash. Les deux déclinaisons (Flash et Flash Cyber) reposent sur le même socle, enrichi par des boucles agentiques longues et par un entraînement renforcé sur des tâches de cybersécurité particulièrement exigeantes. Elles répondent néanmoins à deux stratégies de diffusion opposées : Gemini 3.8 Flash est un modèle généraliste largement disponible, tandis que Gemini 3.8 Flash Cyber reste réservé à des organisations sélectionnées dans le cadre du nouveau Fairwind Program (voir plus loin).
Cette accélération ne prouve pas à elle seule que Google différera systématiquement ses futurs modèles Pro. Elle révèle en revanche une priorité très nette : rapprocher la gamme Flash des performances de modèles frontières beaucoup plus coûteux, puis exploiter cet avantage économique dans les agents, où un même travail peut nécessiter des dizaines d’appels, des itérations sur plusieurs heures et l’exploration simultanée de nombreuses hypothèses.
Un « petit » modèle devenu plateforme agentique
Gemini 3.8 Flash n’est petit qu’au regard des modèles frontières les plus lourds. Sa fenêtre d’entrée atteint 1 048 576 tokens et sa sortie maximale 65 536 tokens. Il accepte du texte, des images, de la vidéo, de l’audio et des PDF, mais ne produit que du texte. Le modèle prend en charge la mise en cache, l’exécution de code, la recherche dans des fichiers, les appels de fonctions, les sorties structurées, l’ancrage dans Google Search ou Google Maps, le contexte provenant d’URL et, en préversion, l’usage d’un ordinateur. Il ne prend en revanche en charge ni la génération d’images ou d’audio, ni la Live API. Son niveau de raisonnement peut être réglé sur low, medium ou high ; le niveau minimal n’est pas disponible.
Ces caractéristiques dessinent ses principaux usages. Gemini 3.8 Flash vise le développement logiciel de longue durée, l’exploitation de documents volumineux, les analyses financières ou juridiques, la génération d’interfaces et les agents capables d’enchaîner recherche, raisonnement, appels d’outils et vérification. Sa diffusion est particulièrement large : le modèle est déjà accessible sur l’API Gemini, sur Google AI Studio, sur Android Studio, sur Antigravity et sur Stitch pour les développeurs ainsi que sur Gemini Enterprise pour les entreprises. Côté grand public, Gemini 3.8 Flash anime déjà l’AI Mode de Google Search et fait son apparition dans Gemini pour Google Sheets. En revanche, son accès dans Gemini App est pour l’instant réservé aux abonnés Google AI Pro et Ultra.
Les résultats publiés par Google étayent ce positionnement, tout en devant être lus comme des mesures fournies par le constructeur. Gemini 3.8 Flash atteint 54,9 % sur HLE-Verified, contre 54,5 % pour GPT-5.6 Sol, 54,4 % pour Claude Opus 5 et 53,6 % pour Gemini 3.7 Flash. Il obtient 61,4 % sur Vals Finance Agent v2, devant Gemini 3.7 Flash à 59 % et Claude Opus 5 à 58,6 %. Sur le benchmark juridique de Harvey, son score de 10 % dépasse également celui des autres modèles testés. Ce dernier résultat est révélateur : être premier avec seulement 10 % de réussite montre autant la progression de Gemini que la distance restant à parcourir avant de confier sans supervision des dossiers professionnels complexes à un agent.
Google affirme par ailleurs que le modèle dépasse la plupart de ses concurrents plus lourds sur DeepSWE v1.1, consacré au développement logiciel de longue durée.
La progression ne viendrait pas d’une sobriété accrue, mais d’un modèle qui « travaille davantage ». Sur les tâches complexes, Gemini 3.8 Flash effectue plus d’étapes de raisonnement et multiplie les appels d’outils. C’est une distinction essentielle pour les entreprises : le prix unitaire du token peut rester identique tandis que le coût réel d’une tâche augmente par la simple augmentation de la consommation de tokens dans les phases de réflexion. Google recommande d’ailleurs de réduire le niveau d’effort, ou de conserver Gemini 3.7 Flash, lorsque la priorité absolue est la maîtrise de la consommation.
Dit autrement, ce n’est pas parce que Gemini 3.8 Flash est moins cher au million de tokens que le modèle sera nécessairement plus économique sur les gros usages agentiques.
Un tarif conçu pour entrer dans les budgets des DSI
Pourtant, le principal argument de Gemini 3.8 Flash avancé par Google est bien l’argument financier. Jusqu’au 31 décembre 2026, Google facture un million de tokens d’entrée 0,75 dollar et un million de tokens de sortie 3,75 dollars. Le traitement par lots divise ces montants par deux, à respectivement 0,375 et 1,875 dollar. À compter du 1er janvier 2027, les prix standards passeront à 1,50 et 7,50 dollars, tandis que les tarifs batch s’établiront à 0,75 et 3,75 dollars. Les tokens de raisonnement sont inclus dans la facturation de la sortie. La grille officielle prévoit aussi des coûts distincts pour le stockage du cache et, au-delà des franchises, pour l’ancrage dans Search ou Maps.
À titre d’illustration, un traitement consommant un milliard de tokens en entrée et 200 millions en sortie coûterait 1 500 dollars au tarif promotionnel, puis 3 000 dollars en 2027, contre 8 000 dollars avec GPT-5.6 Sol aux prix publics actuels de 4 dollars en entrée et 20 dollars en sortie. Cette comparaison ne signifie pas que les deux modèles sont interchangeables pour chaque tâche. Elle montre cependant pourquoi le discours de Google peut séduire les DSI : à budget constant, un modèle Flash permet de multiplier les analyses, de lancer davantage de trajectoires agentiques et de passer d’un audit périodique à une exécution continue.
Pour une direction informatique, le sujet n’est plus seulement le prix de la conversation avec un assistant. Il s’agit de savoir combien coûte l’analyse IA de chaque commit, de chaque contrat, de chaque incident ou de chaque référentiel documentaire. Dans ces scénarios, le prix par résultat devient déterminant. Un modèle légèrement moins performant en pass@1 peut se révéler économiquement supérieur s’il autorise cinq essais, une phase de critique et une validation automatique pour moins cher qu’un unique appel à un modèle frontière.
Cette équation comporte toutefois quatre réserves. Premièrement, le tarif attractif est promotionnel et doublera en janvier. Deuxièmement, un raisonnement plus long peut neutraliser une partie de l’avantage unitaire (comme évoqué plus haut). Troisièmement, les appels d’outils, les moteurs de recherche, le stockage du cache, les environnements d’exécution et l’observabilité augmentent le coût complet. Enfin, la cadence des versions oblige les entreprises à réévaluer fréquemment leurs prompts, leurs agents et leurs garde-fous. Pour une DSI, Gemini 3.8 Flash est donc moins une promesse de facture divisée mécaniquement qu’une possibilité de revoir l’architecture économique de ses automatismes. Une possibilité qui devra être mise à l’épreuve.
Gemini 3.8 Flash Cyber : explorer plus de code, puis corriger
L’autre surprise de la semaine, c’est l’arrivée d’un nouveau modèle dédiée à la Cyber. Gemini 3.8 Flash Cyber applique la logique de volume évoquée ci-dessus à la recherche de vulnérabilités. L’analyse d’un grand dépôt constitue un problème d’espace de recherche : un agent doit examiner de nombreux chemins d’exécution, formuler plusieurs hypothèses, reproduire les défaillances et éliminer les faux positifs. Un modèle rapide et relativement économique peut être invoqué plusieurs fois là où un modèle frontière trop coûteux devient un goulot d’étranglement.
Sur CyberGym, Google annonce un taux de réussite pass@1 de 86,2 %, devant GPT-5.5-Cyber à 85,6 %, Mythos 5 à 83,8 %, GPT-5.6 Sol à 83,6 % et Gemini 3.5 Flash Cyber à 77,5 %. Sur un test interne couvrant des dépôts complexes dans vingt langages, le taux de réussite dépasserait 70 %. Pour la génération de correctifs, Gemini 3.8 Flash Cyber atteint 47,2 % sur CWE-Bench, contre 47,8 % pour Fable 5, mais avec un coût par exécution que le graphique de Google situe autour de 3,60 dollars. Il se place ainsi sur la frontière de Pareto : presque le meilleur taux de réussite, pour un coût annoncé nettement inférieur. Les résultats détaillés sont regroupés sur la page de Fairwind.
Google avance également plusieurs résultats en production. L’équipe Chrome aurait obtenu 2,6 fois plus de correctifs valides qu’avec les meilleurs modèles commerciaux plus volumineux. Wiz rapporte un rappel supérieur de 7,5 à 9,7 % pour un coût 2,3 à 5,2 fois inférieur. L’équipe Cloud Vulnerability Research aurait, de son côté, découvert en moins de deux heures une vulnérabilité fondamentale dont l’identification aurait normalement demandé plusieurs mois. Ces exemples sont prometteurs qui devront être validés dans le temps par des utilisateurs plus indépendants.
Le choix stratégique consiste surtout à privilégier la correction plutôt que l’exploitation. Gemini 3.8 Flash Cyber peut détecter une vulnérabilité, en vérifier la réalité, en rechercher la cause profonde, proposer un patch et en tester les régressions. Il dispose de protections cyber moins restrictives que le modèle Flash généraliste, ce qui le rend plus utile aux chercheurs en sécurité, mais aussi plus dangereux en cas de détournement. C’est précisément ce qui justifie son accès contrôlé.
Fairwind : un modèle, un harnais et un cercle de confiance
Fairwind n’est pas une simple liste d’attente pour une API. Le programme associe trois couches : Gemini 3.8 Flash Cyber pour le raisonnement spécialisé, CodeMender pour l’orchestration et la validation, et un dispositif contractuel de contrôle des organisations et des utilisateurs.
CodeMender joue ici un rôle décisif. Cet agent de sécurité peut mobiliser un navigateur de code, un débogueur, de l’analyse statique et dynamique, des tests différentiels, du fuzzing et des solveurs SMT. Des agents spécialisés examinent les correctifs, comparent le code original et le code modifié, recherchent les régressions et renvoient le système dans une boucle de correction si nécessaire. Google indiquait en 2025 avoir déjà fait intégrer 72 correctifs de sécurité dans des projets open source, dont certains comptaient 4,5 millions de lignes. Tous les patchs étaient alors encore revus par des chercheurs humains avant leur soumission. Cette architecture de CodeMender est importante : elle montre que le produit de sécurité n’est pas le modèle seul, mais le couple modèle-environnement.
Dans Fairwind, Google promet de transformer en quelques minutes une vulnérabilité en correctif vérifié et prêt à être déployé, à l’intérieur de l’environnement cloud sécurisé de l’organisation. Le modèle peut être utilisé seul ou avec CodeMender. Les organisations non admises peuvent employer CodeMender avec les modèles Gemini publics et les autres composants de Google AI Threat Defense, mais n’obtiennent pas l’accès aux capacités plus permissives de Gemini 3.8 Flash Cyber.
Le programme compterait déjà plus de 650 partenaires. Google donne la priorité à trois catégories : les gouvernements et autorités cyber nationales ; les opérateurs d’infrastructures critiques, notamment dans la santé, les télécommunications, l’énergie et la finance ; enfin, les plateformes technologiques dont les logiciels constituent des fondations largement réutilisées. Les laboratoires universitaires travaillant sur l’évaluation défensive peuvent également candidater. Ce nombre de partenaires place Fairwind à une échelle sensiblement plus large que les premières phases des programmes concurrents, même si Google ne publie ni liste exhaustive, ni délai contractuel d’instruction des demandes.
L’accès s’accompagne d’obligations précises. Les organisations sont soumises à une vérification de leurs antécédents de sécurité et de leur historique éthique. Elles doivent imposer une authentification au niveau individuel, une authentification multifacteur résistante au phishing, des contrôles d’accès adaptés et une traçabilité des usages. Seuls les employés des équipes internes de cybersécurité, de réponse à incident ou de test d’intrusion peuvent recevoir un accès. Celui-ci ne peut être partagé, revendu ou redistribué.
Les travaux à double usage restent autorisés lorsqu’ils sont défensifs ou académiques : simulation de menaces, rétro-ingénierie et analyse de logiciels malveillants. La création malveillante de malware est interdite. Pour les clients qui accèdent directement au modèle managé dans Gemini Enterprise Agent Platform, Google annonce par ailleurs la possibilité d’une conservation nulle des données. Ces conditions, détaillées dans la FAQ officielle de Fairwind, sont particulièrement importantes pour les administrations, les banques et les opérateurs d’importance vitale.
Fairwind est donc à la fois un programme de sécurité et un canal de distribution. Google réserve la version la plus puissante à des utilisateurs contrôlés, leur donne une avance pour renforcer leurs systèmes, puis envisage d’élargir progressivement l’accès. Cette « fenêtre d’adaptation » est le cœur du contrat implicite : les défenseurs sélectionnés doivent découvrir et corriger les failles avant que des capacités comparables ne se diffusent auprès des attaquants.
Google attaque Glasswing, Daybreak et Perception sur leur propre terrain
Fairwind s’inscrit dans une bataille structurée autour de trois éléments : un modèle cyber, un système agentique et un programme d’accès contrôlé.
Anthropic a posé le premier cadre avec Claude Mythos Preview et Project Glasswing, réunissant de grands groupes technologiques ainsi que plus de quarante organisations responsables de logiciels critiques. Anthropic a engagé 100 millions de dollars de crédits et 4 millions de dons à la sécurité open source. Après cette phase financée, Mythos Preview devait être facturé 25 dollars par million de tokens d’entrée et 125 dollars en sortie. Anthropic affirme que le modèle a déjà découvert des milliers de vulnérabilités zero-day.
Partenaire de Glasswing et distributeur prévu de Mythos sur Vertex AI, Google devient avec Fairwind un concurrent direct d’Anthropic. Son objectif n’est pas nécessairement de surpasser Mythos partout, mais de proposer une capacité proche de la frontière, assez économique pour fonctionner en continu.
OpenAI adopte une approche comparable avec Daybreak, qui associe GPT-5.6-Cyber, ChatGPT, Codex Security, une CLI, un SDK et un accès contrôlé. Daybreak Blue couvre les usages défensifs courants, tandis que Daybreak Red — associé à GPT-5.6 Cyber — cible la recherche avancée de vulnérabilités, la validation d’exploits et le red teaming. OpenAI présente Daybreak comme une chaîne allant du signal au correctif vérifié, sous supervision humaine.
GPT-5.6 Cyber offre 400 000 tokens de contexte et 128 000 tokens de sortie, pour 12,50 dollars par million de tokens d’entrée et 75 dollars en sortie. Ces tarifs représentent 16,7 et 20 fois le prix promotionnel du Gemini 3.8 Flash généraliste. Google ne publiant pas le tarif de sa variante Cyber, cette comparaison indique seulement la pression économique que la stratégie Flash pourrait exercer sur les modèles spécialisés.
Microsoft mise plus explicitement sur une architecture multi-modèle. MAI-Cyber-1-Flash traite jusqu’à 90 % des tâches de MDASH, GPT-5.4 prenant en charge les 10 % de cas les plus difficiles. MDASH coordonne plus de cent agents de détection, validation et correction, puis alimente Project Perception et ses agents rouges, bleus et verts.
Microsoft revendique sur CyberGym 95,95 % en any-crash, 90,4 % en target any-of et 86,3 % en soumission finale, avec un coût réduit de 50 %. Ces métriques ne permettent toutefois pas de comparer directement le premier score aux 86,2 % annoncés par Google. Le graphique de Google n’inclut par ailleurs pas GPT-5.6 Cyber. Il n’existe donc pas encore d’évaluation publique et homogène des offres de Google, Anthropic, OpenAI et Microsoft.
Un modèle imparfait comme tous les autres…
Gemini 3.8 Flash conserve les limites générales des modèles de fondation : hallucinations, ralentissements et expirations occasionnelles, connaissance inégale selon les domaines et sensibilité aux injections de prompt. Sa fiche modèle indique une coupure principale des connaissances en mars 2026, mais précise que certains domaines peuvent rester limités à janvier 2025. Google signale aussi une légère régression de ses évaluations automatisées de sûreté multilingue par rapport à Gemini 3.7 Flash. La model card recommande donc de calibrer l’effort et de conserver des contrôles adaptés au risque.
La frontière se déplace du modèle vers le système
Google semble convaincu qu’en matière de modèles agentiques, une grande partie du marché sera captée par des modèles rapides, multimodaux et suffisamment intelligents pour traiter la majorité des tâches, quitte à escalader les exceptions vers une capacité supérieure.
C’est en tout cas ce que l’on déduit de la vélocité à laquelle le géant américain itère ses modèles « Flash » alors que le modèles « Pro » semble stagner et se fait largement dépasser par Fable 5.1, GPT-5.6 Sol ou même les modèles chinois comme Kimi K3 et Qwen3.8-Max.
Côté Cyber, après Glasswing, Daybreak et Perception, le marché entre dans une phase où la bataille se jouera moins sur le titre de « meilleur modèle cyber » que sur quatre critères : le coût par vulnérabilité réellement corrigée, la vitesse de passage de la découverte au patch, la qualité de la gouvernance et la capacité à opérer en continu sans submerger les équipes de faux positifs.
Sur ces quatre axes, Google dispose d’arguments sérieux : une infrastructure mondiale, des données issues de Chrome, Android, OSS-Fuzz et OSV, un modèle Flash économique et CodeMender comme harnais. Mais sa démonstration reste à confirmer en dehors de ses propres benchmarks et de ses partenaires précoces. Pour Fairwind comme pour Gemini 3.8 Flash, la promesse est néanmoins forte ; la véritable épreuve commencera lorsque les DSI mesureront non plus le prix du token, mais le coût total, la fiabilité et la valeur des décisions prises à grande échelle par les agents IA.
À LIRE AUSSI :
À LIRE AUSSI :
À LIRE AUSSI :
