Google Gemini Agent unifie le travail en entreprise, mais la gouvernance est le véritable test

Google Cloud a lancé Google Gemini Agent le 8 octobre, comme agent universel pour le travail en entreprise, après des années d'assistants IA fragmentés. Il répond aux questions, prend en charge le travail de la connaissance, crée des médias et écrit comme exécute du code, via une seule zone de saisie et une seule API.

Le changement important n'est pas une simple mise à niveau de chatbot. Google veut faire de Gemini la couche de délégation persistante entre les employés, les données de l'entreprise, les applications métier, les modèles et les politiques de sécurité. Un utilisateur attribue un objectif, tandis que l'agent planifie le travail, choisit les outils et renvoie un résultat finalisé.

Cette ambition met Microsoft, OpenAI et Amazon sous pression directe. Chaque entreprise assemble déjà des agents d'entreprise autour du contexte, des autorisations et des logiciels de travail. Le défi de Google est de prouver qu'un seul agent peut coordonner ces fonctions sans créer une nouvelle concentration de risques liés à la sécurité, à la fiabilité et aux coûts.

Google Gemini Agent passe des réponses aux résultats

Google regroupe l'assistance conversationnelle, l'exécution autonome, la création de contenu et le codage sous une identité d'entreprise persistante unique.

Google Cloud a présenté l'agent lors de son événement Gemini at Work 2026. L'entreprise le décrit comme un agent universel de travail plutôt qu'une collection d'assistants distincts pour différentes tâches.

Selon le lancement de l'agent Gemini, les employés donnent au système des objectifs plutôt que des instructions détaillées. L'agent peut ensuite planifier les étapes, sélectionner des compétences, se connecter aux systèmes métier et livrer le travail achevé.

Cette distinction compte, car la plupart des assistants de travail dépendent encore d'invites répétées. Ils peuvent résumer un document ou rédiger un e-mail, mais perdent souvent le contexte lorsque l'utilisateur change d'application.

Google affirme que Gemini conserve un même ensemble de mémoires, de contexte et de personnalisation sur le web, le mobile, le bureau, les outils en ligne de commande et les applications de travail. Une tâche peut se poursuivre dans Google Cloud après que l'employé a fermé son ordinateur portable.

L'agent fonctionne également dans Gmail, Drive, Docs, Slides, Sheets, Chat et Calendar. Google indique qu'il applique la même mémoire, les mêmes compétences, autorisations et contrôles administratifs dans chaque interface.

Microsoft 365 et Slack font aussi partie de la stratégie d'accès. Ce choix élargit l'annonce au-delà d'une mise à jour de fonctionnalités de Workspace. Google veut que son agent opère dans les environnements que les entreprises utilisent déjà, y compris des produits contrôlés par des concurrents directs.

Un exemple pratique illustre l'expérience visée. Un employé pourrait demander à Gemini d'étudier un marché, de créer un modèle financier et de transformer les conclusions en présentation. L'employé n'aurait pas besoin de reformuler le projet lorsque le travail passe de la recherche à Sheets et Slides.

Gemini peut également suggérer des tâches à déléguer. Si un responsable demande une mise à jour de projet, Google indique que Workspace Intelligence peut reconnaître la demande et proposer de créer la présentation requise.

La même architecture s'étend au-delà de l'assistance personnelle. Les entreprises peuvent créer des agents collaborateurs avec des rôles définis et des identités opérationnelles persistantes.

Un agent collaborateur peut recevoir une adresse e-mail, un calendrier, du stockage Drive et une entrée dans l'annuaire de l'entreprise. Les employés peuvent l'ajouter à un espace Chat ou le mentionner dans un commentaire de document.

Ses actions apparaissent alors sous la propre identité de l'agent. Cette séparation pourrait rendre les audits plus clairs que dans des systèmes où chaque action est exécutée via le compte d'un employé.

Google affirme que les agents collaborateurs ne voient que les éléments qui leur sont partagés. Cette affirmation devra être soigneusement testée, car les autorisations de travail deviennent souvent difficiles à comprendre entre les applications connectées.

Cette sortie s'appuie sur Gemini Enterprise, que Google a repositionné en avril comme une plateforme de bout en bout pour développer, orchestrer et gouverner des agents. La précédente plateforme d'agents combinait outils de développement, modèles, connecteurs, sécurité et interface commune pour les employés.

Google Gemini Agent donne désormais à cette plateforme un centre plus visible. Au lieu de demander aux employés de choisir parmi de nombreux agents spécialisés, Google propose un point d'entrée unique qui distribue le travail en arrière-plan.

C'est la source de la tension centrale de l'article. Une interface universelle peut réduire la complexité pour l'utilisateur, mais elle concentre aussi davantage de contexte, d'autorité et de responsabilité dans un seul système.

Un agent unique signifie que les modèles deviennent des composants remplaçables

Google sépare l'agent d'entreprise du modèle, rendant l'orchestration et le contexte métier plus importants que la fidélité à un modèle.

Le choix de conception le plus conséquent se situe sous l'interface. Google indique que Gemini est l'agent, tandis que le modèle sous-jacent reste une décision de routage distincte.

L'agent orchestre actuellement le travail entre les modèles Gemini de Google et les modèles Claude d'Anthropic. Google prévoit aussi de prendre en charge d'autres modèles privés et ouverts.

Cette approche transforme les modèles fondamentaux en ressources interchangeables au sein d'un système d'entreprise plus vaste. Une tâche de raisonnement difficile pourrait utiliser un modèle, tandis qu'un travail de classification courant en utiliserait un plus léger.

Google appelle cela la flexibilité du choix de modèle. L'entreprise soutient qu'associer les modèles aux tâches peut améliorer les résultats complexes tout en réduisant les coûts de calcul inutiles pour les tâches plus simples.

Cette stratégie reflète également la rapidité avec laquelle les classements des modèles évoluent. Les entreprises ne veulent pas reconstruire les connecteurs, les autorisations, les instructions et la mémoire institutionnelle chaque fois qu'un modèle plus performant apparaît.

Google parie que la couche durable sera le contexte, les compétences, les outils, l'identité et la gouvernance de l'agent. Les modèles peuvent changer sous cette couche sans obliger les employés à repartir de zéro.

Cette position affaiblit également le sens traditionnel du nom Gemini. Gemini désigne désormais à la fois la famille de modèles de Google et un agent capable d'utiliser le modèle d'un concurrent.

Pour les acheteurs en entreprise, cette ambiguïté peut être utile. La décision d'achat dépend moins du fournisseur qui domine un benchmark au cours d'un trimestre donné.

Pour Google, toutefois, la neutralité vis-à-vis des modèles crée un équilibre délicat. L'entreprise doit convaincre les acheteurs que sa couche d'orchestration apporte de la valeur même lorsqu'un autre fournisseur fournit le modèle de raisonnement.

L'architecture utilise des outils, des compétences et du contexte pour relier les modèles au travail réel. Les outils connectent l'agent aux applications, bases de données, systèmes de développement et fichiers.

Google répertorie des connecteurs pour Microsoft Office, Teams, Slack, Workspace, Git, Jira, Salesforce, ServiceNow, BigQuery, Databricks, Postgres et Snowflake. Il prend aussi en charge les serveurs Model Context Protocol, qui exposent des outils et des données via une interface commune.

Les compétences sont des ensembles réutilisables d'instructions, de connaissances ou de flux de travail. Une entreprise pourrait créer une compétence pour préparer une note de crédit, examiner un contrat ou produire un rapport opérationnel récurrent.

Le contexte fournit une mémoire sur l'employé, l'équipe, le projet et l'organisation. C'est la couche qui permet à l'agent d'interpréter des formulations telles que « les responsables régionaux habituels » sans recevoir une nouvelle liste de noms.

Cette combinaison est au cœur de l'affirmation de Google sur l'agent universel. Le système ne peut pas agir comme un seul agent si chaque modèle, application et service conserve une compréhension isolée de l'utilisateur.

La même conception crée un problème de gestion des connaissances. Les entreprises ont besoin d'informations exactes et tenant compte des autorisations avant qu'un agent puisse agir de manière fiable en leur nom.

Une base de connaissances IA consultable peut aider les personnes à organiser les documents sources. Un agent autonome relève le niveau d'exigence, car il peut utiliser ces informations pour agir, et non simplement répondre à des questions.

Un contexte médiocre peut produire davantage qu'un résumé incorrect. Il peut envoyer un document obsolète, mettre à jour le mauvais enregistrement ou déclencher un flux de travail fondé sur une politique périmée.

Les organisations ont donc besoin de règles de responsabilité pour les compétences et les connaissances connectées. Elles ont aussi besoin d'historiques de révision, de politiques d'expiration et d'un processus clair pour retirer les instructions peu fiables.

L'agent universel rend ces détails opérationnels plus importants que la zone de saisie. Les employés verront une interface unique, mais les administrateurs devront gérer un système croissant de modèles, connecteurs, identités et procédures réutilisables.

Microsoft et OpenAI s'affrontent pour la couche de contrôle

Le principal affrontement n'oppose pas Google Gemini Agent à un chatbot rival, mais Google à des couches de contrôle concurrentes pour les agents d'entreprise.

Microsoft bénéficie du plus fort avantage de distribution, car de nombreux travailleurs de la connaissance passent déjà leur journée dans Outlook, Teams, Word, Excel et PowerPoint. Sa stratégie place les agents dans Microsoft 365 Copilot tout en donnant aux administrateurs un catalogue central.

L'Agent Store de Microsoft permet aux organisations de distribuer des agents prédéfinis, développés en interne et créés en externe. Son Agent 365 SDK peut ajouter une identité, un accès gouverné aux données, de l'observabilité et une participation au travail aux agents créés sur d'autres plateformes.

L'approche de Microsoft va donc au-delà de l'enfermement de chaque tâche dans un seul assistant. Elle peut gouverner des agents provenant de Copilot Studio, Azure, du SDK d'OpenAI ou de code personnalisé.

La réponse de Google consiste à faire d'un agent universel unique l'expérience principale des employés. Les agents spécialisés existent toujours, mais Gemini les coordonne ou les crée selon les besoins.

Ces approches convergent sur plusieurs exigences. Les deux entreprises veulent un registre, une identité persistante, des contrôles d'autorisation, une intégration au travail et des journaux d'audit.

La différence réside dans l'abstraction destinée aux utilisateurs. Microsoft met l'accent sur un écosystème d'agents géré, tandis que Google met l'accent sur un agent unique capable de mobiliser des travailleurs spécialisés en arrière-plan.

OpenAI aborde le même marché depuis un point de départ différent. Sa plateforme Frontier aide les entreprises à créer, déployer et gérer des agents avec un contexte partagé, des autorisations, une intégration et des retours d'expérience.

OpenAI soutient que les agents isolés échouent lorsqu'ils manquent de contexte métier. Ce diagnostic correspond étroitement à l'argument de Google en faveur d'une mémoire persistante et d'outils couvrant toute l'entreprise.

Ce chevauchement montre à quel point la concurrence dans l'IA d'entreprise a rapidement dépassé la qualité des modèles. Chaque fournisseur majeur doit désormais répondre aux enjeux de connexions de données, d'identité, d'évaluation, d'autorisations et de gestion du cycle de vie.

Amazon évolue dans la même direction avec Quick. Ses agents autonomes peuvent exécuter des tâches récurrentes, interroger plusieurs jeux de données et respecter les autorisations fondées sur l'identité.

La sortie d'Amazon en juin décrivait des cas d'usage tels que le suivi des évolutions réglementaires, le suivi des opportunités commerciales bloquées et le traitement des bons de commande. Les utilisateurs peuvent choisir différents niveaux d'autonomie, y compris une approbation étape par étape.

Ces contrôles révèlent une préoccupation fondamentale des acheteurs. Les entreprises ne veulent pas simplement des agents capables d'exécuter davantage de tâches. Elles ont besoin d'un moyen défendable de décider à quel moment les agents doivent agir de manière indépendante.

La position de Google en matière de distribution diffère de celle de Microsoft. Workspace lui donne une forte présence applicative, mais de nombreuses grandes entreprises exécutent encore des opérations importantes via Microsoft 365.

La prise en charge de Microsoft 365 et de Slack réduit cet obstacle. Elle reconnaît également que Google ne peut pas exiger une migration complète de la suite de productivité avant que son agent ne devienne utile.

La prise en charge de plusieurs modèles poursuit un objectif similaire. Google tente de devenir la couche de contrôle, même lorsque les clients utilisent des applications et des modèles concurrents.

Cela fait de Google Gemini Agent un produit cloud stratégique. Chaque tâche déléguée peut attirer davantage de contexte d’entreprise, d’intégrations, de puissance de calcul et de gouvernance dans Google Cloud.

L’agent pourrait donc influencer les achats cloud au-delà des seules charges de travail d’IA. Une fois qu’une entreprise a encodé ses procédures sous forme de compétences et connecté de nombreux systèmes internes, changer de plateforme d’orchestration devient plus difficile.

C’est pourquoi les concurrents ne peuvent pas répondre avec une meilleure interface de chat uniquement. Ils doivent proposer un environnement tout aussi crédible pour l’identité des agents, la mémoire, l’application des politiques et le travail entre applications.

Une mémoire persistante crée un risque persistant

Le même contexte qui rend un agent universel utile amplifie aussi les conséquences d’autorisations erronées, d’instructions empoisonnées et d’actions peu fiables.

La conception de gouvernance de Google répond à quatre questions fondamentales. Les administrateurs doivent savoir qui est un agent, à quoi il peut accéder, ce qu’il a fait et ce qu’il ne doit jamais toucher.

L’entreprise affirme que chaque agent reçoit une identité attestée cryptographiquement. Les administrateurs peuvent accorder des autorisations fondées sur les rôles, tandis que les journaux attribuent les actions à l’agent plutôt qu’à un utilisateur humain.

Google décrit également un Agent Sandbox pour l’exécution des tâches. Agent Gateway sert de point d’application des politiques pour le trafic entrant, sortant ou circulant entre les agents.

Une entreprise pourrait créer une règle empêchant les agents d’ouvrir des documents portant une classification sensible. Google affirme que la passerelle peut appliquer cette règle dans toute l’organisation.

Ces contrôles sont nécessaires car l’agent peut créer des sous-agents temporaires pour des missions complexes. Chaque sous-agent reçoit sa propre identité et peut exécuter des étapes en parallèle ou en séquence.

La délégation dynamique augmente l’efficacité, mais complique l’autorisation. Un agent parent peut être autorisé à atteindre un objectif sans que chaque processus enfant ait besoin d’un accès identique.

Les équipes de sécurité doivent vérifier comment les privilèges sont transférés, expirent et apparaissent dans les journaux. Elles doivent aussi comprendre si des identités temporaires peuvent être réutilisées ou usurpées.

Le problème dépasse Google. Le National Institute of Standards and Technology des États-Unis a souligné que l’identité et l’autorité restaient des domaines non résolus pour les logiciels autonomes.

Un document de réflexion du NIST de 2026 identifie l’authentification, l’autorisation fondée sur le principe du moindre privilège, l’audit, l’autorité déléguée et l’injection de prompts comme des domaines importants pour les recommandations destinées aux entreprises.

L’injection de prompts survient lorsqu’un contenu malveillant ou non fiable tente de rediriger le comportement d’un système d’IA. Un agent qui lit des e-mails, des pages web, des documents et des tickets rencontre de nombreuses occasions de recevoir de telles instructions.

Les contrôles d’accès traditionnels ne suffisent pas à résoudre ce problème. Un agent peut être autorisé à lire un document sans pour autant devoir obéir aux commandes qui y sont intégrées.

La mémoire persistante introduit un autre défi. Des informations incorrectes peuvent survivre au-delà de la conversation dans laquelle elles sont apparues pour la première fois.

Google indique que l’agent apprend de ses interactions et conserve le contexte entre les appareils. Les acheteurs ont besoin de contrôles précis pour consulter, corriger, limiter et supprimer ces informations accumulées.

Ils ont également besoin de frontières entre le contexte personnel, le contexte de projet et les connaissances institutionnelles. Un employé qui change de fonction ne devrait pas conserver des hypothèses d’accès issues d’une équipe précédente.

Les agents collaborateurs créent des questions de gouvernance supplémentaires. Leurs comptes dédiés pourraient améliorer la traçabilité, mais les employés pourraient traiter ces comptes comme des collègues humains.

Une identité à apparence humaine peut encourager une confiance excessive. Les employés pourraient supposer qu’une modification de document effectuée avec assurance par un agent a reçu le même jugement qu’une révision par un collègue.

Les entreprises devraient donc étiqueter clairement les contributions autonomes. Les seuils d’approbation devraient dépendre de l’impact, et non du caractère naturel de l’agent au sein d’une application familière.

Une synthèse de routine présente un risque différent de l’envoi de communications externes ou de la modification d’un registre financier. Les organisations ont besoin d’une autonomie graduée plutôt que d’un réglage global unique.

La fiabilité reste également incertaine. Google a présenté des exemples clients et des chiffres d’utilisation, mais son annonce n’a pas fourni de benchmark reproductible sur les performances de bout en bout de l’agent universel.

Cette absence est importante, car les tâches longues accumulent les erreurs. Une petite erreur pendant la recherche peut influencer l’analyse, le code, les documents et les actions ultérieures.

Les taux de réussite des réponses individuelles d’un modèle ne capturent pas ce comportement cumulatif. Les acheteurs ont besoin d’évaluations au niveau des tâches qui mesurent l’achèvement, l’effort de correction, la conformité aux politiques et les actions involontaires.

La supervision humaine reste importante, en particulier dans les activités réglementées. Google a cité DBS Bank, qui utilise des chaînes déterministes d’agents spécialisés pour les mémos de crédit aux entreprises tout en maintenant l’implication humaine.

Cet exemple suggère un modèle opérationnel plus contraint que ne le laisse entendre l’image de marque d’agent universel. Les déploiements à forte valeur pourraient reposer sur des flux de travail soigneusement conçus, des rôles restreints et des points de contrôle explicites.

L’interface étendue et le backend gouverné de Google peuvent prendre en charge ce modèle. L’entreprise doit toutefois encore montrer à quel point les clients peuvent facilement passer d’une délégation ouverte à un contrôle déterministe.

Les résultats clients sont prometteurs, mais ne constituent pas une preuve universelle

Les éléments fournis par Google sur ses clients montrent des déploiements significatifs, mais chaque résultat reflète un flux de travail précis plutôt que l’ensemble de la proposition d’agent universel.

Google affirme que près de 80 % de ses clients Cloud utilisent ses produits d’IA. L’entreprise indique également que près de 90 % des entreprises du Fortune 100 utilisent Gemini Enterprise.

Ces chiffres d’adoption indiquent un intérêt organisationnel large. Ils ne montrent pas à quel point chaque client s’appuie sur des agents autonomes, ni combien de déploiements ont dépassé le stade des flux de travail contrôlés.

Google a présenté plusieurs exemples clients concrets lors de l’annonce. SOMPO aurait créé plus de 10 000 agents personnalisés pour ses 34 000 employés.

L’assureur a utilisé ces agents pour des tâches comprenant la recherche et la synthèse de documents. Google affirme que son équipe d’ingénierie a réduit le temps de développement de nouveaux modèles d’une semaine à une journée.

Bunnings aurait permis à ses employés d’économiser un demi-million d’heures de travail administratif grâce à un agent interne. D’autres entreprises de Wesfarmers ont utilisé des agents d’achat qui, selon Google, ont augmenté les taux de conversion jusqu’à trois fois.

Ulta Beauty a déployé un assistant d’achat sur un catalogue de 30 000 produits. Google affirme que les recommandations conversationnelles ont entraîné une multiplication par trois des taux de conversion numérique.

Il s’agit de résultats déclarés par les entreprises, et non de comparaisons standardisées. Différentes organisations peuvent définir différemment le temps économisé, l’amélioration de la conversion et la réussite d’un déploiement.

Les exemples concernent également des assistants spécialisés ayant des objectifs connus. Un assistant d’achat peut fonctionner au sein d’un catalogue défini, tandis qu’un agent employé universel doit traiter des demandes bien plus larges.

Le dossier le plus solide de Google pourrait donc reposer sur l’infrastructure entourant l’agent. Une identité, des connecteurs, des outils et des compétences partagés peuvent soutenir de nombreux flux de travail ciblés, même si la délégation sans restriction reste peu fiable.

Les fonctionnalités de données du produit suivent cette même logique. Google indique que les équipes techniques peuvent demander à l’agent d’écrire du code PySpark, de créer des notebooks, d’entraîner des modèles ou d’étudier des problèmes de pipeline.

Les utilisateurs métiers peuvent demander des rapports en langage naturel. Knowledge Catalog fournit des définitions métier communes, aidant différents agents à interpréter les indicateurs de manière cohérente.

Cette couche sémantique est essentielle. Un modèle ne peut pas produire un rapport de ventes fiable si les équipes ne s’accordent pas sur ce qui constitue un client actif.

Google indique également que l’agent peut utiliser des informations stockées dans BigQuery, Snowflake, Databricks, Postgres, des fichiers de bureau et d’autres systèmes. L’accès reste soumis aux autorisations de l’entreprise.

La portée entre systèmes est attractive, mais chaque connecteur ajoute du travail opérationnel. Les équipes doivent mapper les identités, valider la fraîcheur des données, surveiller les défaillances et examiner les actions que l’agent peut effectuer.

Une boîte de prompt universelle peut masquer cette complexité aux employés. Elle ne peut pas éliminer le travail d’intégration et de gouvernance qui sous-tend l’expérience.

Les contrôles des coûts constituent un autre élément de l’argumentaire de Google. L’agent peut distribuer le travail entre plusieurs modèles, et les administrateurs peuvent suivre les dépenses par projet.

Google indique également que les organisations peuvent fixer des limites de dépenses en temps réel qui mettent le travail en pause lorsqu’un projet atteint sa limite. Cela importe lorsque des agents de longue durée créent des sous-agents et consomment des ressources sans supervision continue.

Toutefois, un plafond de dépenses n’établit pas la valeur métier. Les clients doivent toujours comparer les coûts des agents avec la qualité d’exécution, le temps de revue des employés et les corrections en aval.

Un agent qui produit rapidement une ébauche peut déplacer l’effort plutôt que le supprimer. Les réviseurs peuvent consacrer beaucoup de temps à vérifier les sources, les calculs, les autorisations et les actions.

Les meilleures évaluations mesureront l’ensemble du flux de travail. Elles devraient inclure la préparation, l’exécution, la revue humaine, les corrections et la reprise après les défaillances.

Les entreprises devraient également distinguer l’adoption de la dépendance. Une utilisation fréquente peut montrer qu’une interface est pratique, mais elle ne prouve pas que l’agent achève en toute sécurité un travail critique.

Google a assemblé les composants nécessaires à des déploiements de grande ampleur. La question ouverte est de savoir si les clients peuvent les opérationnaliser sans recréer la complexité qu’un agent universel promet d’éliminer.

Ce que Google Gemini Agent doit démontrer ensuite

La prochaine phase sera jugée sur les preuves en production, le comportement des autorisations et les réponses concurrentielles plutôt que sur des listes de fonctionnalités plus longues.

Le premier signal à surveiller est la disponibilité soutenue par des performances mesurables. Google a annoncé l’agent universel et décrit des versions propres à certains secteurs pour les activités financières et juridiques.

Les acheteurs ont besoin de détails clairs sur le déploiement de l’expérience complète. Ils ont également besoin d’évaluations couvrant les tâches de longue durée, les actions entre applications, la reprise et les taux de correction humaine.

Des benchmarks publics renforceraient l’affirmation de Google selon laquelle un agent peut gérer le travail de connaissance, les médias et le code. Les seules études de cas clients ne peuvent pas établir les performances dans des environnements non liés.

Le deuxième signal concerne la gouvernance dans de réelles conditions d’exploitation. Les identités dédiées, les journaux d’audit, les sandboxes, les passerelles et les limites de dépenses forment une architecture de contrôle crédible.

Les preuves décisives viendront des incidents, des examens de sécurité, de la documentation administrative et des audits clients. Les entreprises doivent voir si les contrôles restent compréhensibles lorsque les agents créent des sous-agents et utilisent des systèmes externes.

Les changements d’autorisations méritent une attention particulière. Un agent universel devrait cesser immédiatement d’utiliser des données dont l’accès a été révoqué, y compris les informations stockées en mémoire ou dans des artefacts dérivés.

Les clients devraient tester l’injection de prompts, les défaillances de connecteurs, les outils compromis et les politiques contradictoires avant d’accorder une large autonomie. Ils devraient aussi vérifier que les journaux permettent de reconstituer les décisions et les actions de l’agent.

De solides résultats conforteraient l’argument de Google selon lequel une interface universelle peut coexister avec un contrôle granulaire. Des surprises répétées concernant les autorisations affaibliraient l’ensemble de la proposition.

Le troisième signal est la manière dont Microsoft, OpenAI et Amazon ajustent leur positionnement auprès des entreprises. Tous trois proposent déjà des agents, des systèmes de contexte et des contrôles de gouvernance.

Microsoft peut répondre par une intégration plus poussée avec Microsoft 365 et une administration centralisée des agents. OpenAI peut mettre en avant les capacités des modèles, les applications partenaires et sa plateforme de contrôle pour les entreprises.

Amazon peut connecter les agents aux opérations cloud, à l’analytique et aux autorisations AWS existantes. Chaque concurrent peut également prendre en charge plusieurs modèles, réduisant ainsi la différenciation de Google.

La concurrence portera de plus en plus sur la portabilité. Les acheteurs se demanderont si les compétences, les mémoires, les évaluations et les politiques peuvent passer d’une plateforme à l’autre sans devoir être reconstruites.

La prise en charge par Google de Claude et d’applications externes suggère une ouverture stratégique. Le test le plus difficile sera de déterminer si les clients peuvent exporter le contexte et les procédures qui rendent Gemini utile.

Les entreprises qui évaluent le Google Gemini Agent devraient commencer par un flux de travail limité. La tâche devrait comporter des critères d’achèvement mesurables, des sources d’information définies et un point d’approbation clair.

Les équipes peuvent ensuite comparer l’exécution autonome au processus existant. Parmi les mesures utiles figurent le taux d’achèvement, le temps de révision, le volume de corrections, les violations de politiques et le coût total d’exploitation.

Les travailleurs du savoir devraient également se demander ce dont l’agent se souvient et qui contrôle cette mémoire. La commodité ne devrait pas exiger de renoncer à la visibilité sur le contexte de travail accumulé.

Les développeurs devraient examiner le comportement des autorisations d’outils, des identités et des journaux entre les agents parents et enfants. Les équipes de sécurité devraient tester le système avec du contenu adversarial avant d’approuver des actions ayant des conséquences importantes.

Google a fait un pari stratégique clair. Les employés en entreprise devraient interagir avec un agent persistant unique, tandis que les modèles et sous-agents spécialisés deviendraient des détails d’implémentation.

Le Google Gemini Agent réussira si cette simplification résiste aux autorisations désordonnées, aux données changeantes et aux flux de travail à forts enjeux. La prochaine question pour les acheteurs est concrète : quel processus limité pouvez-vous tester sans accorder à l’agent davantage d’autorité que ne le justifient les preuves dont il dispose ?