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

Google a présenté l’agent Google Gemini comme un assistant universel pour le travail le 8 octobre 2026, remplaçant un ensemble d’interactions d’IA distinctes par une couche d’agent partagée. Il peut répondre à des questions, effectuer du travail intellectuel, créer des médias, analyser des données métier et écrire ou exécuter du code. L’ambition va au-delà d’une simple nouvelle fonctionnalité de Gemini. Google veut qu’un seul agent accompagne les employés tout au long de leur journée de travail.

L’annonce, adaptée de la keynote Gemini at Work 2026 de Thomas Kurian, PDG de Google Cloud, intègre également l’agent directement dans Workspace. Gmail, Drive, Docs, Slides, Sheets, Chat et Calendar peuvent utiliser la même mémoire, les mêmes compétences et les mêmes contrôles administratifs. Les utilisateurs ne devraient plus avoir à reconstruire le contexte chaque fois qu’ils passent d’un e-mail à une feuille de calcul, une réunion ou une présentation.

Cela ouvre immédiatement une compétition avec la stratégie Copilot de Microsoft et d’autres plateformes d’agents d’entreprise. La question importante n’est pas de savoir quel assistant produit le meilleur paragraphe. Il s’agit de savoir si un agent universel peut agir au sein des systèmes d’une entreprise sans affaiblir la supervision, la confidentialité ou la fiabilité.

L’agent Google Gemini devient une couche partagée pour le travail

Google transforme Gemini, d’un ensemble d’assistants, en un agent persistant capable de passer d’une tâche et d’une application à l’autre.

L’annonce Gemini at Work décrit Gemini comme un agent unique pour les questions, le travail intellectuel, la création de médias et le développement logiciel. Ces fonctions apparaissaient auparavant comme des expériences distinctes, même lorsqu’elles utilisaient des modèles apparentés.

Ce nouveau cadrage est important, car les employés accomplissent rarement un travail significatif dans une seule fenêtre de prompt. Un chef de produit peut commencer par des e-mails de clients, examiner une feuille de calcul d’utilisation, rédiger un document d’exigences et préparer des slides pour la direction. Chaque étape dépend du contexte créé lors de la précédente.

Google affirme que l’agent Gemini peut conserver sa mémoire, ses compétences et ses contrôles tout au long de cette séquence. La mémoire désigne ici le contexte conservé concernant le travail, les préférences et les tâches actives de l’utilisateur. Les compétences sont des capacités réutilisables qui aident l’agent à effectuer des types de travail spécifiques.

L’agent est également conçu pour faire plus que retrouver des informations. Il peut créer des images et d’autres médias, manipuler des connaissances, et écrire ou exécuter du code. Cela place le travail créatif, analytique et technique derrière une seule interface conversationnelle.

Cette conception modifie le rôle des applications Workspace. Gmail reste un service de messagerie, et Sheets reste un tableur. Toutefois, Gemini peut fournir une couche de raisonnement commune aux deux applications et aux informations qu’elles contiennent.

L’accès intégré est au cœur de la stratégie. Google indique que Gemini fonctionnera directement dans Gmail, Drive, Docs, Slides, Sheets, Chat et Calendar. Les utilisateurs devraient pouvoir demander de l’aide là où le travail existe déjà, sans ouvrir un assistant distinct ni transférer manuellement le contexte.

Prenons le cas d’un responsable commercial préparant une revue trimestrielle. L’agent pourrait identifier les discussions clients pertinentes dans Gmail, récupérer des documents de compte dans Drive, examiner les données du pipeline et rédiger une présentation. L’annonce de Google établit l’existence de ces capacités élémentaires, même si leur fiabilité en conditions réelles sur de longs flux de travail nécessite encore des tests indépendants.

Le même schéma s’applique au travail logiciel. Un employé pourrait demander à Gemini d’interpréter une demande produit, d’examiner les éléments de support, de produire du code et d’exécuter ce code. La promesse plus large est que l’agent comprend la tâche comme un seul projet cohérent.

Google présente donc l’agent comme une infrastructure connective, et non comme un chatbot rattaché à des produits individuels. Cette distinction influencera la manière dont les entreprises l’évalueront. Une aide à la rédaction peut être jugée selon la qualité de ses résultats, tandis qu’un agent de travail doit également être évalué selon ses autorisations, son exécution, sa traçabilité et sa capacité à se remettre des échecs.

Cette responsabilité élargie crée la tension centrale de l’article. La valeur de l’agent Google Gemini augmente à mesure qu’il obtient davantage de contexte et d’autorité. Les conséquences potentielles d’une erreur augmentent au même moment.

Pourquoi Google veut un agent dans chaque application Workspace

La stratégie de l’agent universel répond à une faiblesse persistante de l’IA au travail : le contexte utile reste dispersé entre les applications, les équipes et les systèmes de données.

Les employés savent souvent que des informations pertinentes existent sans savoir où elles se trouvent. Une décision peut être consignée lors d’une réunion, révisée dans un document, discutée dans Chat, puis reflétée plus tard dans une feuille de calcul. La recherche traditionnelle retrouve des fichiers, mais elle ne reconstitue pas toujours le raisonnement qui les relie.

Un agent persistant peut aborder ce problème différemment. Il peut utiliser la demande de l’utilisateur, les informations accessibles de l’entreprise et les interactions antérieures afin d’assembler une réponse ou d’accomplir une tâche en plusieurs étapes. C’est l’idée qui sous-tend un travail tenant compte du contexte.

Google dispose d’un avantage structurel pour poursuivre ce modèle. Workspace héberge déjà les communications, les documents, les calendriers, les présentations et les tableurs de nombreuses organisations. Google Cloud fournit également des services de données, d’analytique, de développement et d’infrastructure.

La connexion de ces environnements permet à Google d’affirmer que Gemini peut couvrir à la fois la productivité quotidienne et le travail technique spécialisé. L’agent pourrait aider un employé à rédiger un e-mail, puis aider un analyste à étudier les données opérationnelles qui le sous-tendent.

L’annonce ajoute de nouvelles compétences liées aux données et à l’analytique pour cette raison. Google affirme que les spécialistes techniques comme les utilisateurs métier ordinaires peuvent poser des questions en langage naturel et parvenir à des informations opérationnelles exploitables en quelques minutes.

L’analytique en langage naturel permet à une personne d’exprimer une question de manière conversationnelle au lieu d’écrire une requête de base de données. L’agent a toutefois toujours besoin d’un accès gouverné aux données sous-jacentes, et il doit traduire la demande en opérations analytiques valides.

Cette traduction pourrait élargir l’accès à l’intelligence économique. Un responsable d’entrepôt pourrait demander quelles installations ont généré le plus de commandes en retard cette semaine. Un dirigeant financier pourrait demander les principaux facteurs à l’origine d’une variation de marge sans devoir d’abord créer un tableau de bord.

Pourtant, le langage naturel ne supprime pas le besoin de rigueur analytique. Une question vague peut produire une réponse techniquement valide mais trompeuse. Les définitions, les périodes, les exclusions et la qualité des données restent importants, même lorsque l’interface devient plus simple.

La démarche de Google répond également à un problème fondamental d’adoption. Les employés sont moins susceptibles d’utiliser un assistant d’IA lorsque chaque tâche impose de changer d’outil, de trouver des fichiers et de réexpliquer le contexte. Intégrer Gemini dans Workspace réduit ces étapes.

La stratégie ressemble à l’approche existante de Google avec Workspace with Gemini, mais l’annonce de 2026 relève le niveau d’ambition. L’assistance dans des applications individuelles devient un travail coordonné entre applications.

Cela rend l’agent plus pertinent pour les flux de travail à l’échelle de l’entreprise. Cela met également sous pression les outils d’IA autonomes qui ne peuvent pas accéder à la même combinaison d’e-mails, de calendriers, de fichiers, de données métier et d’environnements de développement.

Les outils de connaissance indépendants conservent un rôle. Ils peuvent organiser des informations au-delà d’une seule suite de productivité et offrir aux individus une couche de mémoire plus délibérée. Une base de connaissances personnelle peut également aider les utilisateurs à séparer le contexte personnel des systèmes contrôlés par l’entreprise.

L’avantage de Google est sa distribution, mais celle-ci ne déterminera pas à elle seule l’adoption. Les entreprises demanderont si l’agent respecte les autorisations existantes, produit des résultats fiables et s’inscrit dans leurs obligations de conformité. Ces exigences deviennent plus strictes lorsqu’un assistant commence à agir.

Microsoft Copilot fait face à une compétition Workspace plus large

La principale compétition n’oppose plus un chatbot à un autre ; elle oppose la couche de travail intégrée de Google à celle de Microsoft.

Microsoft poursuit une destination similaire avec Microsoft 365 Copilot. Son assistant fonctionne dans des applications telles qu’Outlook, Word, Excel, PowerPoint et Teams, en s’appuyant sur les informations organisationnelles via l’environnement logiciel professionnel de Microsoft.

Cela fait de Microsoft l’adversaire principal le plus évident de la stratégie d’agent universel de Google. Les deux entreprises contrôlent des suites de productivité, des plateformes cloud, des systèmes d’identité et des services pour développeurs largement utilisés. Toutes deux peuvent placer un assistant dans les outils que les employés ouvrent déjà chaque jour.

Leur compétition se concentre sur l’endroit où réside le contexte de travail. Google peut combiner les contenus Workspace avec les données et services de développement de Google Cloud. Microsoft peut connecter les contenus Microsoft 365 à Azure, Teams, Power Platform, GitHub et à son portefeuille plus vaste de logiciels d’entreprise.

Il en résulte une compétition autour de la couche opérationnelle de l’entreprise. Si les employés demandent régulièrement à un agent de trouver des informations, d’analyser des données, de créer du contenu et d’effectuer des actions, cet agent devient une interface importante vers l’organisation.

Cette position revêt une valeur stratégique. L’agent peut influencer les applications que les utilisateurs ouvrent, les plateformes de données que les entreprises privilégient et les systèmes de développement que les équipes adoptent. Il peut également rendre le changement de fournisseur plus difficile, car les flux de travail deviennent liés aux autorisations et aux connecteurs d’un même fournisseur.

L’annonce de Google ne désigne pas un vainqueur. Elle établit que l’unité de concurrence s’est élargie. La qualité des modèles reste importante, mais les entreprises compareront bien davantage que les performances sur les benchmarks.

Elles examineront la couverture applicative, la profondeur des connecteurs, l’intégration de l’identité, l’application des politiques, les enregistrements d’audit, le comportement des modèles et la visibilité administrative. Elles mesureront également si l’agent fait gagner du temps une fois le travail de vérification et de correction pris en compte.

D’autres entreprises restent pertinentes comme concurrents complémentaires. Salesforce promeut des agents connectés aux données clients et opérationnelles via Agentforce. ServiceNow, Oracle, SAP et des fournisseurs spécialisés occupent également des positions établies dans certains processus métier.

Ces plateformes peuvent rivaliser grâce à leur profondeur sectorielle. Un agent de service spécialisé peut mieux comprendre un flux de travail de support qu’un assistant universel. Un produit juridique peut offrir des contrôles de révision conçus spécifiquement pour les contrats et les documents réglementés.

Google répond à ce défi par une spécialisation propre à certains secteurs. Son annonce met en avant des outils, des compétences, des connecteurs et des connaissances conçus pour les services financiers et les équipes juridiques.

Il ne s’agit pas seulement d’une décision de packaging. Le travail sectoriel dépend d’un vocabulaire, de sources approuvées, de règles de conservation des dossiers et d’actions soigneusement limitées. Un agent générique peut sembler convaincant tout en négligeant les contrôles qui rendent une réponse exploitable.

L’approche de Google combine un agent universel et des capacités spécialisées. L’agent fournit une interface cohérente, tandis que les offres sectorielles apportent des outils et du contexte pour des métiers particuliers. Cet équilibre déterminera si Gemini paraît largement utile ou seulement largement disponible.

Microsoft fait face au même problème de conception. Les deux entreprises doivent offrir suffisamment de standardisation aux administrateurs tout en préservant la profondeur requise par chaque service.

La pression concurrentielle s’étend aux acheteurs d’entreprise. Choisir un agent revient de plus en plus à choisir un plan de contrôle du travail. Les équipes achats devront évaluer non seulement les fonctionnalités actuelles, mais aussi la manière dont chaque fournisseur encadre les futures actions autonomes.

Comment l’agent Gemini transforme le contexte en action

Le progrès technique ne réside pas dans une fenêtre de chat plus vaste, mais dans la coordination de la mémoire, des outils, de l’accès aux données et de l’exécution sous une seule identité.

Un agent de travail a besoin de plusieurs composants pour prendre en charge une mission étendue. Il doit comprendre la demande, trouver les informations pertinentes, décider quels outils utiliser, effectuer les opérations autorisées et restituer des résultats qu’une personne peut examiner.

La mémoire aide l’agent à préserver un contexte utile tout au long de ces étapes. Il peut se souvenir du projet en cours, du format de reporting préféré ou d’une décision antérieure. Une mémoire persistante peut réduire les explications répétées, mais les organisations ont besoin de limites claires concernant ce qui est conservé.

Les outils permettent à l’agent d’interagir avec des applications et des services. Lire un calendrier, mettre à jour un document, exécuter du code ou interroger un système de données exige des interfaces définies. L’agent doit utiliser chaque interface avec l’identité autorisée de l’utilisateur.

Les compétences regroupent des comportements reproductibles. Une compétence d’analyse financière pourrait récupérer des données approuvées, appliquer une méthode définie et produire un rapport structuré. Une compétence juridique pourrait examiner des documents au regard des clauses et politiques choisies par une organisation.

Les connecteurs étendent l’agent au-delà des propres applications de Google. Ils peuvent fournir un accès contrôlé à des systèmes métier externes, des bases de données et des référentiels de contenu. La qualité des connecteurs influencera le caractère universel de l’agent dans des environnements technologiques mixtes.

La couche d’orchestration coordonne ces éléments. L’orchestration consiste à sélectionner la bonne séquence de modèles, d’outils et de sources de données pour une tâche. Elle doit aussi reconnaître lorsque l’agent ne dispose pas de suffisamment d’informations ou d’autorité.

Un flux de travail type illustre ce mécanisme. Un responsable des opérations demande pourquoi les retours produits ont augmenté. Gemini identifie la période pertinente, interroge les données accessibles, regroupe les retours par motif et crée un résumé dans Docs.

Il peut ensuite rédiger un e-mail et préparer des diapositives pour une réunion. Chaque nouvelle action dépend des informations générées précédemment. La valeur provient du maintien de l’état de la tâche sur l’ensemble de la séquence.

La capacité de programmation élargit ce mécanisme. Si un outil existant ne peut pas effectuer une analyse, l’agent peut écrire du code pour transformer des données ou automatiser un calcul. L’exécution de ce code ajoute une couche de risque supplémentaire, car les logiciels générés peuvent contenir des erreurs ou des opérations non sûres.

Les organisations auront besoin de limites d’exécution. Le code doit s’exécuter dans des environnements contrôlés, avec un accès limité, une activité enregistrée et des règles d’approbation claires. Les systèmes de production sensibles exigent un traitement plus strict que les environnements d’analyse temporaires.

La génération de médias soulève des considérations similaires. Créer un diagramme ou une image de présentation peut raccourcir le temps de production, mais l’agent a toujours besoin de sources exactes et de droits appropriés. Les visuels générés ne doivent pas être traités comme des preuves factuelles sans vérification.

Les nouvelles compétences d’analyse font face à un défi d’exactitude distinct. Les questions métier reposent souvent sur des définitions internes absentes des données brutes. « Client actif », « commande en retard » et « opportunité qualifiée » peuvent avoir des significations différentes selon les équipes.

Un agent fiable doit fonder son analyse sur les définitions approuvées par l’organisation. Il doit aussi exposer suffisamment sa méthode pour permettre à un utilisateur de vérifier la conclusion. Une réponse soignée sans raisonnement traçable peut créer une fausse confiance.

C’est là que le mélange des connaissances devient pertinent. Un utilisateur peut avoir besoin de combiner des informations d’entreprise, des notes personnelles et de nouvelles recherches sans perdre l’origine de chaque affirmation. Un flux de travail de mélange des connaissances peut préserver ces distinctions lorsqu’un agent d’entreprise universel n’est pas l’unique source.

Le mécanisme de Google est convaincant parce qu’il réduit les transferts entre assistants distincts. Son succès dépendra de la capacité à transformer ces transferts en appels d’outils fiables plutôt qu’en sauts de raisonnement dissimulés.

La mémoire universelle crée un problème universel de gouvernance

Les fonctionnalités qui rendent l’agent Google Gemini utile créent également son problème d’entreprise le plus difficile : chaque autorisation supplémentaire élargit l’impact d’une action incorrecte.

Google affirme que l’agent applique les mêmes contrôles dans ses différents environnements de travail. Cette cohérence est nécessaire. Un agent ne devrait pas obtenir un accès plus étendu simplement parce qu’un utilisateur est passé de Gmail à Sheets ou a invoqué une compétence de programmation.

Les autorisations existantes constituent un point de départ, mais l’accès agentique soulève de nouvelles questions. Une personne peut être autorisée à lire des milliers de fichiers sans pour autant être censée les combiner dans un seul résumé sensible. Un agent peut réaliser cette synthèse rapidement.

Ce problème est parfois appelé risque d’agrégation. Des dossiers individuels peuvent être accessibles de manière appropriée, alors que leur combinaison peut révéler des informations qui n’étaient jamais destinées à un même public ou à une même décision.

La mémoire ajoute un autre défi. Une préférence mémorisée est utile, tandis qu’une information confidentielle mémorisée peut devenir dangereuse si elle apparaît dans la mauvaise tâche. Les administrateurs et les utilisateurs doivent savoir ce que l’agent conserve et comment le supprimer.

La spécialisation sectorielle augmente encore les enjeux. Le travail financier et juridique implique souvent des informations réglementées, des politiques formelles de conservation, des communications protégées et des décisions exigeant une responsabilité professionnelle.

Un agent juridique peut aider à comparer des clauses ou à trouver des précédents, mais il ne peut pas assumer la responsabilité d’un avocat qualifié. Un agent financier peut accélérer l’analyse, mais ses résultats dépendent toujours de la qualité des données, des définitions de politiques et de l’examen humain.

Le cadre de sécurité plus large de Google explique comment l’entreprise aborde la protection de l’IA et du cloud. L’annonce de 2026 ne doit toutefois pas être considérée comme une preuve indépendante que chaque flux de travail Gemini à plusieurs étapes se comportera correctement en production.

Les entreprises ont besoin de preuves issues de leurs propres environnements. Les programmes pilotes doivent mesurer les tentatives d’accès non autorisé, les sélections incorrectes d’outils, les conclusions non étayées, l’exécution des tâches et le volume de corrections humaines nécessaires.

L’auditabilité est particulièrement importante. Les administrateurs ont besoin de registres montrant quelles informations l’agent a consultées, quels outils il a invoqués, quelles actions il a proposées et ce qu’il a modifié. Une réponse finale seule ne peut pas expliquer une défaillance complexe.

La conception des approbations compte également. Les actions à faible risque, telles que la rédaction d’un résumé privé, peuvent nécessiter moins de friction. Les actions à fort impact, telles que l’envoi d’un message à l’ensemble de l’entreprise ou la modification de code de production, devraient exiger une confirmation explicite.

Le système doit distinguer les recommandations de l’exécution. Un agent qui suggère une modification de calendrier présente un niveau de risque. Un agent qui reprogramme une réunion de direction sans examen en présente un autre.

L’injection de prompts reste une préoccupation pratique. Une instruction malveillante cachée dans un document ou une page web peut tenter de détourner un agent. Les agents utilisant des outils ont besoin de défenses empêchant un contenu non fiable de devenir une instruction faisant autorité.

Les résultats incorrects constituent un autre problème non résolu. Les modèles de langage peuvent produire des affirmations plausibles qui ne sont pas étayées par les preuves disponibles. Connecter un modèle aux données de l’entreprise réduit une partie de l’incertitude, mais n’élimine pas les interprétations erronées.

L’adoption par les employés peut échouer même lorsque les contrôles de sécurité sont solides. Si les salariés doivent vérifier chaque étape, corriger des erreurs fréquentes ou attendre des approbations, l’agent peut faire gagner moins de temps que ne le suggèrent les démonstrations.

L’échec inverse est une confiance excessive. Les utilisateurs peuvent accepter un résultat soigné parce que l’agent semble comprendre les systèmes de l’entreprise. Un contexte familier peut rendre une réponse incorrecte plus crédible.

Les entreprises devraient donc traiter le déploiement comme de l’ingénierie des flux de travail, et non comme une simple activation de compte. Elles ont besoin de limites de tâches claires, de tests représentatifs, de voies d’escalade et de responsables désignés pour chaque processus automatisé.

Le compromis central ne peut pas être éliminé. Davantage de contexte et d’autorité peuvent produire un travail plus utile. Ils peuvent aussi engendrer des erreurs plus lourdes de conséquences. La capacité de Google à rendre ce compromis visible et gérable déterminera si la promesse de l’agent universel résiste à l’examen des entreprises.

Trois signaux montreront si Gemini at Work 2026 compte vraiment

Le prochain test est l’exécution : Google doit prouver qu’un agent peut traverser les applications, satisfaire les équipes spécialisées et rester gouvernable à l’échelle de l’entreprise.

Le premier signal est la disponibilité réelle de l’agent dans Workspace et Cloud. Les acheteurs devraient surveiller quelles capacités atteignent la disponibilité générale, lesquelles restent des aperçus limités, et si la mémoire se comporte de manière cohérente entre les applications.

Un déploiement progressif n’invaliderait pas la stratégie de Google. Il montrerait quelle part de l’expérience d’agent universel existe sous la forme d’un système opérationnel unique plutôt que comme un ensemble de démonstrations.

Les preuves les plus solides viendront de flux de travail complets. L’agent peut-il passer d’une demande par e-mail à une analyse de données gouvernée, puis créer un document et planifier une revue sans perdre le contexte ? Un administrateur peut-il examiner chaque étape importante ?

Si ces flux de travail deviennent reproductibles, l’argument de Google en faveur d’une couche unifiée gagnera en force. Si les utilisateurs doivent encore effectuer de nombreuses copies, réautorisations et corrections, le produit se comportera davantage comme plusieurs assistants sous un même nom.

Le deuxième signal est l’adoption par les équipes de services financiers et juridiques. Ces secteurs constituent un test exigeant, car ils associent informations précieuses, vocabulaire spécialisé et responsabilité stricte.

Google doit fournir des exemples décrivant la tâche exacte, les contrôles appliqués et l’examen humain requis. Les déclarations générales sur la productivité en diront peu sur le fonctionnement réel de la spécialisation.

Les acheteurs devraient rechercher des preuves que les compétences sectorielles utilisent des connaissances approuvées et respectent les restrictions documentaires. Ils devraient également demander si les organisations peuvent modifier ces compétences pour refléter leurs propres politiques.

Une adoption réussie soutiendrait la conception universelle et spécialisée de Google. Des pilotes limités à la rédaction et à la recherche suggéreraient que le travail autonome reste trop risqué pour les processus critiques.

Le troisième signal est la réponse de Microsoft. La réponse pertinente n’est pas un autre changement de marque ou une annonce de modèle. Il s’agit d’une coordination plus poussée entre Microsoft 365, Azure, GitHub et les systèmes métier.

Microsoft dispose de la distribution et des relations d’entreprise nécessaires pour concurrencer directement Google. S’il améliore la mémoire inter-applications, l’exécution d’outils et les contrôles administratifs, les acheteurs compareront des plateformes de travail complètes plutôt que des fonctionnalités d’IA isolées.

Cette concurrence pourrait bénéficier aux clients en produisant des modèles d’autorisation plus clairs et des outils d’évaluation plus robustes. Elle pourrait aussi renforcer la dépendance envers la pile de productivité et de cloud d’un seul fournisseur.

Les entreprises devraient préserver leurs options lorsque cela est possible. Elles peuvent définir les flux de travail par des interfaces documentées, maintenir des pratiques de données portables et éviter de placer chaque processus critique derrière un agent opaque unique.

Elles devraient également suivre des indicateurs de résultats plutôt que le volume de prompts. Les mesures utiles comprennent les tâches réalisées, le temps de correction, les délais d’approbation, les taux d’erreur et les incidents impliquant un accès inapproprié aux données.

Les travailleurs du savoir ont une décision plus immédiate à prendre. Ils devraient identifier quelles tâches bénéficient d’un contexte partagé et lesquelles méritent une séparation délibérée. Rédiger une mise à jour de routine est différent d’évaluer une position juridique ou de modifier du code de production.

L’agent Google Gemini représente un changement net dans l’IA au travail. Google ne demande plus aux utilisateurs de consulter un assistant pour une aide ponctuelle. L’entreprise veut que Gemini reste présent à mesure que le travail circule entre messages, fichiers, réunions, données, médias et logiciels.

Cette vision peut réduire les frictions liées à un travail fragmenté. Elle peut aussi concentrer le contexte, les décisions et l’exécution au sein d’un même système. Les prochains mois devraient montrer si Google peut offrir le premier avantage sans masquer le second.

Les équipes qui évaluent l’agent Google Gemini devraient commencer par un flux de travail délimité et mesurable. Donnez-lui des données représentatives, conservez l’approbation humaine et consignez chaque correction. Posez ensuite la question qui compte davantage que la couverture fonctionnelle : l’agent accomplit-il un travail fiable, ou produit-il simplement plus vite des résultats convaincants ?