Google veut reprendre l’avantage sur le rapport puissance-prix
Avec Gemini 4 Neon, Google ne cherche pas seulement à ajouter un nom à sa gamme Gemini 4. Le groupe tente de résoudre une question devenue centrale dans l’IA générative: comment offrir des capacités proches du frontier AI sans réserver chaque tâche sérieuse au modèle le plus lourd, le plus lent ou le plus cher.
La documentation actuelle décrit Gemini 4 Neon comme un modèle destiné au codage performant, au raisonnement en plusieurs étapes, à la compréhension multimodale et aux flux de travail agentiques en entreprise. Son identifiant est gemini-4-neon, et Google le rend disponible dans son environnement Gemini Enterprise Agent Platform pour des clients vérifiés dans certaines régions .
Cette place dans la gamme est importante. Gemini 4 Carbon reste le modèle de référence pour les projets les plus difficiles et les plus longs. Gemini 4 Hydrogen vise plutôt les usages rapides du quotidien. Neon est conçu pour occuper l’espace entre les deux: suffisamment profond pour des tâches complexes, mais suffisamment efficace pour être utilisé souvent. C’est précisément l’espace où Claude Opus 5.5 d’Anthropic et GPT-6.2 Sol d’OpenAI sont devenus des points de comparaison incontournables.
Les premiers chiffres donnent à Neon une image solide, mais pas écrasante. Dans les lectures de benchmarks publiées ces derniers jours, Gemini 4 Neon dépasse Claude Opus 5.5 sur certains scores globaux, tandis que GPT-6.2 Sol reste derrière en performance mais très agressif sur le coût par tâche . Autrement dit, Google ne propose pas seulement “le meilleur modèle”; il propose un modèle qui oblige les entreprises à recalculer le compromis entre qualité, rapidité, contexte et budget.
Ce que Gemini 4 Neon apporte concrètement
L’atout le plus visible de Neon est son enveloppe technique. Le modèle prend en charge une limite unifiée de 1 048 576 tokens pour l’entrée et la sortie sur GenerateContent API, Interactions API et l’API Chat Completions compatible OpenAI . Un segment de génération au premier plan peut produire jusqu’à 65 536 tokens de sortie, tandis que les longs décodages peuvent pousser la sortie vers la limite unifiée, moins les tokens d’entrée .
Ce n’est pas un détail marketing. Une fenêtre d’un million de tokens permet de traiter des dépôts logiciels entiers, de grands dossiers réglementaires, des ensembles de recherche multimodaux, des historiques clients volumineux ou des bases documentaires internes sans découpage excessif. Neon accepte aussi le texte, les images, l’audio et la vidéo, avec la prise en charge des fichiers Office et OpenDocument en plus des PDF et du texte simple .
Google intègre également Neon dans une logique d’agents, et pas seulement de chat. Le modèle supporte les appels de fonctions, l’exécution de code, le contexte d’URL, l’utilisation d’un ordinateur et plusieurs formes d’ancrage, dont Google Search, Google Maps et le web grounding pour l’entreprise . Cette combinaison explique pourquoi Google le positionne sur les workflows professionnels plutôt que comme simple assistant conversationnel.
Il existe toutefois des limites. Neon n’est pas présenté comme un modèle ajustable par fine-tuning, l’API Gemini Live n’est pas indiquée comme prise en charge, et Google précise que les valeurs personnalisées de température, top-p et top-k sont ignorées . Pour les développeurs, Neon ressemble donc davantage à un produit de raisonnement managé qu’à une base très configurable pour l’expérimentation.
Le prix est au cœur de la stratégie
L’arme la plus claire de Neon est le prix. Les comparaisons publiées indiquent un tarif de 3 dollars par million de tokens d’entrée et 15 dollars par million de tokens de sortie, contre 4 dollars et 20 dollars pour Claude Opus 5.5 . L’écart de prix par token est donc d’environ 25% en faveur de Google.
Le coût par tâche confirme en partie cet avantage, même si l’image reste nuancée. Un tableau publié le 21 novembre place Gemini 4 Neon à 61 sur l’Artificial Analysis Intelligence Index, avec un coût moyen de 6,44 dollars par tâche; Claude Opus 5.5 obtient 59 pour 10,04 dollars, tandis que GPT-6.2 Sol atteint 57 pour seulement 1,01 dollar . Neon offre donc un meilleur compromis score-prix qu’Opus 5.5 dans cette lecture, mais Sol reste le choix le plus agressif sur le coût.
BenchLM aboutit à une conclusion pratique comparable dans sa mise à jour du 21 novembre: Gemini 4 Neon affiche une estimation publique plus élevée que Claude Opus 5.5, 91,3 contre 82,8, tout en conservant un prix API listé plus bas par million de tokens . Le même comparatif souligne cependant que les plages d’incertitude se chevauchent et que le classement peut changer selon le prix réel, l’accès et le type de charge de travail .
Cette prudence est essentielle. Pour une équipe qui traite des millions ou des milliards de tokens par mois, 25% de différence sur le tarif nominal peut être décisif. Mais un modèle moins cher peut perdre son avantage s’il exige plus de relances, plus d’appels d’outils ou plus de validation humaine. À l’inverse, un modèle légèrement moins bien classé peut être le meilleur choix métier s’il est stable, rapide et suffisant pour la tâche.
Face à Claude Opus 5.5: une concurrence réelle, mais pas totale
Claude Opus 5.5 reste le rival principal dans l’esprit de nombreux développeurs, surtout ceux qui travaillent déjà avec Claude Code. Les premiers essais donnent une réponse nuancée: Neon peut le concurrencer, mais pas le remplacer partout.
L’analyse pratique publiée par The Aigentic le 20 novembre estime que Neon coûte moins cher, gère bien les tâches de type tableur et écrit à un niveau comparable dans les cas testés, tandis qu’Opus garde un avantage pour certains rendus plus élégants et des travaux créatifs de design . Cette observation correspond à l’image générale: Neon paraît fort en raisonnement structuré et en workflows agentiques, mais il n’écrase pas Claude sur toutes les sorties visibles par un humain.
Le test de codage publié par Shipping Skool le 21 novembre ajoute une perspective utile. Sur six épreuves pratiques, Neon a construit trois jeux navigateur en moins de 20 minutes chacun, tandis qu’Opus 5.5 a nécessité des redémarrages sur les trois et a atteint deux fois la limite de temps; en revanche, sur une application client et une chasse aux bugs, les deux modèles ont été jugés équivalents en qualité, et Opus a terminé en moins de la moitié du temps . C’est exactement le type de résultat que l’on attend d’un nouveau modèle frontière: impressionnant dans certains scénarios, moins convaincant dans d’autres.
Sur les benchmarks de codage, l’écart est faible. The Aigentic rapporte que les chiffres indépendants placent Neon et Opus 5.5 presque au même niveau, avec 59 pour Neon sur l’Artificial Analysis Coding Agent Index contre 58 pour Opus 5.5, tandis qu’Opus reste plus fort sur certains tests web et sur la qualité perçue de certains produits . Shipping Skool note aussi que le propre tableau de lancement de Google donnait encore Opus devant sur Terminal-Bench 4.1 et FrontierCode 2.0, même si Neon menait sur de nombreuses autres lignes .
Le message n’est donc pas “Neon tue Claude”. Le message est plutôt que les utilisateurs de Claude disposent désormais d’une alternative sérieuse en prix-performance, surtout pour le contexte long, les tableurs, le raisonnement structuré et les appels agentiques répétés.
Le rôle particulier de GPT-6.2 Sol
GPT-6.2 Sol occupe une place différente dans cette course. Il n’est pas le mieux classé dans les tableaux cités, mais il force Google et Anthropic à justifier leurs coûts.
Dans le tableau du 21 novembre, GPT-6.2 Sol obtient 57 sur l’Artificial Analysis Intelligence Index pour un coût moyen de 1,01 dollar par tâche, contre 61 pour Neon à 6,44 dollars et 59 pour Opus 5.5 à 10,04 dollars . Son score est donc inférieur, mais son coût est radicalement plus bas dans ce contexte précis.
Pour les acheteurs, cet écart est majeur. De nombreux usages ne nécessitent pas la capacité maximale: classification, extraction, premier brouillon, routage, résumé, préanalyse ou génération de code de premier passage. Si la qualité reste prévisible, un modèle moins cher peut gagner. Neon doit donc mener une bataille sur deux fronts: être assez fort pour déplacer des charges de travail depuis Opus 5.5, mais assez efficient pour empêcher ces mêmes charges de descendre vers GPT-6.2 Sol.
C’est précisément pour cela que le positionnement de Google est habile. Neon n’est pas vendu comme le modèle le moins cher. Il est vendu comme un modèle proche du frontier, mais avec un coût opérationnel plus raisonnable que celui de certains rivaux haut de gamme.
Enjeux entreprise et cybersécurité
Neon arrive aussi dans un contexte où les entreprises demandent davantage de contrôle, de sécurité et d’intégration. Google précise que le modèle relève de ses conditions applicables aux modèles frontière et de mécanismes de surveillance des abus; il est disponible pour des clients entreprise vérifiés dans certaines régions, pour des raisons de fiabilité, de capacité et de sécurité .
Un suivi spécialisé publié autour du 20 novembre indique aussi que Google a évoqué une variante cyber de Neon destinée à la recherche de vulnérabilités, à la validation d’exploits et au patching pour des défenseurs vérifiés du programme Fairwind, tout en soulignant que les chiffres de benchmark disponibles étaient des revendications de Google et non des résultats indépendants au moment de publication . Cette nuance compte: les modèles défensifs peuvent accélérer la validation et la correction, mais leurs capacités soulèvent aussi des questions dual-use évidentes.
Pour les DSI, responsables sécurité et équipes plateforme, l’intérêt de Neon ne se limite donc pas au score. Il réside dans l’ensemble: long contexte, multimodalité, exécution de code, usage d’outils, ancrage d’entreprise et options régionales. Ces caractéristiques rendent plausible son emploi dans l’analyse d’incident, la conformité, l’audit contractuel, la recherche interne ou la maintenance logicielle.
Premier verdict
Gemini 4 Neon renforce nettement la position de Google dans la course aux modèles frontière, mais il ne met pas fin à la compétition. Son meilleur argument actuel est l’équilibre: fenêtre d’un million de tokens, entrées multimodales, intégrations d’entreprise, prix inférieur à Claude Opus 5.5 et scores proches du haut de marché .
Claude Opus 5.5 reste très compétitif lorsque les habitudes de développement, Claude Code, le travail en terminal et la qualité subjective des interfaces comptent . GPT-6.2 Sol, lui, continue de faire pression par le bas en rendant crédible l’argument du “suffisant pour beaucoup moins cher” .
La recommandation opérationnelle est donc simple: tester Neon sur ses propres tâches avant toute migration massive. Pour l’analyse de longs documents, les tableurs, les agents répétitifs et le traitement documentaire d’entreprise, Neon mérite une évaluation immédiate. Pour la génération frontend très soignée, le codage terminal lourd ou une chaîne Claude Code déjà mature, Opus 5.5 peut encore justifier son prix. Si le coût prime sur tout le reste et que la tâche tolère une capacité maximale plus faible, GPT-6.2 Sol reste incontournable.
Google n’a pas clos la course avec Gemini 4 Neon. Il l’a rendue beaucoup plus difficile à ignorer.
