Gemini passe à la tarification à deux vitesses : Google découvre que le prix de l'inférence est un argument commercial

Google a annoncé le 10 juillet la refonte de la grille tarifaire de ses API Gemini avec deux niveaux d'inférence distincts. Le premier, baptisé Flex, propose des tarifs réduits en échange d'un fonctionnement en best-effort : pas de garantie de latence, pas de SLA sur le débit, exécution sur la capacité résiduelle des clusters TPU. Le second, Priority, maintient les engagements classiques — latence prévisible, débit garanti, accès prioritaire aux ressources de calcul. Les deux tiers couvrent les modèles Gemini 2.5 Pro et Flash.

En clair, Flex fonctionne comme les Spot Instances d'AWS ou les Preemptible VMs que Google propose déjà sur Compute Engine depuis des années. Le principe n'est pas nouveau. Ce qui l'est, c'est son application directe à l'inférence de modèles de langage via une API managée.

Les chiffres sur la table

Google affiche une réduction allant jusqu'à 50 % sur le coût par million de tokens d'entrée pour le tier Flex par rapport au tier Priority sur Gemini 2.5 Flash. Sur Gemini 2.5 Pro, la décote est du même ordre. Le tier Flex est gratuit pendant une période promotionnelle pour les développeurs sous un certain seuil d'utilisation — un mécanisme d'acquisition classique que Google pratique sur quasi tous ses services cloud depuis dix ans.

Google ne publie pas de chiffres absolus dans son annonce initiale pour le tier Flex — seulement des pourcentages de réduction. Les tarifs exacts sont renvoyés vers la page de pricing de Vertex AI, mise à jour avec un léger décalage. Le 10 juillet au soir, certains développeurs signalaient encore des incohérences entre la documentation et la console de facturation.

Le vrai destinataire

Le tier Flex ne vise pas les applications temps réel. Google le dit sans détour dans la documentation technique : il est conçu pour le traitement par lots, l'évaluation de modèles, le prototypage et les workloads tolérants à la latence. Autrement dit, tout ce qui tourne la nuit, tout ce qui peut attendre, tout ce qui ne sert pas un utilisateur final en direct.

C'est un positionnement qui parle directement aux équipes data et ML des entreprises qui testent massivement des prompts, qui font tourner des pipelines d'évaluation sur des milliers de cas, ou qui utilisent l'API pour du preprocessing documentaire à grande échelle. Pour ces usages, la latence par requête est sans importance. Le coût total du batch, lui, est scruté à l'euro près.

OpenAI avait introduit un mécanisme similaire avec son Batch API en avril 2024, offrant 50 % de réduction sur GPT-4o pour des requêtes traitées dans une fenêtre de 24 heures. Anthropic propose aussi des tarifs batch sur Claude. Google arrive donc sur un terrain déjà balisé. La différence revendiquée : l'intégration native avec Vertex AI et les pipelines GCP existants. Un argument qui pèse surtout pour les organisations déjà engagées dans l'écosystème Google Cloud.

La guerre du token pas cher

Il y a dix-huit mois, Google présentait Gemini comme un modèle « nativement multimodal » censé redéfinir les interactions homme-machine. Le discours du jour porte sur la réduction du coût par million de tokens. Le glissement est significatif. Il reflète un marché où la différenciation par la performance pure des modèles s'érode — GPT-4o, Claude 3.5 Sonnet et Gemini 2.5 Pro se tiennent dans un mouchoir de poche sur les principaux benchmarks — et où le levier de conquête se déplace vers le prix, l'intégration et la fiabilité opérationnelle.

Amazon avait ouvert cette voie avec Nova, ses modèles maison sur Bedrock, positionnés dès le départ sur un argument de coût agressif. DeepSeek, côté chinois, a fait exploser les repères de prix début 2025 avec des modèles performants à une fraction du tarif des incumbents. La réponse de Google s'inscrit dans cette dynamique : si le token devient une commodité, autant offrir un prix plancher pour capter le volume.

Le problème, pour un DSI qui doit arbitrer, c'est que le coût du token ne dit rien du coût réel d'un déploiement. L'intégration, le monitoring, la gestion des erreurs sur un tier best-effort, le fallback vers Priority quand Flex ne répond pas dans les temps — tout cela génère de la complexité opérationnelle. Google ne fournit pour l'instant aucune métrique publique sur le taux de disponibilité effectif du tier Flex, ni sur la variance de latence observée en conditions de charge réelle.

Vertex AI, le vrai sujet

La tarification à deux niveaux est aussi un outil de segmentation pour Vertex AI. Google pousse les développeurs individuels et les startups vers Flex — coût bas, engagement faible — tout en réservant Priority aux clients enterprise prêts à payer pour du SLA. C'est le modèle freemium classique, appliqué à l'inférence LLM.

Thomas Kurian répète depuis 2023 que Google Cloud doit gagner la bataille de la plateforme IA, pas celle du modèle. La structure Flex/Priority est cohérente avec ce discours. Elle transforme Gemini en produit d'appel pour Vertex AI, qui facture ensuite le fine-tuning, le stockage des embeddings, les pipelines de RAG, le monitoring des modèles. Le token d'inférence devient le loss leader.

Reste un détail : Google Cloud représente environ 12 % du marché IaaS mondial, loin derrière AWS (31 %) et Microsoft Azure (25 %). La stratégie de plateforme ne fonctionne que si les clients sont déjà sur GCP ou prêts à y migrer. Pour ceux qui sont sur AWS et utilisent Bedrock, le prix du token Gemini est une donnée parmi d'autres, pas un argument décisif.

Le blog post d'annonce mentionne « des milliers de développeurs » utilisant déjà les API Gemini. Pas de chiffre de revenus. Pas de nombre de clients enterprise. Pas de comparaison avec les volumes d'appels API d'OpenAI, qui revendiquait 2 millions de développeurs sur sa plateforme fin 2024.

L'annonce a été publiée un jeudi en fin de journée, heure de Mountain View, entre deux keynotes Google Cloud Next déjà programmées. Le timing suggère un ajustement tarifaire tactique plus qu'un repositionnement stratégique majeur.