Agent IA Gemini : le travail continue après votre déconnexion

Vous pouvez désormais confier une mission en plusieurs étapes à un agent IA Gemini, vous déconnecter et le laisser poursuivre le travail sur les serveurs de Google, sans perdre son code, ses fichiers, les packages installés ni ses connexions à des outils distants. La mise à jour de juillet 2026 de Managed Agents réunit les quatre briques qui rendent ce fonctionnement réellement exploitable : exécution en arrière-plan, connexion directe à des serveurs MCP distants, appels de fonctions personnalisées et renouvellement des identifiants d’accès sans reconstruire l’espace de travail.

Le bon modèle mental change donc complètement. Il ne s’agit plus de garder l’onglet d’un chatbot ouvert, mais de remettre un ticket à un collaborateur dans le cloud, puis de revenir consulter le résultat une fois la mission terminée.

Qu’est-ce qu’un agent IA dans Gemini Managed Agents ?

Gemini Managed Agents met à disposition des agents temporaires dans le cloud, chacun doté de son propre espace de travail Linux. Un seul appel à l’Interactions API de Google suffit à provisionner cet espace. L’agent peut alors raisonner sur une tâche, exécuter du Bash, du Python ou du Node.js, installer des packages, gérer des fichiers, effectuer des recherches sur le Web et recommencer jusqu’à obtenir un résultat.

L’agent utilisé par défaut est Antigravity de Google, actuellement identifié comme antigravity-preview-05-2026 et propulsé par Gemini 3.5 Flash. L’Interactions API est passée en disponibilité générale en juin 2026, mais Managed Agents et ses environnements restent en préversion publique.

Deux identifiants conservent deux formes de mémoire distinctes :

• previous_interaction_id joue le rôle de dossier de mission. Il conserve la conversation, le cheminement du raisonnement et l’historique des outils.
• environment_id est la clé de l’atelier. Il permet de retrouver le même système de fichiers, les packages installés et l’état du dépôt.

Il n’est pas nécessaire de conserver les deux. Réutilisez uniquement l’identifiant de l’environnement pour démarrer une nouvelle conversation dans le même espace de travail, ou transmettez les deux identifiants pour reprendre la même mission au même endroit. Le compactage automatique du contexte commence autour de 135,000 tokens : une session longue peut ainsi écarter d’anciens détails sans atteindre immédiatement la limite de sa fenêtre contextuelle.

Le service se situe à mi-chemin entre les agents IA grand public que la plupart des équipes connaissent et une infrastructure à construire soi-même. Google exploite la boucle du modèle et la sandbox. La logique produit, les permissions, les règles d’approbation, le monitoring et l’expérience utilisateur restent à votre charge.

Le workflow, sans jargon

Ce nouveau fonctionnement repose sur six éléments :

1. Créer ou rouvrir un espace de travail. Utilisez environment: "remote" pour obtenir une nouvelle sandbox, transmettez l’identifiant d’un environnement pour le réutiliser, ou fournissez une configuration complète comprenant les dépôts sources et les règles réseau.
2. Ne lui donner que les outils nécessaires. Dans son environnement, l’agent dispose de l’exécution de code, de Google Search, de la lecture d’URL et du système de fichiers. Un serveur MCP distant fait office de connecteur standard vers des outils externes. Il doit avoir un nom en minuscules, une URL et utiliser le transport Streamable HTTP. Il est aussi possible de limiter précisément les outils de ce serveur que l’agent peut appeler.
3. Lancer la mission en arrière-plan. Définissez background: true. L’API renvoie immédiatement un identifiant d’interaction, sans imposer à une connexion HTTP fragile de rester ouverte pendant toute l’exécution. Les missions en arrière-plan nécessitent store: true, qui est la valeur par défaut.
4. Suivre l’avancement sans maintenir la connexion. Interrogez régulièrement l’interaction ou diffusez ses événements en streaming. Si le flux est interrompu, reconnectez-vous avec le dernier event_id pour reprendre là où il s’est arrêté. Une mission peut être en cours, en attente d’une action, terminée, en échec ou annulée.
5. Gérer les actions métier sensibles dans votre application. Les outils intégrés à la sandbox s’exécutent chez Google. Une fonction personnalisée met l’interaction en pause à l’état requires_action : votre application peut alors valider la demande, solliciter une approbation humaine, exécuter la logique métier en local et renvoyer le résultat.
6. Reprendre après la fin de la mission. Une demande complémentaire peut réutiliser l’identifiant de l’interaction terminée avec celui de son environnement. Si un token d’accès expire, renvoyez ce même identifiant d’environnement avec une nouvelle configuration réseau. Les nouvelles règles remplacent les anciennes, tandis que les fichiers, packages et dépôts clonés sont conservés.

L’espace de travail est durable, mais pas permanent. Après 15 minutes d’inactivité, il s’arrête et crée un snapshot. Il reste ensuite récupérable pendant sept jours à compter de sa dernière activité, avant d’être supprimé. Chaque environnement fournit actuellement quatre cœurs CPU et 16 GB de mémoire.

Les sept cas d’usage les plus convaincants

Ce classement privilégie les scénarios dans lesquels les nouvelles capacités éliminent le plus directement un goulet d’étranglement opérationnel coûteux.

1. Vérifier les pull requests générées par l’IA

Une équipe produit qui reçoit en continu du code généré automatiquement pourrait lancer une mission en arrière-plan pour chaque pull request. L’agent ouvrirait le dépôt, examinerait le diff, installerait le projet, exécuterait les tests, suivrait une erreur d’un fichier à l’autre, puis préparerait une revue accompagnée des logs et d’un correctif proposé. La connexion à GitHub ou GitLab pourrait passer par un serveur MCP distant, tandis qu’une fonction d’approbation personnalisée garderait le contrôle sur le commentaire final ou la modification du code.

Le bénéfice ne tient pas à un énième commentaire générique. L’équipe obtient une première analyse étayée par des preuves d’exécution, prête avant même qu’un ingénieur senior n’ouvre la pull request. C’est un avantage important à mesure que le développement asynchrone devient courant, une évolution déjà visible avec les agents de code mobiles et en arrière-plan.

2. Produire des rapports opérationnels récurrents

Un analyste des opérations pourrait démarrer un agent dès l’arrivée des derniers exports CSV, le connecter à un entrepôt de données via MCP, puis le laisser nettoyer les données, mener l’analyse en Python, créer des graphiques et enregistrer tous les fichiers de travail dans le même environnement. Si un token à durée de vie courte expire, l’application peut en fournir un nouveau sans forcer l’agent à réinstaller sa pile technique ni à recréer les fichiers intermédiaires.

Le gain essentiel est la continuité. L’analyste vérifie un rapport déjà assemblé et ses pièces justificatives, au lieu de déplacer sans cesse les données entre un notebook, un tableur, un outil de visualisation et une fenêtre de chat.

3. Enquêter sur les incidents de production

Un ingénieur d’astreinte pourrait donner à l’agent l’accès à un serveur MCP d’observabilité et à un connecteur de gestion du code source, puis lui demander de rapprocher un pic de latence des déploiements, des logs et des commits récents. L’analyse continuerait en arrière-plan pendant que l’ingénieur gère l’incident en direct. Dans son espace de travail, l’agent pourrait produire une chronologie, des causes possibles et des scripts de diagnostic.

Le principal bénéfice est d’accélérer la collecte de preuves sous pression. Toute correction en production doit néanmoins rester soumise à une validation humaine explicite. Un agent capable d’appeler des outils est utile pendant un incident ; livré à lui-même avec de larges identifiants de production, il risque de provoquer le suivant.

4. Constituer les preuves d’un audit de sécurité

Pour préparer une revue des accès, un responsable conformité pourrait limiter la sandbox aux domaines approuvés, injecter des identifiants en lecture seule via le proxy de sortie de Google, puis laisser un agent collecter les politiques, les paramètres des dépôts et l’historique des changements. Les identifiants étant ajoutés au niveau de la frontière réseau, ils ne sont placés ni dans les fichiers de la sandbox ni dans ses variables d’environnement.

Le résultat est un dossier de preuves reproductible, plutôt qu’une semaine de captures d’écran et de copier-coller. L’application doit toujours disposer de sa propre piste d’audit et de son circuit de validation, car Managed Agents n’est pas un produit de conformité clé en main.

5. Mener une due diligence pour l’investissement ou les achats

Une petite équipe d’investissement pourrait confier à un agent en arrière-plan un brief de recherche bien délimité : cartographier un marché, comparer les déclarations de fournisseurs, examiner un dépôt, exécuter des calculs et composer une note avec ses sources. Comme les fichiers et scripts restent disponibles pour les questions suivantes, le deuxième passage peut contester les hypothèses au lieu de reconstruire tout le dispositif de recherche.

L’équipe gagne en profondeur sans immobiliser la session de navigation d’un analyste. Une limite doit toutefois être prise en compte : Antigravity accepte actuellement du texte et des images, mais pas de contenus audio, vidéo ou de documents. Les workflows centrés sur des documents ont donc besoin d’une étape d’extraction externe.

6. Industrialiser les audits clients en agence

Une agence de développement ou d’analytics pourrait créer un environnement distinct pour chaque audit client, ne connecter que les systèmes approuvés par ce client et mettre en file d’attente les vérifications longues, indépendamment les unes des autres. Un espace de travail pourrait contenir un site cloné et des scripts de performance ; un autre, un export de campagne et le code de reporting.

Le gain réside dans l’isolation et la reproductibilité. Pendant la fenêtre de sept jours, les équipes conservent exactement l’état de travail nécessaire à une demande complémentaire, sans mélanger les fichiers ni les identifiants de plusieurs clients.

7. Résoudre les dossiers complexes du back-office

Dans l’assurance, la logistique ou le support, un agent géré pourrait rassembler l’historique d’un dossier depuis plusieurs systèmes, vérifier les règles applicables, calculer les options et préparer l’action suivante. Les outils MCP distants donneraient un accès en lecture, tandis que les fonctions personnalisées réserveraient les remboursements, les modifications de compte ou les décisions sur une demande d’indemnisation à une logique applicative validée et à une approbation humaine.

Le bénéfice est de réunir plusieurs systèmes dans un seul espace de travail continu pour chaque dossier. Cette approche est particulièrement pertinente lorsque les recherches prennent plusieurs minutes et que le processus ne se réduit pas à une automatisation élémentaire de type déclencheur-action.

Trois produits qui valent la peine d’être construits

La capacité technique est généraliste. Les produits commercialisables, eux, sont ciblés, mesurables et encadrés par des mécanismes de confiance.

1. Le meilleur pari : un gardien de dépôt qui prouve chaque alerte

Construisez une application GitHub ou GitLab pour les équipes qui attendent davantage qu’un simple commentaire sur le diff. Pour chaque pull request, elle exécute le projet dans un espace isolé, reproduit les problèmes soupçonnés, joint les logs, prépare un correctif et attend l’accord d’un humain avant toute modification du code.

La demande est tangible. D’après DataForSEO, « AI code review » génère environ 1,300 recherches par mois aux États-Unis, avec un CPC de $46.65. « AI code review tools » ajoute environ 590 recherches mensuelles et affiche une hausse annuelle de 85% dans le jeu de données actuel. Les acheteurs paient déjà : CodeRabbit propose des offres de $24 à $48 par utilisateur et par mois avec facturation annuelle, tandis que Greptile affiche $30 par siège et par mois.

La plus petite version commercialisable doit comporter une intégration à un gestionnaire de code source, un fichier d’instructions pour le dépôt, un outil de test en arrière-plan, une page de résultats avec les preuves brutes et une action d’approbation pour publier la revue ou ouvrir un correctif. Inutile de prendre en charge tous les langages dès le départ. Choisissez un écosystème dans lequel les tests sont courants et l’environnement d’exécution prévisible.

Deux obstacles demeurent : un marché encombré et un problème de confiance. Parmi les questions visibles dans les résultats de recherche figurent « How does AI code review work? » et « Is the AI code safe? ». L’accès à Gemini ne constituera pas votre avantage défendable. Celui-ci viendra d’un corpus d’évaluation qui s’enrichit, de règles propres à chaque dépôt, d’un faible taux de faux positifs et de preuves permettant d’examiner chaque alerte.

2. Un agent de clôture récurrente pour une équipe opérationnelle

Créez un agent qui transforme chaque semaine ou chaque mois les données sources d’une entreprise en un rapport rapproché, tout en conservant le code d’analyse et les fichiers intermédiaires à côté du livrable. Les équipes des opérations, du chiffre d’affaires et de la finance sont prêtes à payer, car la tâche se répète et les erreurs restent visibles.

DataForSEO estime que « AI for data analysis » représente 3,600 recherches mensuelles aux États-Unis. Cette requête commerciale affiche un CPC de $41.92. Plus ciblée, « AI agent for data analysis » atteint environ 320 recherches par mois et présente une difficulté de mot-clé de 2 dans le jeu de données actuel. Cela laisse entrevoir un angle d’acquisition encore ouvert, malgré la concurrence sur le marché généraliste.

Le MVP tient dans un planificateur externe ou un déclencheur à l’arrivée d’un fichier, un connecteur d’entrepôt de données, une destination dans un tableur, un modèle de rapport fixe, un journal d’exécution et un écran de rapprochement. La vraie limite concerne la fiabilité des résultats. Antigravity ne gère pas les sorties structurées : les tableaux et totaux importants doivent donc passer par une validation déterministe avant livraison.

3. Un moteur de workflow vertical doté de vrais contrôles

Ciblez un seul type de dossier, par exemple l’intégration d’un fournisseur, le tri de demandes d’indemnisation ou la collecte de preuves de sécurité. Le produit récupère le contexte via deux ou trois connexions MCP, mène l’analyse longue en arrière-plan et réserve aux fonctions personnalisées les quelques actions qui exigent une validation ou une approbation.

DataForSEO estime que « AI workflow automation » génère 1,000 recherches par mois aux États-Unis, avec une intention commerciale et un CPC de $49.51. « AI workflow automation platform » ajoute environ 260 recherches mensuelles et affiche une progression annuelle de 320% dans le jeu de données actuel. Les internautes demandent explicitement : « How can I automate my workflows using AI? »

Le MVP se limite à une file d’attente, un workflow strictement défini, deux intégrations, une boîte de réception pour les approbations et un historique d’exécution complet. Le piège consiste à vouloir bâtir d’emblée une plateforme horizontale. Si la première version prétend automatiser n’importe quel workflow, les connecteurs et les cas limites engloutiront le produit. Commencez par remporter un processus coûteux.

Ce que Gemini Managed Agents ne résout pas

L’exécution gérée réduit le travail d’infrastructure ; elle ne supprime ni le risque produit ni le risque opérationnel.

Le renouvellement des identifiants doit lui aussi être compris avec précision. Google conserve l’environnement lorsque votre application fournit de nouvelles règles réseau et un nouveau token. L’agent ne crée ni ne renouvelle ce token à votre place.

Mon avis : réservez cette technologie à des missions délimitées, avec des critères de fin clairs, des livrables vérifiables, des permissions restreintes et des étapes d’approbation. Ne confiez pas l’administration ouverte d’un système de production à un agent en préversion. Google recommande lui-même de vérifier le code généré, les transformations de données, les modifications de configuration et les actions externes avant de s’y fier.

Qu’est-ce que l’automatisation des workflows par l’IA ?

Il s’agit d’un workflow dans lequel un modèle interprète le contexte et choisit parmi plusieurs outils, au lieu d’enchaîner uniquement une suite fixe de déclencheurs. Gemini Managed Agents ajoute un espace de travail hébergé et une exécution en arrière-plan, mais votre application continue de définir les permissions, les déclencheurs, la validation et les approbations.

Comment automatiser ses workflows avec l’IA ?

Commencez par une mission délimitée, dotée d’une entrée claire, d’un résultat vérifiable et de quelques connexions à des outils au maximum. Exécutez l’analyse en arrière-plan, limitez strictement les accès en lecture et placez toute action irréversible derrière une fonction personnalisée ou une approbation humaine.

Quel est un bon exemple de workflow automatisé par l’IA ?

Un gardien de pull request est un bon exemple : à la réception d’une nouvelle pull request, il ouvre le dépôt dans une sandbox, installe les dépendances, exécute les tests, analyse les échecs, prépare une revue, puis attend une approbation avant de la publier ou de modifier le code.

Comment fonctionne une revue de code IA ?

Le système de revue lit une modification de code dans le contexte du dépôt, recherche les défauts ou les infractions aux règles, puis propose ses conclusions. Un agent géré peut aller plus loin en exécutant le projet et en joignant des logs ou des résultats de tests, mais un humain doit toujours vérifier que l’alerte correspond à l’intention réelle du produit.

Le code généré par l’IA est-il sûr ?

Pas par défaut. Une sandbox limite l’endroit où le code s’exécute, mais la sécurité dépend aussi du code lui-même, des permissions accordées aux outils, des règles réseau, des identifiants, des tests et de la revue humaine. Considérez toute production de l’agent comme une contribution non fiable tant qu’elle n’a pas passé vos contrôles habituels.

Pour concevoir l’un de ces agents autour de vos systèmes, de vos permissions et de vos règles d’approbation, découvrez le développement d’agents IA.