Gemini 3.5 et Antigravity arrivent dans Google NotebookLM

Google fusionne Gemini et NotebookLM : les projets ne sont plus réservés à ChatGPT et Claude

Google s'apprête à intégrer les carnets NotebookLM directement dans l'interface de son chatbot Gemini, une fonctionnalité dévoilée à quelques semaines de la Google I/O 2026. Cette conférence annuelle, au cours de laquelle le géant californien devrait présenter un large éventail de nouveautés liées à ses intelligences artificielles, sert de toile de fond à plusieurs annonces anticipées destinées à préparer le terrain. L'intégration des projets NotebookLM dans Gemini constitue l'une des initiatives les plus attendues de ce cycle. Jusqu'ici, la gestion de projets structurés et de bases de connaissances personnelles était le domaine réservé de ChatGPT (avec ses "Projects") et de Claude (avec ses "Projects" d'Anthropic). Gemini en était dépourvu, ce qui le plaçait en retrait pour les utilisateurs souhaitant organiser leurs recherches ou travailler sur des documents sur la durée. En fusionnant NotebookLM dans son chatbot, Google comble ce manque et offre à Gemini une dimension de gestion documentaire persistante que ses concurrents proposaient déjà. NotebookLM, lancé en 2023 et popularisé notamment par sa fonction de génération de podcasts audio synthétiques, avait jusqu'alors une existence séparée au sein de l'écosystème Google. Ce rapprochement entre les deux produits s'inscrit dans une stratégie plus large de consolidation des outils IA de Google autour de Gemini, qui doit devenir le point d'entrée unifié de l'IA grand public de l'entreprise. La Google I/O 2026, dont la date exacte n'a pas encore été précisée, devrait fournir davantage de détails sur le périmètre exact de cette intégration et les autres fonctionnalités à venir.

Plongée dans Antigravity 2.0 : Le nouvel eldorado des agents IA autonomes

Google a dévoilé Antigravity 2.0 le 19 mai 2026 lors de sa conférence I/O, une application de bureau autonome entièrement reconstruite depuis zéro à partir de son IDE agentique lancé l'année précédente. Disponible sur macOS, Linux et Windows, cette nouvelle version ne nécessite aucun environnement de développement intégré traditionnel. Son architecture repose sur un agent principal capable de générer dynamiquement des sous-agents spécialisés, chacun chargé d'une tâche précise, ce qui permet un traitement parallèle sans surcharger le contexte principal. S'ajoutent à cela des tâches asynchrones, des hooks JSON pour intercepter et modifier le comportement des agents en temps réel, un système de planification cron pour des exécutions automatiques sans intervention humaine, une série de slash commands pour piloter finement chaque interaction, et une dictée vocale qui transcrit la parole en direct plutôt que d'envoyer un fichier audio brut au modèle. Cette refonte marque un tournant dans la manière dont Google positionne ses outils agentiques. En découplant l'interface agentique de l'IDE classique, la plateforme s'adresse désormais bien au-delà du développement logiciel : tout professionnel qui pilote des workflows complexes ou répétitifs est une cible potentielle. La logique basée sur les projets, remplaçant le lien rigide entre agent et dépôt, permet de regrouper plusieurs dossiers avec leurs propres règles et permissions, ce qui facilite l'adoption dans des environnements non techniques. La combinaison de l'autonomie planifiée et du traitement parallèle réduit considérablement la supervision humaine nécessaire, ce qui change concrètement l'économie du travail automatisé. Antigravity avait été lancé comme une preuve de concept : démontrer qu'une interface centrée sur les agents était viable à grande échelle. Un an après, face à une concurrence féroce dans l'espace des assistants de développement, notamment Cursor, GitHub Copilot et Windsurf, Google accélère en proposant une plateforme d'orchestration multi-agents à vocation généraliste. L'enjeu dépasse le codage : il s'agit d'imposer une infrastructure capable de gérer des équipes d'agents autonomes comme une nouvelle couche de productivité. Les utilisateurs existants de l'IDE recevront une mise à jour automatique, mais pourront conserver l'ancienne version, ce qui laisse à Google le temps de migrer son écosystème sans rupture brutale.

💬 Enfin du concret côté orchestration multi-agents. Google découple l'interface agentique de l'IDE, vise les workflows non-techniques, et ajoute des hooks JSON pour intercepter le comportement des agents en temps réel, ce qui allège sérieusement la supervision manuelle. Sur le papier c'est exactement ce qu'on attendait depuis deux ans, reste à voir si ça tient en prod.

Comment analyser le sentiment client avec Google Gemini

Les équipes de service client croulent sous les données non structurées : tickets d'assistance, commentaires d'enquêtes, avis d'applications. Jusqu'ici, analyser ces milliers de retours exigeait un travail manuel fastidieux de catégorisation dans des tableurs, un processus lent, subjectif et sujet à ce que les professionnels appellent le "sentiment drift", la tendance des analystes humains à modifier inconsciemment leurs critères d'évaluation après avoir examiné des centaines de données. Google Gemini propose désormais une approche radicalement différente : en chargeant un simple tableur dans le modèle d'IA générative et en lui soumettant une requête ciblée, les équipes peuvent extraire en quelques minutes des tendances et des résumés de patterns qui auraient nécessité plusieurs heures de travail manuel, voire auraient pu passer inaperçus. Le processus se déroule en quatre étapes concrètes. D'abord, préparer les données : renommer les colonnes de façon explicite ("Feedback Text" plutôt que "Col_1"), supprimer les doublons, retirer les données de test internes et anonymiser les informations personnelles avant tout import. Google Sheets facilite cette étape grâce à Smart Fill, qui détecte automatiquement les patterns de saisie. Ensuite, formuler un prompt précis qui contextualise le rôle de l'utilisateur et la nature des données, par exemple demander à Gemini d'identifier les cinq à sept thèmes récurrents sur une année, avec des exemples représentatifs et les tensions éventuelles entre attentes contradictoires des utilisateurs. Dans un troisième temps, Gemini peut aller plus loin en distinguant symptômes de surface et causes profondes : si des dizaines de clients signalent une "fonctionnalité manquante", le modèle peut détecter que le problème réel est sa mauvaise visibilité dans l'interface, ou relier des plaintes sur des "frais inattendus" à une communication tarifaire confuse plutôt qu'à un changement de prix réel. Cette approche s'inscrit dans une tendance plus large d'intégration de l'IA générative dans les outils d'analyse métier, où Google positionne Gemini comme un levier d'efficacité opérationnelle pour les équipes non techniques. L'enjeu dépasse la simple automatisation : il s'agit de rendre l'analyse qualitative scalable, c'est-à-dire applicable à des volumes de données impossibles à traiter humainement. Les entreprises qui adoptent ces workflows peuvent espérer réduire considérablement le temps entre la collecte du feedback client et la prise de décision produit. La limite reste toutefois celle de tout outil d'IA générative : la qualité des insights dépend directement de la qualité des données en entrée et de la précision des requêtes formulées, Gemini amplifie la rigueur analytique des équipes, mais ne la remplace pas.

Comment analyser le sentiment client avec Google Gemini

Les équipes de support client croulent sous des volumes considérables de retours non structurés : tickets d'assistance, commentaires d'enquêtes, avis d'applications. Jusqu'à présent, exploiter cette masse de données impliquait un travail manuel fastidieux sur des tableurs, au risque de ce que les spécialistes appellent le "sentiment drift", une dérive progressive des critères d'évaluation humains après l'examen de centaines de réponses. Google propose désormais d'utiliser Gemini, son modèle d'IA générative, pour automatiser cette analyse. En chargeant simplement un fichier tableur et en formulant une instruction précise, les équipes peuvent extraire en quelques secondes des tendances et des résumés qui auraient exigé des heures de revue manuelle, voire qui seraient passés inaperçus. La méthode recommandée s'articule en quatre étapes. La première consiste à préparer les données : renommer les colonnes de façon explicite ("Feedback Text" plutôt que "Col_1"), supprimer les doublons, retirer les données de test internes et, impérativement, anonymiser toute information personnelle avant l'envoi. La fonctionnalité Smart Fill de Google Sheets peut accélérer cette mise en forme. Vient ensuite la rédaction d'un prompt contextualisé, par exemple : "Je suis spécialiste du support client. En utilisant ce tableur, identifiez les tendances dans nos retours d'enquête sur l'année écoulée." Gemini peut alors être invité à repérer les cinq à sept thèmes récurrents, fournir des exemples représentatifs, ou encore détecter des contradictions dans les attentes des utilisateurs. La troisième étape consiste à pousser l'analyse plus loin : distinguer les symptômes de surface des causes profondes. Le modèle peut, par exemple, reconnaître que des dizaines de plaintes sur une "fonctionnalité manquante" reflètent en réalité un problème de navigation dans l'interface, ou relier des réclamations sur des "frais inattendus" à un libellé de facturation ambigu plutôt qu'à une vraie modification tarifaire. Ce type d'usage illustre un tournant dans la relation entre les outils d'IA générative et les métiers opérationnels non techniques. Là où l'analyse de sentiment nécessitait autrefois des compétences en data science ou des plateformes spécialisées, des modèles comme Gemini abaissent radicalement la barrière d'entrée. Pour les entreprises qui traitent des milliers d'avis clients par mois, le gain de temps est substantiel, et la qualité d'analyse potentiellement supérieure à celle d'une équipe humaine soumise à la fatigue de la lecture répétitive. La question qui subsiste est celle de la validation humaine des recommandations générées : Gemini peut identifier des patterns, mais c'est aux équipes de juger si les actions proposées correspondent aux réalités terrain.