Gemini 3 transforme un billet en jeu avec Antigravity

Ethan Mollick teste Gemini 3, le nouveau modèle de Google lancé le 18 novembre 2025. Il le compare à l’IA disponible trois ans plus tôt, après ses premiers travaux sur GPT-3. À cette époque, ChatGPT impressionnait surtout par sa capacité à rédiger un paragraphe cohérent ou un poème. Mollick demande désormais à Gemini 3 de montrer cette progression par l’action. Le modèle reçoit une capture d’écran d’un ancien billet, puis construit un simulateur interactif. Le jeu met en scène un vaisseau propulsé par des bonbons, qui doit échapper à des loutres. Gemini 3 écrit le code, conçoit l’interface et permet de piloter le vaisseau.

Le modèle Google ne se limite donc pas à produire du texte. Mollick explique que Gemini 3 peut transformer une consigne en environnement fonctionnel. Cette évolution s’appuie sur Antigravity, l’outil lancé avec le modèle par Google. Le service ressemble à Claude Code et à Codex d’OpenAI, avec un accès autorisé à l’ordinateur. Antigravity organise les tâches dans une boîte de réception destinée aux agents. Mollick en utilisait quatre simultanément, dont un actif et un autre attendant son aide. Les échanges se font en anglais, tandis que les agents utilisent du code. Ils peuvent créer des tableaux de bord, modifier des sites, produire des présentations et lire des fichiers.

Antigravity coordonne quatre agents

Un projet concret montre cette capacité d’action. Mollick donne à Gemini 3 l’accès à un dossier contenant ses anciens billets. Il lui demande de créer un site rassemblant ses prédictions sur l’IA, puis de vérifier lesquelles étaient justes. Gemini 3 lit les fichiers, exécute du code et propose un plan à valider. Après quelques modifications, il effectue des recherches sur le Web et crée le site. Il prend ensuite le contrôle du navigateur pour vérifier son fonctionnement. Mollick relit les résultats et demande des améliorations. L’outil prépare enfin les fichiers pour leur déploiement. L’auteur précise toutefois que les agents ne réalisent pas encore chaque tâche correctement sans intervention.

La supervision humaine reste centrale dans cette expérience. Mollick n’a pas observé d’hallucinations, mais il a corrigé plusieurs décisions et interprétations. Ces erreurs concernaient surtout ses intentions et certains choix de jugement. L’agent demandait son accord, rendait son travail visible et sollicitait son aide lorsque nécessaire. Cette organisation lui a donné le sentiment de gérer un équipier plutôt que de dialoguer avec un chatbot. Dans une autre expérience, Gemini 3 a récupéré des données corrompues issues d’anciens fichiers STATA. Le modèle a ensuite formulé des hypothèses, réalisé des tests statistiques et produit un article de recherche de 14 pages.

Gemini 3 produit une étude de 14 pages

Le travail académique révèle aussi des limites précises. Gemini 3 a créé une mesure de l’originalité d’une idée de financement participatif. Il a comparé mathématiquement les descriptions de projets grâce à des outils de traitement du langage naturel. Le modèle a écrit le code, exécuté l’analyse et vérifié les résultats. Mollick estime que cette performance approche le niveau d’un étudiant compétent en deuxième année de doctorat. Certaines méthodes statistiques nécessitaient toutefois des améliorations. D’autres approches n’étaient pas optimales. Plusieurs développements théoriques allaient également trop loin au regard des données. Après des consignes plus ouvertes, Gemini 3 a fortement amélioré son travail. Lire l’analyse d’Ethan Mollick et suivre sa publication. Pour aller plus loin, consultez notre guide sur déployer un chatbot IA pour le service client.