Vertex AI

Vertex AI est la plateforme d'IA générative et de machine learning d'entreprise de Google Cloud, conçue et maintenue par Google LLC. Lancée initialement en 2021 pour consolider les services cloud d'IA fragmentés de l'entreprise, elle offre aux équipes de data science et MLOps un espace unique pour entraîner des modèles personnalisés, accéder à des modèles de fondation via API, créer des applications basées sur la génération augmentée par la recherche (RAG) et déployer des agents d'IA à grande échelle. En avril 2026, Google a rebaptisé le produit Gemini Enterprise Agent Platform lors du Google Cloud Next, mais la documentation, les outils et les pages de tarification utilisent encore largement le nom Vertex AI. La plateforme est en concurrence directe avec AWS Bedrock et Azure AI Foundry pour les charges de travail d'IA générative en entreprise.

Le Model Garden de la plateforme donne aux équipes accès à plus de 200 modèles de fondation via une interface unifiée : les séries complètes Gemini 3 et Gemini 2.5 (les modèles propriétaires de Google), Claude 3.5 et Claude 3.7 Sonnet via le partenariat avec Anthropic, la série Llama de Meta, Gemma, ainsi que des dizaines de modèles tiers et open source. Au-delà de l'accès aux modèles, Vertex inclut Vertex AI Studio pour le prototypage de prompts, Agent Builder pour la construction et le déploiement d'agents d'IA multi-étapes avec des options no-code et API, AutoML pour l'entraînement de classificateurs de vision et de texte sans code personnalisé, Vertex AI Search pour la création d'applications RAG d'entreprise, Vector Search pour la recherche de similarité parmi des milliards d'éléments, et des outils Pipeline pour orchestrer des workflows ML complets. Tous les coûts de calcul, d'utilisation des modèles et de stockage sont consolidés sous un seul compte de facturation GCP, ce qui facilite la tâche des équipes d'achats en entreprise, mais crée un risque réel de dérapage des coûts si des ressources inactives continuent de tourner.

Ce que fait réellement Vertex AI en avril 2026

Suite au Google Cloud Next 2026, Vertex AI se positionne désormais comme un système d'exploitation d'agents full-stack plutôt que comme une simple couche d'accès aux modèles. Agent Studio offre aux équipes un environnement visuel low-code pour créer des workflows agentiques multi-étapes. Agent Engine gère l'exécution, l'état des sessions et la gestion de la mémoire pour les agents déployés, facturés séparément des tokens de modèle. Agent Gateway assure la gestion du trafic, le routage et l'observabilité des agents déployés. Ces éléments fonctionnent ensemble, mais nécessitent des configurations distinctes et comportent des compteurs de facturation différents.

Le Model Garden est le point d'entrée le plus immédiatement utile pour la plupart des équipes. Accéder à Gemini 2.5 Pro ou Claude 3.7 Sonnet via Vertex plutôt que par des appels API directs ajoute des avantages en matière de gouvernance d'entreprise : les données ne quittent jamais le VPC du client, l'utilisation n'est pas réinjectée dans l'entraînement, et toutes les requêtes passent par l'IAM et les VPC Service Controls de GCP. Cela est crucial pour les cas d'usage nécessitant une conformité HIPAA, SOC 2 et aux réglementations financières. Pour les équipes n'ayant pas ces exigences, l'API Gemini directe via Google AI Studio est plus simple et coûte le même prix par token.

La tarification repose sur plusieurs compteurs indépendants en simultané. L'utilisation des modèles est facturée au token : Gemini 2.5 Flash Lite coûte $0.10 par million de tokens en entrée et $0.40 par million de tokens en sortie ; Gemini 2.5 Pro revient à $1.25 par million de tokens en entrée et $10.00 par million de tokens en sortie. L'infrastructure d'Agent Engine est facturée $0.0864 par heure-vCPU et $0.0090 par heure-Go, avec un stockage de la mémoire de session à $0.25 pour 1 000 événements. Les tâches d'entraînement personnalisées facturent le calcul GPU/CPU séparément. Google Search Grounding, qui ancre les réponses dans les résultats web en direct, ajoute $35 pour 1 000 prompts ancrés au-delà du quota quotidien gratuit. Un déploiement en production avec un entraînement personnalisé, un endpoint Agent Engine toujours actif, un ancrage régulier et un volume de tokens élevé peut atteindre des milliers de dollars par mois sans une gestion rigoureuse des coûts.

"Je suis un utilisateur relativement récent de Google Cloud et j'ai récemment reçu une facture inattendue d'environ £925 pour mars 2026. La majeure partie du coût (~£440) provenait de Vertex AI. Je n'avais pas réalisé que certains services Vertex AI (par ex. les endpoints, les tâches ou les processus en arrière-plan) pouvaient continuer à générer des frais sans utilisation active." -- Rav_Khangurra, Google AI Developers Forum, 2 avril 2026

Où se situe Vertex AI par rapport à AWS Bedrock et Azure OpenAI

Les trois plateformes proposent des catalogues de modèles sélectionnés, des outils d'orchestration d'agents et des contrôles de sécurité d'entreprise. Les différences sont d'ordre architectural et liées à l'écosystème, et non superficielles.

AWS Bedrock utilise un modèle d'API boto3 unifié unique pour accéder à plus de 100 modèles d'Anthropic, Meta, AI21, Cohere, Stability AI et Amazon Titan. Un seul appel API couvre tous les fournisseurs de modèles ; vous changez de modèle en modifiant un paramètre, pas une intégration. Le service Guardrails de Bedrock agit comme une couche de sécurité distincte et configurable indépendamment. Bedrock ne facture pas séparément l'infrastructure Agent pour une utilisation standard ; le calcul est inclus dans le prix de l'inférence. Vertex facture l'exécution d'Agent Engine séparément, ce qui ajoute de la complexité à la facturation mais offre également un contrôle plus granulaire. Pour les équipes dont les données, l'identité et la facturation se trouvent déjà sur AWS (S3, Lambda, CloudWatch, IAM), Bedrock nécessite moins d'efforts de migration. Bedrock ne propose pas la famille Gemini de Google ; les équipes ayant besoin des modèles Gemini doivent utiliser Vertex.

Azure AI Foundry (Azure OpenAI) donne aux entreprises un accès prioritaire aux modèles phares d'OpenAI, y compris GPT-5 et les futures versions, avant que ces modèles n'apparaissent sur tout autre cloud géré. Il s'agit d'un différenciateur structurel que Vertex ne peut égaler : Vertex propose Claude et Gemini, mais aucun modèle OpenAI. Azure AI Foundry catalogue plus de 1 700 modèles, dont la gamme complète d'OpenAI, Meta Llama, Mistral et d'autres. Le Microsoft Agent Framework, passé en disponibilité générale (GA) en décembre 2025, utilise des SDK open source avec prise en charge des serveurs MCP. Azure s'intègre le plus naturellement avec Microsoft 365, Azure Active Directory et les organisations disposant de licences d'entreprise Microsoft. Vertex s'intègre le plus naturellement avec BigQuery, Google Workspace et GKE. Les Provisioned Throughput Units avec réservations sur Azure peuvent réduire les coûts jusqu'à 70 % pour les charges de travail régulières, de manière similaire à la remise de 50 % de l'API Batch de Vertex, mais avec des mécanismes de réservation différents.

Le tableau concurrentiel honnête : les trois plateformes résolvent le même problème de déploiement d'IA en entreprise, mais la bonne réponse est presque entièrement déterminée par l'endroit où se trouvent déjà vos données et votre puissance de calcul. Vertex l'emporte lorsque vous êtes déjà sur GCP et BigQuery. Bedrock l'emporte lorsque vous êtes déjà sur AWS. Azure l'emporte lorsque vous êtes déjà sur l'infrastructure Microsoft ou que vous avez spécifiquement besoin des modèles OpenAI.

À quoi ressemble la réalité des agents et des workflows

Construire avec Vertex Agent Builder en avril 2026 nécessite de naviguer entre plusieurs produits qui se chevauchent. Agent Studio fournit un environnement visuel en glisser-déposer pour connecter des outils, des sources d'ancrage et des transferts multi-agents. L'Agent Development Kit (ADK) sous-jacent est la couche programmatique pour les développeurs qui ont besoin de plus de contrôle. Ces deux voies sont documentées séparément, et la documentation elle-même est fragmentée entre la documentation Google Cloud, la documentation Generative AI on Vertex AI et les notes de version de Vertex AI Agent Builder, qui sont des pages distinctes.

L'authentification est un point de friction récurrent. L'utilisation de Vertex nécessite de configurer un projet GCP, d'activer l'API Vertex AI, de configurer des comptes de service et des rôles IAM, et dans certains cas de naviguer dans les restrictions régionales pour des modèles spécifiques. De nombreux développeurs signalent des erreurs "permission denied" après avoir terminé ce qui semble être une configuration réussie. Google a lancé un "Vertex express mode" mi-2025 pour simplifier la génération de clés API pour les développeurs venant de l'API Gemini, reconnaissant ainsi directement le problème d'authentification.

"Il faut travailler dur pour comprendre la différence entre Vertex AI, AI Studio, Gemini, Firebase Gen AI." -- ashu1461, Hacker News, mi-2025

L'intégration avec BigQuery est le différenciateur de workflow le plus fort de la plateforme. Les équipes réalisant du ML axé sur l'analytique peuvent déplacer des données de BigQuery directement vers des tâches d'entraînement AutoML, Feature Store ou des index Vertex Search sans exportations de données intermédiaires. Ce pipeline est véritablement plus rapide et moins cher pour les organisations natives de BigQuery que les workflows équivalents sur Bedrock ou Azure. L'accès aux TPU pour l'entraînement à haut débit est également un avantage matériel significatif : le silicium personnalisé de Google n'est pas disponible sur les clouds concurrents.

Un problème de sécurité divulgué en mars 2026 ajoute une nouvelle exigence opérationnelle pour les déploiements d'agents. L'Unit 42 de Palo Alto Networks a découvert que Vertex AI Agent Engine attribuait des autorisations par défaut excessives aux agents déployés via le Per-Project, Per-Product Service Agent (P4SA). Les chercheurs ont démontré qu'un agent compromis pouvait accéder à tous les buckets GCS du projet et télécharger des images de conteneurs privées depuis l'Artifact Registry interne de Google. La remédiation de Google nécessite de configurer explicitement le Bring Your Own Service Account (BYOSA) pour appliquer le principe du moindre privilège IAM, une étape de configuration supplémentaire que les équipes de sécurité d'entreprise doivent désormais intégrer à leur processus de déploiement.

À qui s'adresse Vertex AI

Les équipes de data science d'entreprise sur GCP : Le cas d'usage principal et le plus solide. Si vos données se trouvent dans BigQuery, que vos calculs s'exécutent sur GKE et que vous possédez déjà un compte de facturation GCP, Vertex fournit un environnement MLOps unifié qui réduit considérablement la charge d'infrastructure. Feature Store, Pipelines et Model Monitoring s'intègrent directement aux outils natifs de Google.

Les ingénieurs MLOps ayant besoin d'un Kubeflow géré : Vertex Pipelines est un environnement Kubeflow géré. Les équipes qui ont besoin d'une orchestration de pipelines sans exécuter leur propre cluster Kubeflow sur GKE bénéficient de la gestion simplifiée de Vertex. La limite concerne les métadonnées : Vertex Pipelines est plafonné à 10 millions d'artefacts par projet.

Les entreprises sensibles à la conformité : Les charges de travail HIPAA, SOC 2 et FedRAMP qui nécessitent que les données restent dans les limites d'un VPC et ne peuvent pas permettre que les données d'utilisation atteignent les fournisseurs de modèles obtiennent cette garantie de Vertex. La disponibilité générale (GA) de Claude sur Vertex en juin 2024 (avec les conditions complètes de conformité d'entreprise d'Anthropic) a été spécifiquement conçue pour ce profil d'acheteur.

Les équipes créant des applications d'IA générative multi-fournisseurs : Model Garden permet à une seule équipe d'expérimenter avec Gemini, Claude, Llama et des modèles affinés personnalisés sous un cadre de gouvernance unique, sans avoir à négocier des accords d'entreprise distincts avec chaque fournisseur de modèles.

Ce que Vertex AI n'est pas

Vertex n'est pas un bon point de départ pour les développeurs solos ou les petites équipes sans infrastructure GCP. Le Google AI Studio sur aistudio.google.com donne accès aux modèles Gemini avec une simple clé API et sans configuration IAM. Pour les développeurs qui souhaitent simplement appeler Gemini, Vertex ajoute de la complexité sans aucun avantage, à moins que les contrôles de conformité ne soient nécessaires.

Ce n'est pas une voie d'accès aux modèles OpenAI. GPT-4 Turbo et GPT-5 sont exclusivement disponibles sur Azure AI Foundry pour les clients de cloud géré. Vertex propose Claude et Gemini, qui sont de solides alternatives, mais ils ne sont pas compatibles API avec OpenAI. Les équipes migrant des charges de travail qui supposent des signatures d'API OpenAI devront retravailler les intégrations, quel que soit le choix du cloud.

Il ne convient pas aux équipes ayant besoin d'une tarification forfaitaire prévisible. Le modèle de facturation multidimensionnel (tokens, calcul, stockage, QPM, ancrage, événements de session) rend la prévision des coûts difficile sans outils FinOps dédiés. Les équipes qui ont déjà été échaudées par des surprises de facturation cloud devraient configurer des alertes de budget agressives avant de déployer des endpoints toujours actifs ou des charges de travail Agent Engine.