# Google Antigravity /teamwork : des équipes d'agents Gemini 4 qui prouvent des théorèmes et réécrivent du code
À retenir
- Le 13 novembre 2026, Google Research a présenté les résultats d'Antigravity /teamwork, le mode multi-agents de son environnement de développement Antigravity.
- L'annonce dépasse le cadre d'un nouvel outil de génération de code.
- Dans /teamwork, chaque agent traite une partie du problème, des vérificateurs indépendants contrôlent le travail produit, et des humains définissent les objectifs et arbitrent en cas de blocage.
Le 13 novembre 2026, Google Research a présenté les résultats d'Antigravity /teamwork, le mode multi-agents de son environnement de développement Antigravity. Plusieurs agents fondés sur les modèles Gemini 4 — Argon, Carbon et Hydrogen — y collaborent sur un même problème difficile, sous la supervision d'humains et avec des vérificateurs indépendants.
L'annonce dépasse le cadre d'un nouvel outil de génération de code. Elle décrit une méthode : répartir le problème entre des agents spécialisés, faire vérifier chaque étape et ne valider le résultat que lorsque les contrôles automatiques le confirment. Les résultats publiés sont impressionnants, mais ils demandent une lecture précise, car certains chiffres ne signifient pas ce qu'une lecture rapide laisserait croire.
Ce que Google a annoncé
Dans /teamwork, chaque agent traite une partie du problème, des vérificateurs indépendants contrôlent le travail produit, et des humains définissent les objectifs et arbitrent en cas de blocage.
Le principe — décomposer, paralléliser, puis vérifier — n'est pas nouveau. Ce qui change, selon Google, c'est l'échelle et la nature des tâches : mathématiques formelles, réécriture de composants système et entraînement d'un moteur de jeu. Dans chaque cas, le résultat est vérifié par un mécanisme externe — noyau de preuve, compilation, tests ou évaluation — plutôt que par la seule affirmation du modèle.
Google présente aussi /boost, un mode complémentaire. Les deux modes sont disponibles dès maintenant dans Antigravity pour les utilisateurs payants (plans Google AI Pro et Ultra) ; 10 000 chercheurs universitaires peuvent candidater à six mois d'accès de niveau supérieur, sur approbation.
La conjecture de Courtade–Kumar, vérifiée par machine
Le résultat le plus commenté concerne la conjecture de Courtade–Kumar, un énoncé de théorie de l'information posé en 2013. Google annonce une preuve complète et vérifiée par machine, formalisée en Lean 4 et représentant environ 50 millions de lignes.
Ce chiffre doit être précisé : un audit indépendant a montré qu'environ 99,5 % de ces lignes sont des données de certificats générées par machine (bornes numériques vérifiées par le noyau Lean). La preuve lisible par un humain représente environ 239 000 lignes, ancrée sur une déclaration formelle de 63 lignes.
La preuve mathématique elle-même avait été publiée en prépublication arXiv le 21 septembre 2026 (arXiv:2609.24931) par une équipe réunissant Google, CUHK, USC et CMU, et d'autres preuves indépendantes existent. L'apport de /teamwork n'est donc pas la découverte du théorème, mais sa formalisation complète sous une forme vérifiable par machine. Les mathématiques concernées ne sont pas encore évaluées par les pairs : il s'agit de formaliser des raisonnements existants, pas de découvrir des théorèmes nouveaux de zéro. Pour les entreprises, l'enseignement est méthodologique : chaque étape peut être contrôlée automatiquement, sans dépendre de la seule relecture humaine.
Les conjectures de Weil : une revendication à confirmer
Google cite un second résultat : /teamwork-LEAP aurait produit une formalisation vérifiée par machine des conjectures de Weil, environ 1,8 million de lignes de Lean, via 28 800 invocations de sous-agents.
Ici, la prudence s'impose. Google n'a publié ni dépôt public, ni article, ni fichier de déclaration pour cette formalisation ; la revendication ne peut donc pas être vérifiée indépendamment pour l'instant. Axiom avait publié sa propre formalisation le 6 novembre, ce qui montre que le sujet mobilise plusieurs équipes, mais ne valide pas le travail attribué à /teamwork-LEAP.
Un résultat annoncé n'a pas la même valeur qu'un résultat reproductible. Tant que le code ou un article détaillé ne sont pas disponibles, il est raisonnable de considérer cette formalisation comme une annonce à confirmer — une distinction essentielle pour toute entreprise qui envisage d'utiliser des agents sur des tâches critiques.
Hilbert et la réécriture de code système
Google cite également une formalisation de plus de 919 000 lignes de Lean pour le dixième problème de Hilbert — un autre exemple de travail très volumineux découpé en sous-tâches vérifiées une à une.
Les exemples logiciels sont tout aussi significatifs. Le premier concerne le portage, en deux semaines, des composants C++ restants du micro-noyau Zircon de Fuchsia vers environ 800 000 lignes de Rust sûr. Le second est la réécriture du décodeur vidéo AV1 libgav1, de C++ vers environ 170 000 lignes de Rust, avec un gain de performance annoncé de 20 à 30 %.
Ces cas illustrent un usage précis des agents : migrer un code existant, critique et déjà testé, vers un langage plus sûr, tout en conservant — voire en améliorant — ses performances. Une telle migration exige des tests de non-régression, des mesures de performance et une revue humaine. Google mentionne enfin un moteur de Go 9x9 entraîné de zéro : il ne s'agit plus de transformer un code existant, mais de construire un système capable d'apprendre dans un environnement aux règles définies.
Ce que cela change pour les équipes
La première conséquence est organisationnelle : travailler avec une équipe d'agents suppose de définir des rôles, des responsabilités et des points de contrôle, comme pour une équipe humaine. La deuxième concerne la vérification. Les résultats de Google reposent sur des contrôles externes : noyau Lean pour les mathématiques, compilation et tests pour le code, mesures de performance pour le décodeur vidéo. Sans ces mécanismes, impossible de distinguer un résultat correct d'une production plausible mais fausse — les entreprises doivent donc investir autant dans la vérification que dans la génération. La troisième est économique : si des migrations qui prenaient des mois peuvent être réalisées en semaines, le coût de la modernisation diminue. Mais ce gain ne se matérialise que si l'organisation peut absorber le travail produit — relire, tester, déployer et maintenir. Un code généré rapidement mais mal compris par l'équipe devient une dette technique, et non un actif.
Conseils pratiques : tester les équipes d'agents sans risque inutile
### Commencer par un périmètre vérifiable
Choisissez une tâche contrôlable objectivement : une migration couverte par des tests ou une documentation à mettre à jour à partir d'une source de référence. Définissez avant le lancement les critères d'acceptation et les personnes chargées de la validation finale.
### Séparer production et vérification
Ne confiez pas la vérification au même agent que la production. Prévoyez un vérificateur indépendant et exigez que chaque livraison soit accompagnée de ses preuves : tests réussis ou mesures de performance. Si une livraison ne peut pas être vérifiée, elle ne doit pas être acceptée.
### Documenter et former à la supervision
Conservez l'historique des instructions, des décisions et des corrections : cette traçabilité aide à comprendre une erreur et à reproduire un bon résultat. Superviser des agents est une compétence à part entière — découper un problème, formuler des consignes précises, interpréter un résultat intermédiaire — qui demande formation et retours d'expérience réguliers.
### Mesurer avant de généraliser
Avant d'étendre l'usage des agents à toute l'organisation, mesurez sur un projet pilote le temps gagné, le taux d'erreur et le coût de relecture, puis comparez avec la méthode précédente sur des tâches comparables. Une généralisation fondée sur des mesures est plus solide qu'une décision fondée sur une démonstration.
Une étape importante, à évaluer avec méthode
Antigravity /teamwork montre que des équipes d'agents peuvent contribuer à des travaux d'une ampleur autrefois réservée à de grandes équipes humaines, de la formalisation mathématique à la migration de code système. Les résultats publiés par Google le 13 novembre 2026 sont concrets, vérifiables pour certains, encore à confirmer pour d'autres. Pour les entreprises, l'enjeu n'est pas d'adopter ces outils le plus vite possible, mais de les intégrer avec méthode : choisir des tâches vérifiables, séparer production et contrôle, documenter le travail et mesurer les résultats.
E.C.O. Tech accompagne les entreprises et les professionnels qui veulent utiliser l'intelligence artificielle de façon concrète et maîtrisée : audit de vos outils et processus, mise en place d'assistants et d'agents adaptés à vos besoins, formation de vos équipes à leur supervision et suivi des résultats. Pour tester une équipe d'agents sur un projet pilote, avec des critères de réussite clairs et une validation humaine à chaque étape, contactez E.C.O. Tech pour un diagnostic gratuit.
*Sources : Google Research, 13 novembre 2026, sur Antigravity /teamwork et /boost ; prépublication arXiv:2609.24931, 21 septembre 2026, sur la conjecture de Courtade–Kumar ; audits indépendants sur la composition des 50 millions de lignes de Lean.*
Diagnostic gratuit
Vous voulez appliquer cette idée dans votre structure ?
E.C.O.Tech peut analyser votre cas, identifier l’offre la plus adaptée et proposer une feuille de route simple : visibilité, CRM, automatisation, gestion métier ou cybersécurité.
Votre avis compte
Cet article vous a été utile ? Partagez votre expérience sur notre fiche Google officielle.