Les embeddings ne font pas les gros titres, mais ils font tourner la quasi-totalité des pipelines RAG en production. Quand Google DeepMind franchit le cap de la disponibilité générale pour gemini-embedding-2, l'annonce mérite qu'on s'y arrête — surtout pour ce qu'elle embarque côté multimodal.
Une brique fondamentale qui gagne en maturité
Disponible depuis aujourd'hui via l'API Gemini, gemini-embedding-2 sort de sa phase expérimentale pour entrer en disponibilité générale. Concrètement, cela signifie des garanties de stabilité, un SLA et la possibilité pour les équipes d'ingénierie de l'intégrer dans des systèmes critiques sans craindre une dépréciation surprise.
Pour rappel, un modèle d'embedding transforme du contenu — texte, image, document — en vecteurs numériques. Ces vecteurs permettent ensuite de mesurer la similarité sémantique entre des éléments : c'est la base de toute recherche par pertinence, de tout système de recommandation, et bien sûr des architectures RAG (Retrieval-Augmented Generation) qui alimentent aujourd'hui la plupart des assistants IA d'entreprise.
L'image entre dans la boucle, nativement
La vraie nouveauté de cette version GA, c'est le support natif de l'embedding et de la recherche d'images via la fonctionnalité File Search. Jusqu'ici, intégrer des visuels dans un pipeline RAG impliquait souvent des bricolages : extraire les images, les passer dans un modèle de description, puis indexer le texte généré. Avec gemini-embedding-2, l'image est directement encodée comme vecteur, au même titre qu'un passage textuel.
Ce n'est pas un détail d'implémentation. Dans des contextes comme l'analyse de documents techniques, les bases de connaissance produits avec photos, ou les archives médias, la perte d'information liée à la transcription textuelle des images est un vrai problème. Un schéma, un graphique ou une photo de composant contient de l'information que la description automatique ne restitue qu'imparfaitement.
Des métadonnées pensées pour la traçabilité
Autre évolution à noter : les métadonnées de grounding incluent désormais un champ media_id pour les citations visuelles, ainsi que les numéros de page (page_numbers). Pour les applications qui doivent justifier leurs réponses — audit, conformité, support client — c'est une avancée concrète. L'IA peut désormais pointer vers l'image précise d'un document qui a fondé sa réponse, et non plus se contenter d'une référence textuelle vague.
Cette granularité dans la traçabilité répond à une demande croissante des équipes juridiques et de conformité, qui veulent pouvoir vérifier d'où vient chaque information produite par un système automatisé.
Ce que ça change pour les développeurs
Pour les équipes qui construisent des applications RAG sur l'écosystème Google, le passage en GA de gemini-embedding-2 consolide une pile cohérente : embedding multimodal, recherche de fichiers, et citations traçables dans une même API. L'intégration avec les autres composants de la plateforme Gemini — notamment pour la gestion des fichiers uploadés — simplifie des workflows qui nécessitaient auparavant plusieurs services distincts.
Google n'a pas communiqué de benchmark comparatif public à l'occasion de cette mise en GA, et l'entreprise n'a pas précisé les dimensions vectorielles ou les limites de contexte du modèle dans ses notes de version. Les développeurs devront tester les performances sur leurs propres jeux de données pour évaluer le gain réel par rapport à text-embedding-004 ou aux solutions concurrentes comme les embeddings d'OpenAI ou Cohere.
Ce que cette disponibilité générale confirme surtout, c'est que la bataille des embeddings multimodaux s'accélère. Après des années où le texte dominait sans partage les architectures RAG, l'image s'installe comme un citoyen de première classe dans les pipelines de recherche sémantique. Les prochains mois diront si l'audio et la vidéo suivent le même chemin.
