Vertex AI
Vertex AI réunit sur une même plateforme Google Cloud la création, l’entraînement et le déploiement de modèles de machine learning et d’IA générative. Google Cloud la rebaptise Gemini Enterprise Agent Platform et garde la mention « anciennement Vertex AI » dans ses titres. Elle donne accès à Gemini, à des modèles open source et à des modèles partenaires, avec des outils de MLOps, de fine-tuning, d’évaluation et de déploiement.
La facturation se fait à l’usage, modèle par modèle et ressource par ressource ; les nouveaux clients reçoivent un crédit d’accueil, le mode Express ouvre un accès sans facturation aux nouveaux utilisateurs et un niveau sans frais couvre chaque mois une part de l’exécution d’agents. Les équipes d’entreprise, les développeurs, les data scientists et les ingénieurs ML y trouvent des usages comme la prévision, la maintenance prédictive, la reconnaissance d’images et la détection de fraude.
Lire plus Lire moins
Développeur
Agents & Automatisation
Analyse de données
Audio
Business
Chatbots
Finance
Image
Légal
Musique
Texte
Vidéo
Voix- Éditeur
- Google LLC
- Pays
- États-Unis
- Création
- 2021
- Offre gratuite
- Oui
- Essai gratuit
- Oui, 90 jours
- Sans carte bancaire
- Oui
Vertex AI en bref
C’est quoi ?
Vertex AI est la plateforme unifiée de Google Cloud pour construire, entraîner et déployer des modèles de machine learning et d’IA générative ; l’éditeur l’appelle désormais Gemini Enterprise Agent Platform. Tu pars de données, de modèles préconstruits ou personnalisés, puis tu passes par la préparation, l’évaluation et le déploiement dans le même environnement. Les modèles Gemini et d’autres modèles passent par Model Garden, avec des outils MLOps pour suivre le cycle complet.
Pourquoi ?
Tu y centralises des tâches qui se dispersent souvent entre plusieurs outils : entraînement, mise en production, suivi des modèles et expérimentation. Dans un flux unique, cela aide aussi pour la prévision de demande, la maintenance prédictive, la détection de fraude ou la reconnaissance d’images. Le même cadre sert à des équipes qui veulent industrialiser leurs modèles sans changer d’environnement à chaque étape.
Pour qui ?
Vertex AI vise les équipes entreprise, les développeurs, les data scientists et les ingénieurs ML. Un ingénieur ML qui doit entraîner et déployer des modèles à l’échelle y trouve un cadre cohérent pour travailler du prototype au service en production. La plateforme sert aussi quand plusieurs profils doivent partager les mêmes modèles et le même suivi de projet.
Avantages et inconvénients
Les plus
- Accès aux modèles Gemini et partenaires Sur le socle payant comme sur l’accès limité, tu passes par Model Garden pour utiliser Gemini et plusieurs modèles partenaires. Cette logique évite de multiplier les outils pour un même flux de travail. Le catalogue réunit aussi des modèles open-source.
- Chaîne MLOps complète Pipelines, Model Registry, Feature Store, Model Monitoring et Experiments couvrent le cycle machine learning de bout en bout. Tu peux préparer, entraîner, évaluer puis déployer sans sortir du même environnement. C’est utile quand plusieurs équipes interviennent sur un même modèle.
- Entraînement personnalisé pris en charge AutoML et l’entraînement custom fonctionnent avec TensorFlow, PyTorch et scikit-learn. Tu gardes donc une voie no-code ou low-code pour certains cas, tout en conservant des cadres de travail classiques pour les équipes techniques.
- Accès par API, SDK et interface web L’usage passe par la console web, l’API REST, les SDK et un plugin de travail dans l’éditeur. Tu peux donc piloter la plateforme depuis un navigateur ou l’intégrer dans un code existant sans changer de méthode pour chaque tâche.
- Usage élargi aux environnements d’équipe Le produit vise des équipes d’entreprise, des développeurs, des data scientists et des ML engineers. Cette couverture facilite le partage du même socle entre prototypage, industrialisation et exploitation.
Les moins
- Le gratuit reste borné par des quotas Sur le mode Express, les modèles Gemini ne s’ouvrent qu’avec un débit limité par minute et le niveau sans frais ne couvre qu’une part mensuelle d’Agent Engine. Le travail de test avance vite vers le paiement à l’usage.
- Les sorties assistées par calcul deviennent facturables Les fonctions de calcul dédié, comme Agent Compute et Agent Memory, passent au paiement à l’usage au-delà des volumes gratuits. Dès qu’un projet consomme du calcul en continu, le coût suit l’activité.
- L’entrée sans carte ne dure pas toujours Le mode Express fournit un accès initial sans information de facturation, mais seulement pour une période courte destinée aux nouveaux utilisateurs. Tu peux donc démarrer sans engagement, puis le cadre se referme.
- Le périmètre reste une plateforme cloud Le produit n’est ni open source ni auto-hébergé. Pour une équipe qui veut garder l’infrastructure hors du cloud de l’éditeur, la contrainte est nette.
Tableau des prix
Vertex AI ne vend aucun palier. Google Cloud facture à l’usage chaque modèle et chaque ressource consommés. Gemini, Imagen, Veo, Lyria et les modèles partenaires se paient au million de jetons, l’exécution d’agents sur Agent Engine au vCPU-heure ($0,085 au-delà du niveau sans frais) et au GiB-heure de mémoire ($0,009), les pipelines à l’exécution ($0,03) et l’entraînement personnalisé à la machine-heure. Trois façons d’entrer, nommées par l’éditeur, forment le tableau : le mode Express, réservé aux nouveaux utilisateurs Google Cloud sans information de facturation, le niveau sans frais, qui couvre chaque mois une part d’Agent Engine sans expiration, et le paiement à l’usage, dont le premier tarif « à partir de » vaut pour la génération de texte, de chat et de code. Un crédit d’accueil allant jusqu’à $300 s’ajoute pour les nouveaux clients qui essaient la plateforme. Gemini 3.8, 3.7 et 3.6 Flash portent un prix de lancement jusqu’au 31 décembre 2026, et des remises sur engagement d’un an ou de trois ans (Gemini Enterprise Flexible Savings Plan) s’appliquent à la grille. Page de tarification relevée le 22 septembre 2026.
| Palier | Prix au 22 septembre 2026 | Quota | Inclus |
|---|---|---|---|
| Mode Express | Gratuit | 90 jours ; 10 requêtes par minute sur Gemini 2.5 et 2.0 | Agent Studio ; clé API ; services d’IA générative de base ; Google Drive comme source de données |
| Niveau sans frais | Gratuit | Agent Engine : 50 heures de vCPU et 100 GiB-heures de mémoire par mois | Exécution d’agents sur Agent Engine ; limites sans expiration ; usage non déduit du crédit d’accueil |
| Paiement à l’usage | à partir de $0,0001 par tranche de mille caractères | Modèles Gemini, Imagen, Veo, Lyria et partenaires au million de jetons ; Agent Engine au vCPU-heure ; pipelines à l’exécution ; entraînement personnalisé ; remises d’engagement 1 an et 3 ans |
Tarifs officiels de Vertex AI, relevés le 22/09/2026
Ce que permet la formule gratuite
Vertex AI s’ouvre sans payer par deux portes. Le mode Express accueille les nouveaux utilisateurs Google Cloud munis d’un compte Gmail pendant 90 jours au plus, sans information de facturation : Agent Studio, une clé API, les services d’IA générative de base et Google Drive comme source de données, avec un débit plafonné à 10 requêtes par minute sur les modèles Gemini 2.5 et 2.0.
Côté niveau sans frais, Google Cloud n’impose aucune expiration : chaque mois, Agent Engine offre 50 heures de vCPU et 100 GiB-heures de mémoire avant toute facturation, sans entamer le crédit d’accueil. Ce socle permet donc de valider un prototype, pas de tenir une charge continue.
Le mode Express ne demande aucun paiement. Une fois la facturation activée, ou pour un compte Google Cloud existant, ce niveau sans frais disparaît et l’usage passe aux limites standard du paiement à l’usage.
Tu peux tester les modèles, Agent Studio et l’orchestration d’agents sans engagement. Un usage prolongé demande en revanche un compte facturé, avec les quotas ordinaires d’un compte facturé. Cette limite borne l’expérimentation, pas l’exploitation.
Ce que fait Vertex AI
Vertex AI part de données, de modèles préconstruits ou personnalisés, puis enchaîne préparation, évaluation et déploiement dans le même environnement. Tu passes aussi par Model Garden pour accéder à Gemini, à des modèles partenaires et à des modèles open source, tandis que les outils MLOps gardent le fil du cycle de vie.
Sur le socle gratuit, l’accès reste limité et sans carte pour le mode Express des nouveaux utilisateurs Google Cloud. Une fois la facturation activée, la même plateforme ouvre la production à l’usage facturé, aux modèles génératifs, au calcul provisionné et aux traitements par lot.
Le changement se joue donc moins sur le parcours que sur l’ampleur des moyens. Chaque porte élargit le volume, les quotas et les capacités disponibles. Vertex AI garde le même cœur.
Comment utiliser Vertex AI
Prise en main initiale
Tu passes par un compte Google Cloud, puis par la porte qui correspond à ton usage : le mode Express, le niveau sans frais ou le paiement à l’usage. Compte sur des quotas serrés au départ. Le mode Express évite la carte pour commencer.
Navigation dans l’interface
Dans la Google Cloud console, le point d’entrée reste le menu Vertex AI, puis Model Garden pour choisir des modèles Gemini ou partenaires. Tu retrouves aussi les outils MLOps autour des pipelines, du Model Registry et du suivi des expériences. Sur le terrain, l’interface rassemble la préparation, l’évaluation et le déploiement dans le même environnement. Aucun détour par un autre produit n’est nécessaire pour lancer un flux simple.
Utilisation et gestion de projets
Tu crées un projet, puis tu lances un modèle depuis Model Garden ou un flux personnalisé avec les outils d’entraînement et de déploiement. Ensuite, l’historique des travaux, les registres de modèles et les expériences t’aident à reprendre un essai ou à comparer deux versions. L’API REST et les SDK facilitent l’automatisation du suivi depuis ton propre code. Les intégrations avec BigQuery, Cloud Storage ou Kubeflow Pipelines servent quand le projet grossit.
Fonctionnalités principales
Vertex AI réunit, au même endroit, des modèles préentraînés, des modèles personnalisés et les outils pour les entraîner, les évaluer et les déployer. Le modèle économique est freemium, avec un accès gratuit limité et des usages facturés à l’usage sur les paliers payants. Les paliers changent surtout par les quotas, l’accès aux modèles et les ressources de calcul incluses.
Accès à Gemini, aux modèles open source et aux modèles partenaires
Model Garden donne accès à Gemini, à des modèles open source et à des modèles partenaires comme Claude, Grok et Llama. Tu passes par un catalogue unifié plutôt que par des accès séparés à chaque famille de modèle.
AutoML et entraînement personnalisé
L’outil prend en charge l’AutoML et l’entraînement sur mesure. TensorFlow, PyTorch et scikit-learn sont pris en charge. Tu l’utilises quand tu veux entraîner un modèle propre à ton jeu de données au lieu d’appeler un modèle prêt à l’emploi.
Conception de prompts, ajustement fin et évaluation
Vertex AI fournit des outils de prompt design, de fine-tuning et d’évaluation de modèles. Tu t’en sers pour cadrer les sorties, adapter un modèle à un usage précis et mesurer le résultat avant déploiement.
Pipelines, Model Registry, Feature Store, Model Monitoring et Experiments
Les outils MLOps couvrent les pipelines, le registre de modèles, la feature store, la surveillance des modèles et le suivi des expériences. Ils servent à structurer le cycle de vie complet, depuis les jeux de données jusqu’au contrôle en production.
Provisioned Throughput et inférence par lots
La plateforme gère le Provisioned Throughput et l’inférence par lots. Tu l’emploies quand tu veux réserver de la capacité ou traiter des volumes en une seule passe plutôt que requête par requête.
Usages et métiers
Vertex AI couvre des usages d’entraînement, de déploiement et d’exploitation de modèles à l’échelle. Les entrées ci-dessous suivent les publics et les tâches nommés dans les faits, sans doublon entre métier et domaine. Chaque item dit ce que la personne fait avec l’outil et ce que cela remplace dans son travail.
Équipes d’entreprise
Elles centralisent la préparation, l’entraînement et le déploiement de modèles de machine learning et d’IA générative dans une même plateforme. Vertex AI remplace ici plusieurs outils séparés pour conduire un cycle complet, depuis la donnée jusqu’au déploiement.
Développeurs
Ils accèdent à des modèles comme Gemini, Claude, Llama ou Mistral pour intégrer de l’IA dans une application ou un service. Vertex AI remplace alors une combinaison de fournisseurs isolés et de raccords manuels entre modèles, tests et mise en production.
Data scientists et analystes
Ils construisent, évaluent et comparent des modèles. Vertex AI remplace des environnements dispersés quand il faut garder les essais, les métriques et les versions au même endroit.
Ingénieurs ML
Ils orchestrent des pipelines, suivent les expériences, surveillent les modèles et gèrent le registre des modèles. Vertex AI remplace un empilement d’outils MLOps internes pour suivre le cycle de vie complet d’un modèle sans le recâbler à chaque étape.
Équipes de prévision de la demande et des stocks
Elles entraînent des modèles pour anticiper la demande et ajuster les stocks selon les signaux disponibles. Vertex AI remplace des feuilles de calcul ou des modèles isolés quand il faut industrialiser une prévision à grande échelle.
Équipes de maintenance prédictive
Elles détectent des défaillances avant la panne à partir de données d’usage ou de capteurs. Vertex AI remplace des contrôles manuels ou des traitements épars pour automatiser l’analyse des signaux et la détection d’anomalies.
Équipes de vision par ordinateur
Elles classent des images et interprètent des scènes pour reconnaître des objets, des défauts ou des contextes visuels. Vertex AI remplace des outils séparés de formation et d’inférence quand l’analyse visuelle doit rester au même endroit que le reste du flux ML.
Équipes de détection de fraude
Elles repèrent des comportements suspects dans les données transactionnelles ou opérationnelles. Vertex AI remplace des traitements ponctuels quand la détection doit s’intégrer à un workflow ML complet, du test au déploiement.
Équipes de workflows de traitement ML
Elles enchaînent préparation des données, exécution des jobs et suivi des sorties dans des pipelines reproductibles. Vertex AI remplace des scripts éparpillés et des exécutions manuelles quand le même enchaînement doit se rejouer proprement.
Conseils d’utilisation
Conseils pour une utilisation efficace
Sur le web, passe par la console Google Cloud pour garder le même espace entre Model Garden, les outils MLOps et les réglages d’accès. Tu obtiens des résultats plus stables quand tu pars d’un cas d’usage net, puis que tu testes le mode Express avant de passer au paiement à l’usage. Côté langages, les bibliothèques clientes couvrent Python, Java, Node.js, Go et C#. Les heures de vCPU offertes chaque mois comptent vite.
Erreurs communes à éviter
Sortie floue, puis mauvais modèle : la cause vient souvent d’un passage trop large entre Gemini, un modèle partenaire et un modèle personnalisé. Tu perds aussi en qualité quand tu mélanges un essai sans carte avec un usage qui suppose déjà une facturation ou des quotas plus larges. Réglages dispersés, puis suivi absent : les pipelines et le Model Registry ne remplacent pas un choix de départ clair.
Modèles et droits sur les créations
Vertex AI s’appuie sur plusieurs familles de modèles réunies dans Model Garden : Gemini, Imagen, Veo et Lyria côté Google, puis Claude, Llama, Mistral, Grok et DeepSeek côté partenaires et open source. Model Garden réunit tout le catalogue. Tu y choisis le modèle, puis tu le règles, l’évalues et le déploies sans changer d’environnement.
Réglage et évaluation passent par le fine-tuning, la conception de prompts et le service d’évaluation de modèles. Sur le mode Express, seule une sélection de modèles Gemini est ouverte ; le paiement à l’usage débloque l’ensemble du catalogue, le débit provisionné et l’inférence par lots.
Côté droits, les sorties relèvent des conditions de service de Google Cloud, qui s’appliquent à toute la plateforme : Vertex AI ne publie pas de règle propre sur la propriété des créations, à lire donc dans ces conditions avant un usage commercial.
Accès
Vertex AI s’atteint dans la console Google Cloud sur le web, par l’API REST et les bibliothèques clientes, et par l’extension Workbench Notebooks de VS Code publiée par Google Cloud. Sur iOS et Android, l’application Google Cloud sert au suivi des ressources, de la facturation et des alertes de production, pas au pilotage des modèles.
Appareils, applications et systèmes compatibles
Les intégrations déclarées couvrent BigQuery, BigQuery ML, LangChain, TensorFlow, Kubeflow Pipelines, Dataflow, Cloud Storage, Model Garden, Model Registry et Vertex AI Workbench.
Disponible sur
Accès & intégrations
IntégrationsOui
BigQuery, BigQuery ML, LangChain, TensorFlow (TFX), Kubeflow Pipelines, Dataflow, Cloud Storage, Vertex AI Model Garden, Vertex AI Model Registry, Vertex AI Workbench (Jupyter)
Plug-inOui
Extension VS Code « Workbench Notebooks », publiée par Google Cloud en aperçu et gratuite : elle connecte des notebooks aux instances Workbench.
API publiqueOui
L’accès repose sur une API REST documentée, avec des bibliothèques clientes pour C#, Java, Node.js, Python et Go.
SDKOui
SDK Python aiplatform et bibliothèques Gen AI ; le mode Express s’authentifie par clé API, la plateforme complète par projet et emplacement.
Avis et notes par Aikiwi
Note Globale de Vertex AI 4,4
Vertex AI, que Google Cloud rebaptise Gemini Enterprise Agent Platform, réunit l’accès aux modèles Gemini et partenaires, l’entraînement personnalisé, AutoML et des briques MLOps. Tu y retrouves aussi le Provisioned Throughput et les prédictions par lot.
Vertex AI convient surtout aux équipes enterprise, aux développeurs, aux data scientists et aux ingénieurs ML qui travaillent sur des usages comme la prévision de la demande, la maintenance prédictive, la détection de fraude, la reconnaissance d’image ou des workflows de traitement ML. Les environnements cités par Google Cloud vont de la distribution à la fabrication, en passant par les services financiers et l’automobile. L’accès existe aussi en web, sur iOS et Android, avec une API, des SDK et un plugin.
Vertex AI se prête à un essai quand tu veux démarrer sans facturation avant d’activer un compte payant. Le mode Express donne accès aux modèles Gemini avec un débit limité, et le niveau sans frais offre chaque mois des heures d’Agent Engine.
Avis détaillé sur Vertex AI
Design et Ergonomie 4,0
Vertex AI se pilote depuis la console Google Cloud, dans le navigateur ; l’application mobile de Google Cloud ne sert qu’au suivi des ressources et des alertes. La surface affichée correspond à une plateforme de cloud plus qu’à un outil centré sur un écran unique, ce qui donne un environnement dense et structuré plutôt qu’une interface légère. Pour une équipe technique, cette organisation convient à un usage de travail continu. Pour un utilisateur qui cherche une prise en main visuelle et directe, l’ensemble demande plus de repères qu’un produit pensé d’abord pour la simplicité de navigation.
Facilité d’Utilisation 4,0
Vertex AI regroupe des modèles, des outils de développement et des briques MLOps dans un même environnement. Les langages pris en charge et les intégrations avec BigQuery, Dataflow ou Cloud Storage réduisent la dispersion, mais le périmètre reste large et orienté vers des profils techniques. Un développeur, un data scientist ou une équipe ML y trouve un cadre cohérent pour aller du prototypage au déploiement. En revanche, l’outil s’adresse moins à un usage occasionnel, car la valeur vient de la profondeur du dispositif plus que d’une prise en main immédiate.
Fonctionnalités et Outils 4,8
L’ensemble forme une chaîne complète pour construire et opérer des systèmes d’IA. Pour une organisation qui veut centraliser plusieurs étapes du cycle de vie ML, la plateforme évite d’assembler trop d’outils séparés. Le niveau de couverture convient aux équipes qui ont besoin d’un environnement unique pour tester, suivre et industrialiser leurs modèles, avec assez de profondeur pour des usages avancés.
Performance et Fiabilité 4,4
Vertex AI s’adosse à la page d’état des services de Google Cloud, qui suit ligne par ligne l’inférence par lots, le Feature Store, l’entraînement géré, les métadonnées ML et l’inférence en ligne de la plateforme. Google publie aussi un SLA propre à Vertex AI : 99,9 % de disponibilité mensuelle pour l’entraînement, le déploiement et la prédiction par lot, 99,5 % pour la prédiction en ligne des modèles personnalisés déployés sur deux nœuds ou plus. Pour une équipe qui met des modèles en production, ces engagements écrits et cette transparence sur les incidents pèsent plus qu’une promesse marketing. En contrepartie, le SLA ne couvre que les déploiements redondants : un point de terminaison à un seul nœud reste hors garantie.
Innovation et Singularité 4,6
L’ensemble ne se limite pas à l’inférence : il relie préparation, entraînement, évaluation, déploiement et suivi dans le même environnement. Pour une équipe qui veut faire cohabiter modèles propriétaires et flux MLOps, cette articulation a une valeur nette. La singularité vient surtout de la capacité à réunir des briques très diverses sous une gouvernance Cloud cohérente, plutôt que d’une fonction isolée spectaculaire.
Support et Ressources Disponibles 4,6
Vertex AI dispose d’une documentation dédiée, d’une aide Google Cloud, de la communauté Google Cloud avec un tag Agent Platform suivi par des ingénieurs Google, d’un formulaire de commentaires produit, du dépôt GitHub googleapis pour le SDK Python et de Google Cloud Customer Care avec ses formules d’assistance. Les canaux couvrent donc à la fois l’autonomie, l’entraide communautaire et le support professionnel. Un utilisateur technique trouve facilement de quoi débloquer un point d’intégration, comparer une pratique ou ouvrir un ticket selon son contrat. La combinaison documentation, communauté et support payant convient bien aux équipes qui ont besoin d’un accompagnement graduel, sans dépendre d’un seul canal.
Rapport Qualité-Prix 4,3
Le gratuit donne accès à des usages limités, tandis que la facturation se fait ensuite à l’usage pour les composants consommés, ce qui aligne le coût sur l’activité réelle. Pour une équipe qui teste un projet ou monte en charge progressivement, la structure limite le risque initial et laisse la dépense suivre l’usage. Le rapport qualité-prix devient solide dès lors que l’on exploite plusieurs briques de la plateforme, parce que l’environnement réunit développement, entraînement et MLOps dans un même cadre.
Questions fréquentes
Quel est le prix de Vertex AI ?
Vertex AI se facture à l’usage : chaque modèle se paie au million de jetons et chaque ressource (calcul d’agent, mémoire, pipelines, entraînement) à la consommation. Un crédit d’accueil revient aux nouveaux clients Google Cloud, le mode Express permet de démarrer sans facturation et un niveau sans frais mensuel couvre une part d’Agent Engine. Tous les montants relevés figurent dans le tableau des prix.
Existe-t-il une version gratuite de Vertex AI ?
Oui, par deux portes. D’abord, le mode Express ouvre Vertex AI aux nouveaux utilisateurs Google Cloud sans information de facturation, avec Agent Studio, une clé API et les modèles Gemini à débit limité. Ensuite, le niveau sans frais n’expire pas : Agent Engine reste gratuit chaque mois jusqu’à un plafond d’heures de vCPU et de mémoire.
Quelles langues Vertex AI prend-il en charge ?
Vertex AI est une plateforme de développement : la langue dépend du modèle que tu appelles, pas de l’interface. Des bibliothèques clientes existent pour Python, Java, Node.js, Go et C#, et les modèles Gemini acceptent en entrée du texte, des images, de la vidéo et de l’audio.
Vertex AI a-t-il changé de nom ?
Oui. Google Cloud présente désormais la plateforme sous le nom Gemini Enterprise Agent Platform, avec la mention « anciennement Vertex AI » dans ses titres ; l’adresse cloud.google.com/vertex-ai redirige vers la nouvelle page. Seuls le SLA et l’équipe produit gardent le nom Vertex AI.
Qui édite Vertex AI ?
Google LLC, à travers sa division Google Cloud, dont le siège est à Mountain View, en Californie. Lancée en mai 2021 comme socle unifié de MLOps, la plateforme est facturée en France par Google Cloud France, l’entité contractante nommée dans les conditions de service.