Google publie Antigravity 2.0. Une app desktop qui bascule la manière dont les équipes produit déploient l'IA pour coder. Là où la première version ressemblait à un IDE classique enrichi d'un agent manager, cette mouture se présente comme une sorte de mission control. Vous orchestrez plusieurs agents IA en parallèle, chacun capable de lire du code, modifier des fichiers, lancer des tests, pousser des commits, naviguer sur le web ou dialoguer avec un terminal, sans supervision constante. Le produit cible explicitement les fondateurs et CTO qui arbitrent vite : faut-il adopter ce type d'outil, quels gains concrets espérer, et surtout, comment l'intégrer dans une stack existante sans créer de dépendance excessive à Google Cloud.
Cet article détaille ce qu'apporte Antigravity 2.0, chiffre les cas d'usage pertinents pour une startup B2B de 20 à 150 personnes, et pose les arbitrages techniques et organisationnels que vous devez trancher avant de déployer une telle plateforme.
Ce qu'Antigravity 2.0 change par rapport à la v1
La première version était un IDE avec un panneau d'agent manager intégré. Elle a attiré plusieurs millions d'utilisateurs selon Google. Preuve que l'approche "agent-first" trouvait son public. L'architecture restait classique pourtant : un éditeur de code augmenté, un agent unique, des suggestions contextuelles, une complétion avancée. Antigravity 2.0 rompt avec ce modèle. Google a réécrit le produit de zéro pour en faire une app desktop autonome sur Mac, Windows, Linux, pensée pour gérer des équipes d'agents.
Concrètement. Vous installez l'application sur votre poste, vous créez un workspace par projet, et vous définissez plusieurs agents spécialisés. Un agent backend qui écrit et refactorise du code Python ou Node. Un agent QA qui génère et maintient les tests. Un agent Doc qui tient à jour la documentation OpenAPI ou Markdown. Un agent Ops qui surveille les logs et propose des correctifs. Chaque agent dispose de son propre contexte, de ses propres outils (accès au terminal, au navigateur, aux fichiers), et peut travailler en parallèle des autres. L'interface centrale vous montre l'état de chaque agent, les tâches en cours, les résultats, et vous permet de réorienter ou de stopper un agent à tout moment.
Cette orchestration multi-agents repose sur Gemini 3 et Gemini 3.5 Flash, les modèles de Google optimisés pour les tâches longues et multi-étapes. Gemini 3.5 Flash est particulièrement utilisé dans Antigravity pour des agents rapides et économiques. Il offre un bon compromis entre vitesse d'exécution et coût par token, ce qui devient crucial quand vous lancez plusieurs agents simultanément sur un même projet. Cela change la donne en termes de coûts.
Autre nouveauté : les commandes vocales natives. Vous dictez à Antigravity 2.0 des instructions complexes. "Crée un agent qui refactorise le module de paiement pour utiliser Stripe au lieu de PayPal, puis lance les tests d'intégration et génère un rapport PDF des modifications." L'application décompose cette demande en tâches, assigne les tâches aux agents appropriés, et exécute le workflow. Cette capacité vocale utilise la même stack que les nouveautés Gemini pour Gmail et Docs, ce qui signifie qu'elle fonctionne bien en anglais et commence à supporter d'autres langues, dont le français.
Enfin, Antigravity 2.0 introduit des tâches planifiées et l'exécution en arrière-plan. Vous programmez un agent pour qu'il vérifie chaque nuit la qualité du code, lance une suite de tests de régression, ou scrape les logs de production à la recherche d'anomalies. Ces tâches continuent de tourner même si vous fermez l'application, car elles sont exécutées sur les serveurs Google Cloud en backend. Cela transforme Antigravity en une sorte de CI/CD augmentée : au lieu de simples pipelines de build et de test, vous avez des agents qui analysent, décident, et agissent.
CLI, SDK et intégration dans la stack existante
Google a lancé une CLI Antigravity, agy, qui remplace l'ancienne Gemini CLI. Cette CLI permet de créer et gérer des agents, de lancer des workflows, de consulter les logs, et d'intégrer Antigravity dans vos pipelines GitLab ou GitHub Actions. Pour une startup qui utilise déjà des scripts de déploiement ou des jobs Jenkins, la CLI devient le point d'entrée naturel : vous déclenchez un agent de QA à chaque merge request, ou lancez un agent de documentation à chaque release.
Google force la migration depuis la Gemini CLI vers la CLI Antigravity. Ce signal indique que cette surface devient la couche d'abstraction principale pour tous les workflows dev et agents chez Google. Si vous aviez déjà des scripts basés sur la Gemini CLI, il faut les réécrire. La documentation de migration est claire et Google fournit des exemples de conversion. Le gain : une CLI unifiée pour piloter agents, modèles, et services Google AI Studio.
Le SDK Antigravity pousse le concept plus loin : vous construisez des agents personnalisés, les exposez à des systèmes internes, et les déployez sur Google Cloud. Vous avez un workflow métier spécifique, par exemple la génération de rapports financiers à partir de logs Stripe et Salesforce. Vous codez un agent dédié avec le SDK, le testez en local dans Antigravity 2.0, puis le déployez comme service interne accessible via API. Google annonce également des templates d'agents d'entreprise dans AI Studio : des agents préconfigurés pour des cas d'usage courants (SaaS B2B, e-commerce, fintech), que vous instanciez et adaptez sans partir de zéro. Ces templates réduisent drastiquement le coût d'entrée pour une PME qui n'a pas d'équipe ML dédiée.
L'intégration native avec Google AI Studio, Android et Firebase est un atout considérable pour les startups produit. Vous développez une app mobile ou un SaaS avec backend Firebase. Vous connectez votre projet Antigravity en un clic et laissez les agents générer des écrans Android, vérifier les règles de sécurité Firestore, ou optimiser les index. Cette friction réduite entre prototypage et production accélère les cycles de développement : au lieu de jongler entre plusieurs outils, vous orchestrez tout depuis Antigravity.
Pour les startups qui utilisent AWS, Azure ou une infra on-premise, l'histoire est plus nuancée. Antigravity fonctionne en local, mais les tâches planifiées et l'exécution en arrière-plan passent par Google Cloud. Vous utilisez Antigravity pour le développement et la QA sans dépendance forte. Si vous voulez automatiser des workflows de production, il faudra soit accepter un lien avec GCP, soit limiter l'usage aux tâches dev/test. Ce point mérite un arbitrage clair : si votre stack est déjà multi-cloud ou si vous avez des contraintes de souveraineté, l'adoption d'Antigravity doit rester cantonnée aux environnements de développement, avec une CI/CD classique pour la prod.
Cas d'usage concrets pour startups B2B
Prenez une startup SaaS B2B de 50 personnes qui développe une plateforme de données pour les équipes marketing. Le backend est en Node.js et Python, le frontend en React, l'infra sur AWS avec quelques services Firebase pour l'authentification. L'équipe produit passe environ 30 % de son temps à écrire et maintenir des tests, 20 % à documenter les API, et 10 % à refactoriser du code legacy. Voici comment Antigravity 2.0 intervient.
Vous créez un workspace Antigravity pour le projet, et vous définissez quatre agents : Agent Backend, Agent Tests, Agent Doc, Agent Refactor. Agent Backend lit les specs produit (rédigées dans Notion ou Linear), génère les endpoints API, et les pousse sur une branche Git dédiée. Agent Tests récupère ces endpoints, écrit les tests unitaires et d'intégration (Jest, Pytest), et les exécute. Agent Doc analyse le code et met à jour la documentation OpenAPI, ainsi que les guides Markdown pour les clients. Agent Refactor surveille le code legacy, propose des améliorations (sécurité, performance, lisibilité), et soumet des pull requests.
Vous intégrez la CLI Antigravity dans votre pipeline GitLab : à chaque merge request, un job déclenche Agent Tests et Agent Doc. Si les tests passent et que la doc est à jour, la MR est approuvée automatiquement. Vous programmez Agent Refactor pour qu'il tourne chaque nuit : il scanne le codebase, identifie les fonctions complexes ou les dépendances obsolètes, et ouvre des issues avec des propositions de refactoring. Le matin, l'équipe revoit les issues et décide lesquelles prioriser.
Résultat attendu. Le temps passé à écrire des tests et de la doc chute de 50 %, car les agents génèrent la majorité du code de test et de la doc à partir du code source. Le temps de cycle d'une feature passe de 3 à 4 jours à 1 à 2 jours, car les agents travaillent en parallèle et en continu. Le coût : environ 100 $ par mois par développeur pour le plan AI Ultra (qui offre 5 fois plus de limites IA que le plan Pro). Pour une équipe de 50 personnes, c'est 5 000 $ par mois. Ce coût est largement compensé par le gain de productivité : si chaque dev gagne 10 heures par mois, cela représente 500 heures, soit l'équivalent de 3 ETP à temps plein.
Autre exemple : une scale-up française qui développe une app mobile B2C avec un backend Firebase. L'équipe produit utilise Antigravity pour générer des écrans Android natifs à partir de specs produit dictées à la voix. Le product manager décrit le parcours utilisateur à l'oral. "L'utilisateur arrive sur l'écran d'accueil, il voit une liste de produits recommandés, il peut filtrer par catégorie, et quand il clique sur un produit, il arrive sur la fiche détail avec un bouton Ajouter au panier." Antigravity crée un agent qui génère les layouts XML, les fragments Kotlin, et les appels Firebase. Un autre agent vérifie la cohérence UI entre l'app Android et la web app en naviguant dans les deux interfaces via le navigateur intégré. Les tâches planifiées vérifient chaque jour les performances Firebase (temps de réponse Firestore, règles de sécurité, index manquants) et alertent l'équipe si un problème est détecté.
Pour une PME B2B industrielle qui maintient un logiciel métier en .NET ou Java, Antigravity peut servir de moteur de maintenance legacy. Vous créez un agent "Legacy" qui analyse le codebase ancien, identifie les vulnérabilités de sécurité (dépendances obsolètes, injections SQL), propose des correctifs, et les implémente progressivement. Vous utilisez la commande vocale pour demander des rapports : "Crée un PDF listant toutes les modifications apportées cette semaine sur le module logistique." L'agent génère le rapport, l'envoie par mail, et archive la version dans le repo. Ce type d'usage réduit la dette technique sans mobiliser des ressources humaines rares.
Orchestration multi-agents : ce qui fonctionne et ce qui coince
L'orchestration multi-agents est le cœur d'Antigravity 2.0, mais elle impose des changements organisationnels et techniques. Vous ne pouvez pas installer l'app et espérer que les agents travaillent de manière autonome sans supervision. Il faut définir des règles de coordination : quel agent a la priorité en cas de conflit (par exemple, si Agent Backend et Agent Refactor modifient le même fichier), comment les agents se passent le contexte (logs, variables d'environnement, résultats intermédiaires), et comment vous gérez les erreurs (un agent qui échoue doit-il bloquer les autres ou continuer en parallèle).
Google fournit une interface pour configurer ces workflows, mais la courbe d'apprentissage est réelle. Vous devez penser en termes de dépendances de tâches : Agent Tests ne peut pas démarrer tant qu'Agent Backend n'a pas fini de générer le code. Agent Doc ne peut pas mettre à jour la documentation tant que les tests ne sont pas passés. Antigravity permet de définir ces dépendances via des graphes de tâches (DAG), mais cela demande une compétence DevOps. Si votre équipe n'a pas l'habitude de modéliser des pipelines complexes, il faudra former un ou deux ingénieurs sur cette dimension.
Autre point de friction : la gestion du contexte. Les agents IA travaillent bien quand ils ont accès à un contexte clair et limité. Vous lancez un agent sur un repo de 500 000 lignes de code sans lui donner de périmètre. Il va se perdre ou produire des résultats incohérents. Vous devez découper votre codebase en modules, documenter les interfaces, et indiquer à chaque agent sur quel module il doit se concentrer. Cela rejoint les bonnes pratiques d'architecture logicielle (modularité, couplage faible, documentation), mais Antigravity rend ces pratiques obligatoires plutôt qu'optionnelles. Si votre code est un monolithe mal documenté, vous devrez d'abord le restructurer avant de tirer parti des agents.
Les commandes vocales, bien que pratiques, posent des questions de gouvernance. Qui a le droit de lancer un agent via la voix ? Que se passe-t-il si un PM non technique demande à un agent de supprimer une table en production ? Antigravity 2.0 propose des rôles et des permissions (admin, dev, viewer), mais vous devez les configurer et les faire respecter. Pour une startup de 20 personnes, c'est gérable. Pour une scale-up de 150 personnes avec plusieurs équipes produit, il faut mettre en place des processus : revue des tâches critiques, validation manuelle avant exécution, logs d'audit pour tracer qui a demandé quoi.
Enfin, la sécurité du code source pose question. Les agents Antigravity lisent et modifient votre code, et les tâches en arrière-plan sont exécutées sur les serveurs Google Cloud. Google affirme que le code n'est pas utilisé pour entraîner les modèles et que les données sont chiffrées en transit et au repos. Vous devez vérifier que cela respecte vos obligations contractuelles (RGPD, clauses de confidentialité avec vos clients). Si vous travaillez pour des clients régulés (banque, santé, défense), il faudra probablement limiter l'usage d'Antigravity aux environnements de développement et de test, et interdire l'accès au code de production.
Antigravity vs Cursor, Copilot Workspace, Devin : quel outil pour quel besoin
Le marché des IDE augmentés par l'IA se structure autour de trois modèles : les copilots (GitHub Copilot, Codeium), les agents autonomes (Devin de Cognition), et les orchestrateurs multi-agents (Antigravity, Cursor avec multi-agent mode, Replit Agent). Chaque modèle répond à un besoin différent.
Les copilots excellent pour l'autocomplétion et les suggestions contextuelles. Ils accélèrent l'écriture de code, mais restent passifs : ils attendent que vous tapiez du code pour proposer la suite. Ils ne planifient pas, ne testent pas, ne documentent pas. Un développeur solo ou une petite équipe qui veut un boost de productivité sans changer ses habitudes trouvera un copilot suffisant. Coût : 10 à 40 € par mois par dev.
Les agents autonomes comme Devin vont à l'extrême opposé : vous leur donnez une spec, ils codent, testent, déploient, et vous livrent un résultat. Zéro intervention humaine entre la demande et le livrable. Cela fonctionne bien pour des tâches isolées et bien définies (créer un microservice, corriger un bug, générer une landing page). Sur des projets complexes où les décisions d'architecture sont critiques, l'approche devient fragile. Devin est encore en beta privée, et son coût n'est pas public, mais les signaux indiquent un pricing premium. Plusieurs centaines de dollars par mois, probablement.
Antigravity se positionne entre les deux : vous orchestrez plusieurs agents, vous définissez les workflows, mais vous gardez le contrôle. Vous pouvez intervenir à tout moment pour réorienter un agent, valider un résultat, ou stopper une tâche. Cette approche convient aux startups qui veulent automatiser des tâches répétitives (tests, doc, refactoring) sans perdre la main sur les décisions stratégiques (architecture, sécurité, performance). Le plan AI Ultra à 100 $ par mois par dev (avec 5 fois plus de limites IA) est compétitif face à Cursor Pro (20 $) ou Copilot Enterprise (39 $), surtout si vous utilisez intensément les agents.
Cursor avec le mode multi-agent (encore en preview) ressemble à Antigravity, mais reste plus proche d'un IDE classique : c'est VS Code augmenté d'agents. Antigravity est une app desktop dédiée, ce qui signifie une interface pensée pour les agents dès le départ, mais aussi une dépendance plus forte à l'écosystème Google. Vous êtes déjà sur Google Cloud, Firebase, Android. Antigravity s'intègre mieux. Vous êtes sur AWS ou Azure. Cursor peut être un meilleur choix.
Replit Agent cible les indie hackers et les non-devs : vous décrivez une app en langage naturel, et Replit génère le code, le déploie, et vous donne une URL. Ultra-rapide pour des prototypes ou des side projects, mais moins adapté à une startup qui doit maintenir du code en production sur plusieurs années. Antigravity, avec ses agents spécialisés et ses workflows configurables, est conçu pour des équipes produit qui itèrent sur un codebase existant.
Arbitrages pour une adoption réussie
Envisagez-vous d'adopter Antigravity 2.0 ? Voici les arbitrages techniques et organisationnels à trancher avant de déployer.
Budget et ROI. Le plan AI Ultra coûte 100 $ par mois par développeur. Pour une équipe de 30 devs, cela représente 3 000 $ par mois, soit 36 000 $ par an. Vous devez chiffrer le gain de productivité attendu : combien d'heures par mois chaque dev gagne-t-il grâce aux agents ? Si chaque dev gagne 10 heures, cela fait 300 heures par mois. Soit environ 2 ETP. Si le coût chargé d'un dev est de 6 000 € par mois, le gain est de 12 000 € par mois, soit un ROI de 4x. Ce calcul est optimiste. Il suppose que les heures gagnées sont réinvesties dans des tâches à forte valeur ajoutée (architecture, stratégie produit, relation client). Si les heures gagnées servent à lancer plus de features médiocres, le ROI chute.
Dépendance à Google Cloud. Antigravity fonctionne en local, mais les tâches planifiées et l'exécution en arrière-plan passent par GCP. Vous êtes déjà sur GCP. C'est un non-sujet. Vous êtes sur AWS ou Azure. Vous devez décider si vous acceptez une dépendance partielle à GCP pour les workflows dev/test, ou si vous limitez l'usage d'Antigravity aux postes locaux des devs sans tâches planifiées. Une solution intermédiaire : utiliser Antigravity pour le développement et la QA, et garder votre CI/CD existante (GitLab, Jenkins, GitHub Actions) pour la prod.
Gouvernance et sécurité. Qui a le droit de lancer des agents ? Qui valide les tâches critiques (déploiements, suppressions de données, modifications de schéma) ? Vous devez définir des rôles (admin, dev, viewer) et des processus de validation. Pour les tâches à risque, imposez une revue manuelle avant exécution. Activez les logs d'audit pour tracer qui a demandé quoi. Si vous travaillez pour des clients régulés, vérifiez que l'usage d'Antigravity respecte vos obligations contractuelles (RGPD, confidentialité, souveraineté des données).
Architecture du code. Les agents IA travaillent mieux sur du code modulaire, bien documenté, avec des interfaces claires. Votre codebase est un monolithe mal structuré. Vous devrez d'abord le refactoriser. Cela peut prendre plusieurs mois et mobiliser une partie de l'équipe. Le gain : un code plus maintenable, qui bénéficie ensuite pleinement des agents. Mais le coût initial est réel.
Formation de l'équipe. L'orchestration multi-agents demande des compétences DevOps (modélisation de workflows, gestion des dépendances, monitoring). Si votre équipe n'a pas ces compétences, il faudra former un ou deux ingénieurs. Google fournit de la documentation et des tutoriels, mais comptez 2 à 4 semaines pour qu'un ingénieur soit autonome sur Antigravity. Pendant cette période, la productivité baisse. Vous devez planifier cette montée en compétence.
Stratégie multi-outil ou all-in. Vous pouvez déployer Antigravity sur l'intégralité de l'équipe produit, ou bien le réserver à une ou deux équipes en pilote pour valider le ROI avant
