Apple va utiliser les modèles Gemini et le cloud de Google pour faire évoluer Siri en 2026. L’accord peut enfin rendre l’assistante capable d’enchaîner des actions, mais Apple devra prouver que le jardin clos garde ses données sous contrôle.
Le 12 janvier 2026, Apple et Google ont conclu un accord pluriannuel autour des modèles Gemini et de l’infrastructure cloud de Google. L’objectif est de fournir une base technique aux modèles fondamentaux qu’Apple développe pour la prochaine génération d’Apple Intelligence. La firme de Cupertino ne va donc pas installer l’application Gemini dans l’iPhone pour lui laisser les commandes. Elle veut utiliser les modèles de Google, les adapter, puis les intégrer à sa propre architecture.
Le choix intervient après une période compliquée pour Apple. La marque a lancé Apple Intelligence et intégré ChatGPT à certaines fonctions de Sirimais elle a pris du retard sur les assistants capables de comprendre une demande longue, de garder son contexte et d’exécuter plusieurs actions. Pour une entreprise qui vend l’intégration du matériel et du logiciel comme son grand numéro de magie, ça fait désordre.
Apple ne passe pas le volant à Google. Elle lui emprunte le moteur.
Le jardin clos entrouvre la fenêtre Gemini
Le point décisif tient à la différence entre la technologie utilisée et le service présenté à l’utilisateur. Les modèles Gemini exploités par Apple ne seront pas les mêmes que ceux accessibles directement dans les services de Google. Apple compte s’en servir comme fondation, puis construire ses propres modèles, ses propres règles et ses propres connexions avec le système.
Cette organisation permettrait à Apple de conserver l’interface de Sirison contrôle logiciel et ses mécanismes de sécurité. Elle lui évite aussi de repartir de zéro dans la course aux grands modèles, qui demande des années d’entraînement, des centres de données massifs et une facture capable de faire vérifier trois fois le prix de l’iPhone.
Le traitement des requêtes complexes devrait passer par Private Cloud Computel’architecture d’Apple conçue pour exécuter certaines opérations à distance sans rattacher durablement les données à l’identité de l’utilisateur. Dans ce schéma, les informations sont transmises pour le traitement puis supprimées après utilisation. La promesse est nette. La mise en oeuvre, elle, devra pouvoir être vérifiée.
Siri prend le raccourci, sans lâcher le volant

Le bénéfice attendu concerne surtout les demandes complexes. Une nouvelle génération de Siri doit pouvoir comprendre l’intention d’une personne, consulter plusieurs informations et déclencher une action dans une application. Demander de retrouver une adresse reçue dans Mailde la transformer en événement dans Calendrierpuis d’envoyer l’horaire à un contact ne relève plus d’une simple commande vocale. C’est une chaîne d’actions.
Les App Intents passent la seconde
Apple dispose déjà d’une brique adaptée à ce scénario : les App Intents. Ce système permet aux applications de déclarer des actions que le système peut appeler. Avec un modèle plus performant, Siri pourrait mieux comprendre la demande et sélectionner les bonnes actions, au lieu de renvoyer l’utilisateur vers une recherche web dès que la phrase dépasse trois mots.
La prise en charge du Model Context Protocolou MCP, élargit cette logique. Des systèmes d’intelligence artificielle externes pourraient exploiter les actions déclarées par les applications, avec les autorisations prévues par Apple. Le risque est de créer une couche de compatibilité tellement complexe qu’il faudra consulter un tutoriel pour demander à Siri de lancer une minuterie. La simplicité façon Apple, version formulaire administratif.
Le vrai progrès ne sera pas une réponse plus bavarde, mais une action exécutée jusqu’au bout.
Le Neural Engine attend son grand soir
Apple présente ses puces A et M comme des plateformes capables de faire tourner l’intelligence artificielle au plus près de l’utilisateur. Le Neural Engine reste utile pour les tâches locales, mais les modèles complexes demandent davantage de mémoire, de puissance et de capacité de calcul. L’accord avec Google confirme une répartition logique : l’iPhone traite une partie des opérations, tandis que le cloud prend le relais pour les requêtes plus lourdes.
Le local garde une roue de secours
Cette répartition pourrait différencier les générations d’iPhone. Les fonctions d’Apple Intelligence exécutées localement dépendent de la puce et de la mémoire disponibles. Les tâches envoyées au cloud pourraient toucher davantage d’appareils, mais elles dépendront alors de la connexion, du temps de réponse et des règles d’accès définies par Apple.
Il ne faut donc pas vendre la puce comme une baguette magique. Une meilleure base de modèle ne supprimera ni les délais de réponse, ni les erreurs de compréhension, ni les autorisations parfois trop restrictives des applications. Le fan absolu de la rédac aimerait une Siri qui exécute enfin une consigne sans lui faire reformuler quatre fois. Le pragmatique attendra les premiers essais.
Un milliard dans le nuage, beaucoup de pluie
Les modalités financières de l’accord n’ont pas été publiées. Une estimation évoquée en novembre 2025 plaçait la facture autour d’un milliard de dollars par an pour l’accès aux modèles et à l’infrastructure de Google. Apple n’a pas confirmé ce montant.
La facture ne se résume pas à une licence. Apple doit financer les serveurs, le transfert des données, la sécurité, la supervision et l’adaptation des modèles à ses propres contraintes. La marque achète surtout du temps : au lieu d’attendre que ses modèles maison rattrapent les meilleurs systèmes disponibles, elle peut partir d’une base existante et concentrer ses équipes sur l’intégration dans iOSles applications et les appareils.
Le calcul reste risqué. Si Siri accomplit enfin des tâches utiles, la dépense aura servi à accélérer le rattrapage d’Apple. Si l’assistante demeure lente, limitée ou incapable d’enchaîner deux actions, le milliard ressemblera à un abonnement premium pour obtenir les mêmes réponses à côté de la plaque.
La confidentialité passe son oral de rattrapage
Apple veut utiliser les modèles de Google sans transférer l’ensemble des données personnelles de ses utilisateurs dans les systèmes de Google. La séparation entre les modèles Geminiles serveurs d’Apple et les données personnelles devient donc le coeur technique du projet.
Le cloud devra montrer patte blanche
Le précédent de l’intégration de ChatGPT dans Siri donne une première indication : Apple a isolé les requêtes transmises à OpenAI du reste des données liées au compte de l’utilisateur. Le futur système devra appliquer une logique comparable avec une architecture plus profonde, puisque Gemini ne serait plus un simple recours ponctuel, mais la base des modèles fondamentaux d’Apple.
Le partenariat montre surtout une inflexion stratégique. Apple accepte une dépendance technique envers Google pour accélérer ses modèles, mais veut conserver l’interface, les autorisations et la relation avec l’utilisateur. Le jardin clos ne disparaît pas. Il installe une porte de service, avec un gardien Apple devant et un moteur Google derrière.
En 2026, Siri joue son va-tout
La nouvelle version de Siri est attendue plus tard en 2026, sans date de commercialisation précise annoncée. Le calendrier compte : chaque mois de retard laisse aux assistants concurrents le temps d’améliorer leurs intégrations et leur capacité à accomplir des tâches concrètes.
Le test ne portera pas sur une démonstration préparée pour une keynote. Il faudra regarder la vitesse, la fiabilité, la compatibilité avec les applications, la gestion des permissions et la capacité à reconnaître une erreur avant d’agir. Un assistant qui répond avec aplomb mais réserve une table dans la mauvaise ville reste une daube, même avec un modèle de langage fourni par Google.
Apple a donc acheté une fondation technologique, pas une victoire. Le pari sera réussi si l’utilisateur voit une Siri plus rapide, plus contextuelle et capable d’agir sans sortir du jardin clos. Sinon, Gemini aura fourni les nuages pendant qu’Apple continuera de chercher le soleil.
Sources et références scientifiques
- Malcolm Owen. Google Gemini tech will be used in the all-new Siri after major Apple AI deal. 2026.
- A Rule-Based Conversational Agent for Mental Health and Well-Being in Young People: Formative Case Series During the Rise of Generative AI – PMC. JMIR formative research. DOI: 10.2196/69841 · PMID: 41325605.
- 1.Racine N, McArthur BA, Cooke JE, Eirich R, Zhu J, Madigan S. Global prevalence of depressive and anxiety symptoms in children and adolescents during COVID-19: a meta-analysis. JAMA Pediatr. 2021;175(11):1142-1150. doi: 10.1001/jamapediatrics.2021.2482..2782796 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1001/jamapediatrics.2021.2482.
- 2.Minerva F, Giubilini A. Is AI the Future of mental healthcare? Topoi (Dordr) 2023;42(3):1-9. doi: 10.1007/s11245-023-09932-3..9932 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1007/s11245-023-09932-3.
- 3.Lehtimaki S, Martic J, Wahl B, Foster KT, Schwalbe N. Evidence on digital mental health interventions for adolescents and young people: systematic overview. JMIR Ment Health. 2021;8(4):e25847. doi: 10.2196/25847. v8i4e25847 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.2196/25847.
- 4.Koh J, Tng GYQ, Hartanto A. Potential and pitfalls of mobile mental health apps in traditional treatment: an umbrella review. J Pers Med. 2022;12(9):1376. doi: 10.3390/jpm12091376..jpm12091376 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/jpm12091376.
- 5.Boucher EM, Harake NR, Ward HE, Stoeckl SE, Vargas J, Minkel J, Parks AC, Zilca R. Artificially intelligent chatbots in digital mental health interventions: a review. Expert Rev Med Devices. 2021;18(sup1):37-49. doi: 10.1080/17434440.2021.2013200.. [DOI] [PubMed] [Google Scholar]. doi:10.1080/17434440.2021.2013200.
- 6.Gaffney H, Mansell W, Tai S. Agents of change: understanding the therapeutic processes associated with the helpfulness of therapy for mental health problems with relational agent MYLO. Digit Health. 2020;6:2055207620911580. doi: 10.1177/2055207620911580..10.1177_2055207620911580 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1177/2055207620911580.
- 7.Gaffney H, Mansell W, Tai S. Conversational agents in the treatment of mental health problems: mixed-method systematic review. JMIR Ment Health. 2019;6(10):e14166. doi: 10.2196/14166. v6i10e14166 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.2196/14166.
- 8.Vaidyam AN, Wisniewski H, Halamka JD, Kashavan MS, Torous JB. Chatbots and conversational agents in mental health: a review of the psychiatric landscape. Can J Psychiatry. 2019;64(7):456-464. doi: 10.1177/0706743719828977.. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1177/0706743719828977.
- 9.Egan SJ, Johnson C, Wade TD, Carlbring P, Raghav S, Shafran R. A pilot study of the perceptions and acceptability of guidance using artificial intelligence in internet cognitive behaviour therapy for perfectionism in young people. Internet Interv. 2024;35:100711. doi: 10.1016/j.invent.2024.100711. (24)00004-6.S2214-7829(24)00004-6 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1016/j.invent.2024.100711.
- 10.Haque MR, Rubya S. “For an App Supposed to Make Its Users Feel Better, It Sure is a Joke” – An analysis of user reviews of mobile mental health applications. Proc. ACM Hum.-Comput. Interact. 2022;6(CSCW2):1-29. doi: 10.1145/3555146. [DOI] [Google Scholar]. doi:10.1145/3555146.
- 11.Ma X, Huo Y. Are users willing to embrace ChatGPT? Exploring the factors on the acceptance of chatbots from the perspective of AIDUA framework. Technology in Society. 2023;75:102362. doi: 10.1016/j.techsoc.2023.102362. [DOI] [Google Scholar]. doi:10.1016/j.techsoc.2023.102362.
- 12.Singla A, Sukharevsky A, Yee L, Chui M, Hall B. The state of AI in early 2024: Gen AI adoption spikes and starts to generate value. Quantum Black AI by McKinsey. 2024. [2025-10-18]..
- Chen A, Qilleri A, Foster T, Rao AS, Gopalakrishnan S, Niezgoda J, Oropallo A.. Generative Artificial Intelligence: Applications in Scientific Writing and Data Analysis in Wound Healing Research.. Advances in skin & wound care. 2024. DOI: 10.1097/asw.0000000000000226 · PMID: 39792511. (résumé scientifique structuré; texte intégral non fourni)
- Safety of Large Language Models in Addressing Depression – PMC. Cureus. DOI: 10.7759/cureus.50729 · PMID: 38111813.
- 1.World Health Organization: mental disorders. [ Sep; 2023 ]. 2022..
- timating the true global burden of mental illness. Vigo D, Thornicroft G, Atun R. Lancet Psychiatry. 2016;3:171-178. doi: 10.1016/S2215-0366(15)00505-2. [DOI] [PubMed] [Google Scholar]. doi:10.1016/S2215-0366(15)00505-2.
- 3.Prevalence and treatment of mental disorders, 1990 to 2003. Kessler RC, Demler O, Frank RG, et al. N Engl J Med. 2005;352:2515-2523. doi: 10.1056/NEJMsa043266. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1056/NEJMsa043266.
- 4.Barriers to mental health treatment: results from the WHO World Mental Health surveys. Andrade LH, Alonso J, Mneimneh Z, et al. Psychol Med. 2014;44:1303-1317. doi: 10.1017/S0033291713001943. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1017/S0033291713001943.
- 5.Annual research review: expanding mental health services through novel models of intervention delivery. Kazdin AE. J Child Psychol Psychiatry. 2019;60:455-472. doi: 10.1111/jcpp.12937. [DOI] [PubMed] [Google Scholar]. doi:10.1111/jcpp.12937.
- 6.Prompt engineering in medical education. Heston TF, Khun C. Int Med Educ. 2023;2:198-205. [Google Scholar].
- 7.Attention is all you need. Vaswani A, Shazeer N, Parmar N, et al. NIPS. 2017;30:1-11. [Google Scholar].
- 8.Radford A, Narasimhan K, Salimans T, Sutskever I. Improving language understanding by generative pre-training. [ Jun; 2023 ]. 2018..
- atGPT broke the Turing test – the race is on for new ways to assess AI. Biever C. Nature. 2023;619:686-689. doi: 10.1038/d41586-023-02361-7. [DOI] [PubMed] [Google Scholar]. doi:10.1038/d41586-023-02361-7.
- 10.Aesthetic surgery advice and counseling from artificial intelligence: a rhinoplasty consultation with ChatGPT. Xie Y, Seth I, Hunter-Smith DJ, Rozen WM, Ross R, Lee M. Aesthetic Plast Surg. 2023;47:1985-1993. doi: 10.1007/s00266-023-03338-7. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1007/s00266-023-03338-7.
- 11.A review of ChatGPT AI’s impact on several business sectors. George AS, George AS, Martin AS. Partners Univ Int Innov J. 2023;1:9-23. [Google Scholar].
- 12.Human-AI collaboration enables more empathic conversations in text-based peer-to-peer mental health support. Sharma A, Lin IW, Miner AS, Atkins DC, Althoff T. Nat Mach Intell. 2023;5:46-57. [Google Scholar].
- Human-AI co-research on design and evaluation of Embodied Conversational Agent in rehabilitation contexts – PMC. Frontiers in robotics and AI. DOI: 10.3389/frobt.2026.1758391 · PMID: 41969732.
- Amini R., Lisetti C., Yasavur U., Rishe N. (2013). “On-Demand virtual health counselor for delivering behavior-change health interventions,” in 2013 IEEE international conference on healthcare informatics. 10.1109/ichi.2013.13 [DOI] [Google Scholar]. doi:10.1109/ichi.2013.13.
- Aparna E., Liu L., Xu L., Sravan Babu B., Roth D. (2024). ConSiDERS-The-Human evaluation framework: rethinking human evaluation for generative large language models, 1137-1160. 10.18653/v1/2024.acl-long.63 [DOI] [Google Scholar]. doi:10.18653/v1/2024.acl-long.63.
- Arannil V., Narwal N., Bhabesh S. S., Thirandas S. N., Wang D.Y.-B., Horwood G., et al. (2024). arXiv Cornell Univ. DoPAMine: domain-Specific pre-training adaptation from seed-guided data mining. 10.48550/arxiv.2410.00260 [DOI] [Google Scholar]. doi:10.48550/arxiv.2410.00260.
- Brooke J. (1996). SUS-A quick and dirty usability scale. Usability Eval. Industry 189, 4-7. [Google Scholar].
- Brown T., Mann B., Ryder N., Subbiah M., Kaplan J. D., Dhariwal P., et al. (2020). Language models are few-shot learners. Adv. Neural Inf. Process. Syst. 33, 1877-1901. 10.48550/arXiv.2005.14165 [DOI] [Google Scholar]. doi:10.48550/arXiv.2005.14165.
- Calderita L. V., Manso L. J., Bustos P., Suárez-Mejías C., Fernández F., Bandera A. (2014). THERAPIST: towards an autonomous socially interactive robot for motor and neurorehabilitation therapies for children. JMIR Rehabilitation Assistive Technol. 1 (1), e1. [online]. 10.2196/rehab.3151 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.2196/rehab.3151.
- Carnevale A., Raso A., Antonacci C., Mancini L., Corradini A., Ceccaroli A., et al. (2025). Exploring the impact of socially assistive robots in rehabilitation scenarios. Bioengineering 12 (2), 204. 10.3390/bioengineering12020204 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/bioengineering12020204.
- Evdokia V., Vrochidou E., Lefteris M., Papakostas G. A. (2025). The potential of large language models for social robots in special education. Prog. Artif. Intell. 14, 165-189. 10.1007/s13748-025-00363-2 [DOI] [Google Scholar]. doi:10.1007/s13748-025-00363-2.
- Feingold-Polak R., Levy-Tzedek S. (2021). Personalized human robot interaction in the unique context of rehabilitation, 126-127. 10.1145/3450614.3463415 [DOI] [Google Scholar]. doi:10.1145/3450614.3463415.
- Fu V., Weatherall M., McPherson K., Taylor W., McRae A., Thomson T., et al. (2020). Taking charge after stroke: a randomized controlled trial of a person-centered, self-directed rehabilitation intervention. Int. J. Stroke 15 (9), 174749302091514. 10.1177/1747493020915144 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1177/1747493020915144.
- Fu V., Thompson S., Kayes N., Bright F. (2025). Supporting long-term meaningful outcomes in stroke rehabilitation. Curr. Neurology Neurosci. Rep. 25 (1), 17. 10.1007/s11910-025-01403-z [DOI] [PubMed] [Google Scholar]. doi:10.1007/s11910-025-01403-z.
- Greenspahn F. E. (1980). The number and distribution of hapax legomena in biblical Hebrew. Vetus Testam. 30 (1), 8. 10.2307/1517697 [DOI] [Google Scholar]. doi:10.2307/1517697.






