Antigravity déplace ses agents dans le cloud, sans votre outillage local

La description que l'équipe d'Antigravity donne de sa propre fonctionnalité est le meilleur résumé : vos tâches tournent dans des machines virtuelles cloud indépendantes, donc vous lancez une tâche, vous partez chercher un café, vous débloquez des permissions depuis votre téléphone et vous revenez sur des tests au vert et une pull request propre.
La version 2.29 a commencé son déploiement le 3 novembre et l'équipe a confirmé publiquement les agents distants le 6 novembre. Le journal des modifications liste 22 changements, et les deux qui comptent sont les agents distants et un mode vocal bâti sur Gemini Live.
Le basculement est facile à sous-estimer. Les agents de code sont des logiciels locaux depuis que la catégorie existe. Ils lisent vos fichiers, lancent vos tests, utilisent vos outils et s'arrêtent quand vous fermez le capot. Déplacer l'exécution dans une VM gérée change la nature du produit, et cela expose aussi quelles parties de la capacité d'un agent n'ont jamais été dans le modèle.
Les agents distants, et ce qu'ils ne sont pas
Antigravity avait déjà une fonctionnalité appelée Remote Control, qui pilote depuis un autre appareil des agents tournant sur votre propre station de travail. Cela exige encore que la station soit en ligne. Les agents distants sont autre chose : sessions et outils s'exécutent dans un environnement isolé géré par Google, donc le travail continue quand votre portable dort, quand le navigateur se ferme ou quand vous passez du bureau au téléphone.
Vous pouvez démarrer une session depuis l'application de bureau, depuis le web sur antigravity.google.com, ou depuis la CLI avec `agy --remote-agent`, qui exige la version 1.4.12 ou ultérieure.
Un projet distant attache des ressources. Les dépôts GitHub sont clonés et montés via OAuth. Les fichiers Google Drive sont lus à la demande. Vous pouvez envoyer des fichiers directement, jusqu'à 8 MiB chacun, 50 fichiers, 100 MiB par projet et 2 GiB par compte. Google indique que les identifiants sont chiffrés au repos. Les plugins pour GitHub, Drive, Docs, Sheets, Slides et Calendar se connectent via OAuth.
Ces limites d'envoi sont petites d'une manière qui définit l'usage. Huit mébioctets par fichier suffisent pour un script et ne servent à rien pour un jeu de données. C'est un agent pour le travail sur dépôt et sur document, pas pour l'ingénierie de données.
La ligne d'éligibilité est la ligne intéressante
Les agents distants sont disponibles sur les comptes personnels Google AI Pro et Ultra. Pas sur l'offre gratuite. Pas sur Google AI Plus. Pas sur les comptes professionnels Workspace ou Google Cloud.
Cette dernière exclusion est étrange pour une fonctionnalité dont le client évident est une équipe de développement. Une offre d'équipe voudrait des projets partagés, une piste d'audit et un administrateur capable de révoquer l'accès. Google a livré la version grand public d'abord, ce qui indique que l'entreprise optimise pour le développeur individuel qui essaie le produit, pas pour le service achats.
Cela signifie aussi que le flux « revenez sur une pull request propre » est, pour l'instant, un flux personnel. Votre agent travaille dans une VM gérée par Google sous votre abonnement personnel, sur un dépôt que vous avez autorisé avec votre propre compte GitHub.
Ce que vous perdez dans le cloud
La liste des fonctionnalités indisponibles en mode distant est la partie la plus instructive de la documentation : mode impression, recherche de code, `/diff`, `/rewind`, dictée vocale, et serveurs MCP, plugins et skills installés localement.
Relisez ce dernier groupe. Les serveurs MCP, les plugins et les skills représentent une grande part de ce qui rend un agent de code utile dans une entreprise précise. Le schéma d'API interne, le script de déploiement, le runbook, le guide de style, la checklist de migration. Tout cela vit localement, installé par le développeur, souvent pointé vers des points de terminaison internes que la VM cloud ne peut pas atteindre.
La fonctionnalité arrive donc avec une séparation nette. Un agent cloud reçoit le dépôt, l'internet public et la compétence générale du modèle. Il ne reçoit pas votre outillage local. Pour du greenfield, cela va. Pour le dépôt en désordre qui a besoin du wrapper de build interne pour compiler, l'agent heurtera un mur qui n'a rien à voir avec l'intelligence.
C'est un problème de transition et il sera résolu, probablement en permettant aux équipes de publier des serveurs MCP et des skills approuvés dans un projet distant. D'ici là, la description honnête des agents distants est : excellents pour les tâches qui n'ont besoin que de code et d'un shell, limités pour celles qui ont besoin de la configuration de votre machine.
La voix comme canal de permission
Le mode vocal tourne sur Gemini Live, qui entend votre voix directement plutôt qu'une transcription, donc vous pouvez l'interrompre en milieu de phrase et il s'adapte. Vous pouvez planifier, orienter des changements et approuver des permissions à voix haute. La voix et la vitesse de lecture sont configurables, et le mode est limité aux conversations locales.
Le détail qui compte, c'est l'exception : les permissions de routine peuvent être approuvées à la voix, les actions destructrices non.
C'est une ligne sensée et elle révèle où se trouve réellement la friction. Un agent qui tourne quarante minutes va s'arrêter plusieurs fois pour demander s'il peut exécuter une commande, installer un paquet ou supprimer un fichier. Chaque arrêt est un changement de contexte pour l'humain. Approuver à la voix supprime le changement de contexte pour les ennuyeuses tout en gardant un geste physique pour celles qui peuvent faire mal.
L'objectif annoncé est que vous parliez à l'agent comme à un collègue au téléphone. La reconnaissance vocale est la partie facile. Un collègue au téléphone peut entendre « prends Postgres à la place » et replanifier, alors qu'un agent a besoin que l'instruction arrive au bon moment dans sa boucle.
Le reste de la semaine va dans le même sens
Cursor a livré Build Live Apps, qui prend une description et produit une application web hébergée avec base Postgres, authentification et analyses de sécurité, déployée derrière un lien partageable avec SSO. Cursor dit que ses propres équipes l'utilisent pour des tableaux de bord, des outils d'opérations internes et des portails d'onboarding. La conséquence intéressante est que l'étape de déploiement cesse d'être une étape.
LangChain a ajouté des sous-agents asynchrones à Deep Agents, avec cinq outils pour démarrer, vérifier, mettre à jour, annuler et lister des tâches en arrière-plan. Une mise à jour d'une tâche en cours peut soit l'interrompre et la redémarrer, ce qui convient à une correction comme « prends Postgres à la place », soit la mettre en file jusqu'à la fin de l'exécution courante, ce qui convient à un ajout comme « lance les tests quand tu as fini ». Les tâches inachevées figurent dans le prompt système de l'orchestrateur, et un sous-agent terminé est récupéré avant le prochain appel au modèle de l'orchestrateur ou le réveille avec une nouvelle exécution.
Trois équipes distinctes, trois implémentations de la même idée : l'agent devient un service qui tourne en continu, et l'humain devient un approbateur qui entre et sort.
La plomberie est presque réglée
Rassemblez les pièces et l'architecture devient visible. Exécution dans des VM cloud qui survivent à votre matériel. Orchestration de sous-agents avec une sémantique explicite d'interruption et de file. Déploiement comme effet de bord de la génération. Voix comme canal d'approbation. Un téléphone comme surface de contrôle.
Ce qui n'est pas réglé, c'est justement ce autour de quoi tout cela est conçu : l'invite de permission. Tous ces systèmes supposent encore qu'un humain décide, des dizaines de fois par jour, si un processus autonome peut entreprendre une action irréversible. La réponse de Google est de rendre l'approbation bon marché et de la garder nécessaire pour les opérations destructrices. C'est le bon défaut, et c'est aussi l'aveu que personne ne fait confiance à l'agent pour trancher.
La prochaine version du problème est une couche de politique : des règles qui disent ce qu'un agent peut faire sans demander, limitées à un dépôt, un environnement et une fenêtre de temps, avec un journal d'audit. D'ici là, « lancer une tâche et s'éloigner » fonctionne exactement tant qu'il n'arrive rien d'inhabituel, ce qui est une autre façon de dire que cela fonctionne en démonstration.
Articles associés
Un modèle dense de 65B dépasse des rivaux huit fois plus gros, pour 32 millions de dollars
Un modèle dense de 65B devance des rivaux de 500B et plus sur Terminal-Bench 2.1. Le chiffre qui compte n'est pas le score mais les 32 millions de dollars dépensés.
Les agents IA se trompent encore sur une lecture de gel sur trois, et OpenAI montre où
Le nouveau benchmark de biologie d'OpenAI montre que le meilleur modèle se trompe encore sur une interprétation de laboratoire sur trois. Les échecs documentés révèlent où la perception n'atteint pas la conclusion.
NVIDIA ouvre quatre modèles de monde de 16B, et n'a pas mesuré l'apprentissage de politique
Quatre modèles de monde ouverts de 16B et un décodeur qui émet la géométrie d'un seul coup. NVIDIA livre les deux moitiés, mais admet qu'il reste à mesurer l'apprentissage de politique.
Quatre des dépôts les plus populaires de GitHub sont des bibliothèques de skills, et l'empaquetage manque
Les skills d'agents occupent plus d'un quart des tendances GitHub, portés par Anthropic, Google et Cloudflare. Le format est simple ; l'empaquetage est un chaos à quatre chemins.