+180 XP

Vertex AI : passer Gemini en production

Vertex AI, c'est l'endroit où votre prototype Gemini cesse d'être une démo astucieuse pour devenir un système auquel votre entreprise peut réellement confier de vrais utilisateurs, de vraies données et de l'argent réel. Jusqu'ici, vous avez appelé Gemini via la Gemini API et Google AI Studio. Cette voie est parfaite pour construire et itérer vite. Mais dès que votre projet exige une sécurité de niveau entreprise, un contrôle régional des données, des pistes d'audit ou une montée en charge prévisible, vous passez à Vertex AI, la plateforme managée de Google Cloud pour mettre l'IA en production.

Cette leçon porte sur ce passage : quand migrer, ce qui change concrètement, et comment trancher sans vous perdre en réflexions.

Deux portes vers les mêmes modèles

Vous connaissez déjà la Gemini API sur ai.google.dev. Elle vous donne une clé API, un free tier généreux et la boucle la plus courte possible entre une idée et un appel qui fonctionne. On l'appelle parfois la Gemini Developer API.

Vertex AI est la seconde porte vers les *mêmes* modèles Gemini (la famille Gemini 3, Pro et Flash, plus des versions plus anciennes encore supportées), mais enveloppés dans la machinerie de Google Cloud : IAM (Identity and Access Management), réseau VPC, endpoints régionaux, logging et gestion des quotas. Même intelligence du modèle, surface opérationnelle très différente.

Le modèle mental à retenir : vous ne changez pas de modèle, vous changez le bâtiment dans lequel il vit. AI Studio est un atelier. Vertex AI est une usine soumise à une réglementation.

L'écart de code est plus faible que vous ne le craignez. Même SDK, configuration différente :

python
from google import genai

# Developer API : une simple clé
dev = genai.Client(api_key="YOUR_API_KEY")

# Vertex AI : projet + région, pas de clé (utilise l'authentification Google Cloud)
prod = genai.Client(
    vertexai=True,
    project="my-gcp-project",
    location="us-central1",
)

response = prod.models.generate_content(
    model="gemini-3-flash",
    contents="Summarize this support ticket in one sentence.",
)
print(response.text)

Les identifiants de modèles changent au fil des sorties et des retraits de versions par Google. Vérifiez donc la liste à jour sur la page des versions de modèles Vertex AI avant d'en figer un. Les modèles Gemini 2.5, par exemple, ont des dates d'arrêt publiées sur Vertex. En production, placez l'ID du modèle dans la configuration et suivez les dates de retrait comme pour n'importe quelle autre dépendance.

Remarquez ce qui a disparu : la clé API. Sur Vertex, l'identité vient des identifiants Google Cloud (un compte de service ou votre propre connexion gcloud), pas d'une chaîne collée dans le code. Ce seul changement est au cœur de la migration des entreprises.

Ce qui change concrètement quand vous migrez

1. Authentification et contrôle d'accès

Sur la Developer API, une clé API est un bearer token : quiconque la détient peut l'utiliser. Acceptable pour un prototype, dangereux en production.

Vertex utilise IAM. Vous attribuez à un compte de service (une identité non humaine pour votre application) un rôle précis, comme roles/aiplatform.user. L'accès est délimité, révocable et journalisé par identité. Vous pouvez répondre à la question « qui a appelé Gemini, quand et d'où », car chaque requête passe par Cloud Audit Logs.

bash
# Autoriser un compte de service à appeler les modèles Vertex AI
gcloud projects add-iam-policy-binding my-gcp-project \
  --member="serviceAccount:app@my-gcp-project.iam.gserviceaccount.com" \
  --role="roles/aiplatform.user"

2. Résidence des données et cadre de gouvernance des données

C'est la raison pour laquelle les secteurs réglementés (santé, finance, secteur public) ne peuvent souvent pas utiliser la Developer API du tout. Vertex vous permet de fixer le traitement dans une région (le paramètre location dans le code ci-dessus), de sorte que les données restent, par exemple, dans l'UE. Vous bénéficiez aussi des conditions de gouvernance des données de niveau entreprise que la plupart des équipes juridiques exigent : vos prompts et vos outputs ne servent pas à entraîner les modèles de Google, avec des engagements contractuels à la clé. Consultez cloud.google.com/vertex-ai pour le détail actuel de la gouvernance, et notez que tous les modèles ne sont pas disponibles dans toutes les régions.

3. Réseau et isolation

Les endpoints Vertex AI peuvent se trouver à l'intérieur de votre VPC (Virtual Private Cloud) grâce à Private Service Connect : le trafic vers Gemini ne transite jamais par l'internet public. Associé à VPC Service Controls, vous construisez un périmètre qui empêche les fuites de données, même si un identifiant est compromis.

4. Quotas, montée en charge et provisioned throughput

Le free tier et les limites du pay-as-you-go sur la Developer API sont conçus pour construire. Vertex vous offre une vraie gestion des quotas et une option appelée Provisioned Throughput : vous réservez une capacité dédiée pour qu'un pic de trafic ne vous expose pas à un rate limiting au pire moment. Vous échangez un peu de flexibilité contre une performance garantie et prévisible. Pour une application client à grande échelle, cette prévisibilité fait partie du produit.

5. Grounding et RAG d'entreprise

Vous comprenez déjà le RAG sur le plan conceptuel. Vertex le rend opérationnel. Le Grounding with Google Search est disponible sur les deux portes, mais Vertex ajoute Vertex AI Search et le grounding sur *vos propres* data stores : vous connectez un corpus de documents internes et Gemini y puise ses réponses, avec citations, le tout géré comme un service au lieu d'une tuyauterie à maintenir vous-même. C'est la version production du RAG que vous avez prototypé plus tôt dans ce parcours.

Quand migrer (et quand ne pas le faire)

Ne migrez pas simplement parce que « production » sonne sérieux. La Developer API fait très bien tourner de vrais workloads. Migrez quand l'une de ces conditions est remplie :

  • Une exigence réglementaire ou juridique impose la résidence des données, des journaux d'audit ou des clauses contractuelles sur les données.
  • Vous avez besoin d'un contrôle d'accès de niveau IAM plutôt que de clés API partagées.
  • Vous avez besoin d'une montée en charge prévisible (provisioned throughput, SLA formels, garanties de quotas).
  • Vous êtes déjà sur Google Cloud et voulez unifier facturation, monitoring et réseau.
  • Vous avez besoin de RAG ou de MLOps managés (évaluation de modèles, pipelines de déploiement, suivi de la dérive de qualité).

Restez sur la Developer API quand vous prototypez, construisez un outil interne à faibles enjeux, lancez un side project ou avancez vite, et que la charge de gouvernance ne ferait que vous ralentir.

Gemini on Vertex AI vs the Gemini API

Watch on YouTube

Un exemple de décision concret

Un assureur santé de taille intermédiaire construit un assistant interne qui répond aux questions des collaborateurs sur la politique de gestion des sinistres. L'équipe le prototype dans AI Studio en un après-midi : elle colle les PDF de la politique, branche le grounding, partage un Gem avec quelques collègues. Ça fonctionne remarquablement bien.

Puis elle décide de le déployer auprès de 4 000 collaborateurs et de le connecter aux données de sinistres en temps réel. Les questions changent alors :

  • Les données de sinistres contiennent des informations de santé des assurés. Peuvent-elles quitter l'UE ? Non. → Vertex avec une région UE.
  • Qui peut interroger le système, et pouvons-nous le prouver ? → Rôles IAM et Cloud Audit Logs.
  • Que se passe-t-il lors du pic de charge du lundi matin ? → Provisioned Throughput, pour que l'assistant ne subisse pas de rate limiting pendant le rush.
  • Où se trouve le corpus de la politique ? → Vertex AI Search, managé, avec citations, plutôt qu'un vector store artisanal que quelqu'un doit surveiller en permanence.

Aucun de ces besoins n'était visible pendant le prototype. Tous sont non négociables au moment du déploiement. **C'est cela, le déclencheur de la migration : les *obligations* qui entourent le modèle, jamais le modèle lui-même.** Le prototype de l'après-midi et le système de production font tourner le *même* gemini-3-flash. Seul le bâtiment a changé.

Vérification des acquis

1. Selon le modèle mental central de la leçon, quelle est la différence fondamentale entre la Gemini Developer API et Vertex AI ?

2. Pourquoi la leçon présente-t-elle la disparition de la clé API comme « le cœur de la migration des entreprises » vers Vertex AI ?

3. Une équipe construit un prototype rapide et veut la boucle la plus courte possible entre une idée et un appel Gemini qui fonctionne. Quelle voie la leçon recommande-t-elle, et pourquoi ?

CHOIX MULTIPLES

4. Sélectionnez TOUTES les capacités opérationnelles que la leçon associe au passage à Vertex AI.

Sélectionnez toutes les réponses correctes.

CHOIX MULTIPLES

5. Sélectionnez TOUTES les affirmations qui décrivent correctement ce qui change (et ce qui ne change pas) lors de la migration du code de la Developer API vers Vertex AI.

Sélectionnez toutes les réponses correctes.

Comment cela s'articule avec le reste de la stack Gemini

Vertex n'est pas un univers à part. C'est la couche de production sous les outils que vous avez déjà rencontrés :

  • Agent Development Kit (ADK) : les agents que vous construisez avec ADK peuvent être développés en local puis déployés sur Vertex AI Agent Engine, un runtime managé qui gère pour vous les sessions, la montée en charge et l'état. Même code d'agent, hébergement de production.
  • Gemini Code Assist et la Gemini CLI restent dans votre workflow de développement, quelle que soit la porte par laquelle vous déployez. Ils vous aident à écrire le code de déploiement ; ils ne font pas partie du runtime.
  • Apps Script et Gemini dans Workspace forment une tout autre couche : ils vivent dans Docs, Gmail et Sheets pour la productivité des utilisateurs finaux. Ce n'est pas là que vous hébergez une application à grande échelle. Ne confondez pas « Gemini m'aide à rédiger un e-mail » et « Gemini sert 4 000 collaborateurs via un endpoint gouverné ».

Une façon simple de le retenir : AI Studio et la Developer API servent à construire. Workspace et les Gems servent à utiliser. Vertex AI sert à opérer à grande échelle, sous contraintes.

La migration relève surtout de la configuration, pas de la réécriture

Comme le SDK est commun, porter un prototype fonctionnel demande généralement peu de travail. Le vrai chantier, c'est la mise en place Cloud autour, pas la logique IA.

Une configuration minimale au format production ressemble à ceci :

yaml
# config de l'app : même modèle, posture de production
model: gemini-3-flash            # vérifiez les IDs actuels et les dates de retrait
vertex:
  project: my-gcp-project
  location: europe-west4        # résidence des données dans l'UE
  use_provisioned_throughput: true
grounding:
  datastore: claims-policy-corpus   # Vertex AI Search
  include_citations: true
auth:
  service_account: app@my-gcp-project.iam.gserviceaccount.com

Votre prompt engineering, vos définitions d'outils, votre choix de modèle : tout est conservé. Ce que vous ajoutez, c'est l'identité, la région, la capacité et la gouvernance. Cette asymétrie est la bonne nouvelle. Le temps passé à rendre votre prototype excellent n'est pas perdu lors de la migration ; l'intelligence est transférée telle quelle.

Une mise en garde honnête

Vertex AI ajoute un poids opérationnel : projets Google Cloud, IAM, configuration de la facturation, choix réseau. Pour un profil légèrement technique, c'est un vrai saut de complexité, et c'est clairement disproportionné pour beaucoup de projets. L'erreur consiste à migrer trop tôt « par sécurité » et à se noyer dans la configuration cloud avant d'avoir validé que quelqu'un veut du produit. Validez sur la Developer API. Migrez quand une obligation, et non une ambition, vous y contraint.

Points clés à retenir

  • Mêmes modèles, bâtiment différent. Vertex AI sert exactement les mêmes modèles Gemini que la Developer API ; vous changez la configuration du SDK (vertexai=True, plus project et location), pas vos prompts ni votre logique.
  • Migrez pour des obligations, pas sur une impression. Le déclencheur est un besoin concret : résidence des données, contrôle d'accès IAM, journaux d'audit, montée en charge prévisible ou RAG managé. Si rien de cela ne s'applique, restez sur la Developer API et continuez d'avancer vite.
  • L'identité remplace la clé API. Sur Vertex, l'accès passe par des comptes de service et des rôles IAM, ce qui rend le « qui a fait quoi » auditable et révocable, exactement ce qu'exigent les équipes réglementées.
  • La région est une décision de premier plan. Définissez location pour maintenir le traitement dans une juridiction, et associez-la à VPC Service Controls et à Provisioned Throughput pour une véritable posture de production.
  • Figez les IDs de modèles dans la configuration et surveillez les dates de retrait. Les versions de Gemini sont arrêtées selon un calendrier publié : traitez l'ID du modèle comme n'importe quelle autre dépendance à mettre à jour.
  • Votre prototype n'est pas jetable. Puisque l'intelligence se transfère telle quelle, investissez d'abord pour bien régler prompts, grounding et logique d'agent sur l'API simple, puis migrez quand les règles l'imposent.

À faire, tiré de cette leçon

Ces actions sont compilées dans le plan d'action du rôle.

  • Adaptez la surface à l'enjeu : AI Studio, API, Gems, puis Vertex AI
Voir le plan d'action complet →