Pourquoi choisir Firebase AI Logic pour intégrer l'IA dans une app Android ?

“Intégrer un assistant conversationnel dans une application”, tout le monde en parle mais est-ce simple de se lancer réellement ? Car au-delà de réfléchir à la meilleure manière de faire discuter une IA avec ses utilisateurs d’un point de vue “expérience”, il convient aussi de savoir comment, techniquement, il est possible de franchir le cap, sans démultiplier les coûts, qu’ils soient financiers, humains ou matériels. 

C'est la mission que se sont confiée nos développeurs Android chez USERADGENTS : trouver une solution pratique, simple et efficace pour gérer, depuis nos applications, des interactions qui utilisent l'IA afin de déclencher des actions concrètes à l'intérieur de celles-ci. 

Voici ce qu’ils ont retiré de leurs expérimentations.

Le point de départ

Offrir un canal conversationnel intuitif, capable d'interpréter l'intention de l'utilisateur et de le guider en temps réel vers les fonctionnalités de l'app en déclenchant une action réelle (lancer une recherche, ajouter un produit au panier…), est devenu un enjeu de plus en plus pressant pour beaucoup d’éditeurs. Pour continuer à enrichir les parcours d’une part et pour réduire des frictions qui pourraient être facilement résolvables grâce au langage naturel, dans une ère où l’IA a complètement bouleversé les usages.

Cet enjeu, qui dépasse le simple “chatbot”, a été le point de départ de nos réflexions. Nous avons donc évalué les technologies disponibles sur le marché et les avons comparées selon plusieurs critères de performance, de coût et de compatibilité, avant de nous attarder, dans un premier temps, sur Firebase AI Logic.

Panorama des solutions

Quelle que soit l'option retenue, le développement d'une interface conversationnelle reste un investissement commun et incontournable. La vraie décision porte sur le moteur d'IA, et pour cela, trois grandes familles de solutions s'offrent à nous.

• Les API externes (Google Gemini, Claude d'Anthropic, GPT d’OpenAI…). Ce sont les modèles les plus puissants du marché, accessibles via le cloud. On y gagne certes en richesse fonctionnelle, mais l'intégration est à faire soi-même (ce qui peut être relativement difficile à mettre en place) et les données transitent vers l’extérieur.

• L'IA embarquée (Gemini Nano via AICore, Gemma via MediaPipe, ou encore ExecuTorch et Llama). Le modèle s'exécute directement sur l'appareil : confidentialité maximale, fonctionnement hors ligne, aucun coût à l'usage. En contrepartie, c'est lourd ou peu compatible. Gemini Nano ne tourne que sur une poignée de smartphones haut de gamme et un modèle comme Gemma embarqué via MediaPipe peut alourdir l'app de plus de 1,5 Go.

• Entre les deux, Firebase AI Logic trace une voie médiane. Firebase AI Logic est un SDK fourni par Google qui sert de passerelle entre l'application et les modèles Gemini hébergés dans le cloud. L'app intègre le SDK, envoie ses requêtes via Firebase, qui les route vers le bon modèle. Anciennement « Vertex AI in Firebase », la solution a été renommée et repackagée en Firebase AI Logic en mai 2025.

Pour son approche intermédiaire prometteuse, entre le tout-natif LLM (difficile à embarquer) et le tout-embarqué (vraiment pertinent seulement sur certains devices), nous avons décidé de tester en priorité Firebase AI Logic. La solution est évidemment loin d’être la seule, et notre perception est susceptible d’évoluer au fil des transformations du marché, mais c’est celle qui semble à date la plus adaptée pour faire un premier pas avec l’IA. 

Firebase AI Logic, le bon compromis

Alors pourquoi choisir Firebase AI Logic ? Pour répondre à cette question, nous sommes sortis de la théorie en mettant en place un test grandeur nature. Nous avons construit “UABurger”, un assistant de commande de burgers propulsé par Firebase AI Logic et nous avons pu constater plusieurs avantages non négligeables.

D’abord, la compatibilité universelle. Comme tout passe par le cloud, Firebase AI Logic fonctionne sur 100% des appareils Android, là où l'IA embarquée reste réservée à une fraction du parc. 

La solution se veut aussi assez légère : on intègre un SDK, sans serveur à maintenir, sans infrastructure à gérer et l'empreinte dans l'app est minime. Une bonne grosse journée suffit à rendre le tout fonctionnel. 

Le SDK est par ailleurs disponible bien au-delà d'Android (Kotlin/Java, mais aussi Flutter, iOS, Web, Unity et React Native) et promet des performances similaires, peu importe l’OS ou la plateforme, indépendamment de son lien avec Google. La documentation d'installation/utilisation et les étapes de mise en place sont les mêmes.

S'ajoute à cela le confort de rester dans un écosystème déjà maîtrisé. Connaître Firebase suffit en grande partie à démarrer, avec un accès direct aux modèles Gemini les plus récents et la sécurisation des appels via App Check.  

La navigation est aussi plus simple pour l'utilisateur et les temps de réponse sont relativement rapides.

L’élément différenciant : le Function Calling

Le scénario imaginé pour notre assistant UA Burger nous a surtout servi à tester le Function Calling.

On entend beaucoup parler ces derniers temps du standard MCP, qui permet à un LLM d'exploiter le service tiers d’une plateforme digitale (localisation, commande…) au fil d'une conversation. Le Function Calling repose sur une logique similaire. Il donne au LLM les moyens de déclencher une action ciblée directement dans l’application.

Son fonctionnement

On décrit à l'IA des « fonctions », autrement dit les actions que l'app sait déjà exécuter. Chaque fonction (ou FunctionDeclaration) repose sur trois éléments : une clé, une description en langage naturel et des paramètres structurés. Ces déclarations enrichissent le contexte du modèle et l'aident à mieux cerner l'intention de l'utilisateur.

Le cycle se déroule comme une boucle. D'abord, l'utilisateur formule une demande et le modèle détecte qu'une fonction est nécessaire. Le modèle renvoie ensuite un functionCall : le nom de la fonction et les paramètres à utiliser. Le code de l'app exécute alors l'action réelle (un appel d'API, une requête en base…). Le résultat est renvoyé au modèle, qui l'intègre et formule enfin sa réponse.

Un point essentiel : Firebase n'exécute jamais rien lui-même, c'est une passerelle, et c'est toujours l'app qui traite la demande. Tant que le modèle renvoie des fonctions à appeler, sa tâche n'est pas terminée ; lorsqu'il renvoie du texte, la réponse est prête. On peut d'ailleurs cadrer ce comportement : par défaut le modèle décide seul quand appeler une fonction (mode AUTO), mais on peut le forcer à toujours en appeler une (ANY) ou le lui interdire (NONE).

C’est notre cas pour l’UA Burger. L'utilisateur ouvre l'assistant et demande « Je veux un burger avec du cheddar ». Plutôt que de répondre tout de suite, le modèle pose d’abord les bonnes questions : « avec ou sans viande ? », « Quel type de viande ? ». L'utilisateur précise « avec viande de bœuf ». L'IA déclenche alors une recherche (« cheddar ») via une fonction exposée par l'app, qui lui renvoie un résultat. Ce n’est qu’à ce moment-là que le modèle formule sa réponse : « Le Double Cheese » à 13,90 €, accompagnée de sa fiche produit cliquable dans l'interface. Avec le Function Calling de Firebase AI Logic, cela fonctionne parfaitement.

Son intérêt 

Sans Function Calling, un assistant reste cantonné à la conversation : il informe, reformule, résume, mais ne touche à rien. Avec lui, il devient capable de traduire une phrase en action :  il peut déclencher un parcours via le back-end. C'est précisément ce qui vient servir nos attentes initiales.

L'autre atout, c'est le contexte. Une IA logée dans l'app connaît l'état de la session, l'historique et les préférences de l'utilisateur, bien plus qu'un assistant externe générique. Elle peut donc proposer des réponses et des actions réellement personnalisées et orchestrer le backend métier au plus près du besoin.

Attention, le Function Calling n'est pas une exclusivité de Gemini : les grandes API (Claude, OpenAI) proposent toutes une forme d'appel d'outils. La vraie différence se situe dans sa capacité d’orchestration interne. Dans une app mobile, impossible de passer par un serveur MCP, il ne peut tout simplement pas s’y connecter. Le Function Calling devient donc le moyen natif d'exposer les fonctions de l'app au modèle, là où une solution externe resterait à la porte. 

Les limites de Firebase AI Logic

Notre test nous a toutefois aussi permis d’identifier de gros points d’attention. 

Le modèle en lui-même représente un potentiel blocage. Choisir le bon, et lui faire faire exactement ce qu'on attend, demande un vrai travail sur le prompt. Le modèle est parfois approximatif, voire en dehors des clous et les réponses ne sont pas toujours fiables. Par ailleurs, la dépendance au service est totale… S’il n’y a pas de réseau, il n’y a pas de réponse. 

La sécurité des données est l’autre point de vigilance majeur. Par nature, un intermédiaire cloud envoie tout vers un serveur distant, prompts et réponses transitent en dehors de l'appareil. Le monitoring de Firebase capture même par défaut ces échanges, y compris d'éventuelles données personnelles (sauf en cas de sélection d’une formule payante qui protège la confidentialité). La question du consentement et de la gouvernance des données se pose donc franchement.

La solution convient bien aux apps qui ne manipulent pas de données ultra-sensibles, mais elle est à écarter pour les autres (usage bancaire, médical, juridique…).

Anthony Geretzhuber, Développeur Android

Le coût pourrait aussi être un frein dans certains cas. Firebase AI Logic est gratuit sur de petits volumes mais la facturation se fait ensuite à l'usage de l’API Gemini, au token, et selon certaines options. Ça ne peut être viable à grande échelle que si l’on surveille la consommation de très près (estimation du nombre de tokens, alertes de budget). 

N’oublions pas non plus qu’il s’agit quand même d’un écosystème quasi verrouillé par Google. La solution est taillée pour l'écosystème Gemini. À garder en tête dans une logique de réversibilité…

La qualité perçue par l'utilisateur final dépend surtout du modèle choisi, du contexte qu’on lui fournit et du prompt engineering au global, pas de la solution Firebase en elle-même. Cela reste transparent pour l'utilisateur.

Anthony Geretzhuber, Développeur Android

En conclusion

Firebase AI Logic n’est pas LA solution miracle mais c’est une solution qui semble “raisonnable” si l’on veut expérimenter rapidement une IA conversationnelle capable de déclencher des actions au sein d'une app (grâce au Function Calling). Elle est idéale pour tester un cas d'usage, valider une intention auprès d'un client ou monter un POC qui « se débranche » facilement si besoin. 

Elle possède quasi toutes les mêmes promesses que les grosses API externes (puissance fonctionnelle, légèreté dans l’app, compatibilité matérielle totale, accès aux derniers modèles Gemini, gratuité sous conditions…) avec deux avantages supplémentaires : aucun back-end à développer / maintenir et la possibilité de monitorer l’usage des tokens pour éviter tout débordement. 

Cela ne signifie pas que les IA embarquées sont hors course. Les avantages de sécurité et d’interaction du local peuvent aussi être pertinents dans certains cas. À chaque projet, à chaque besoin, ses solutions. 

Et comme pour tout outil d'IA, le même principe demeure : il ne faut jamais négliger l’importance de l'expertise derrière le modèle, côté développement, pour cadrer les prompts et vérifier les hallucinations.

Mathieu Pisonero, CTO

Vous avez pour ambition d’intégrer l’IA dans votre application mobile Android ? Contactez nos experts techniques !