Claude Opus 5 d’Anthropic s’est hissé en tête d’un classement de modèles tiers très suivi, selon des rapports de benchmarks cités par The Decoder, et il semble y parvenir avec un coût rapporté inférieur à celui de Claude Fable 5 sur plusieurs charges de travail évaluées. Ce résultat compte, car la concurrence actuelle entre modèles de pointe ne se résume plus à gagner des benchmarks bruts : les acheteurs et les développeurs se soucient de plus en plus du prix de chaque tâche, du niveau de raisonnement nécessaire pour obtenir le résultat, et de savoir si un modèle reste fiable lorsqu’on le pousse davantage.

Le chiffre phare vient d’Artificial Analysis, qui a attribué à Claude Opus 5 un score de 61 sur son Intelligence Index, juste devant Claude Fable 5 à 60 et GPT-5.6 Sol à 59. En apparence, il s’agit d’une avance ténue, pas d’un écart spectaculaire. Mais le reportage de The Decoder suggère que le changement le plus important est économique : sur la tâche moyenne de l’Intelligence Index, Claude Opus 5 coûterait 2,03 $ contre 2,75 $ pour Claude Fable 5 avec fallback, tout en surpassant Anthropic Claude Opus 4.8 et Sonnet 5 antérieurs à des niveaux de raisonnement plus élevés.

Une avance mince sur les benchmarks, mais une histoire notable de rapport qualité-prix

D’après le récit de The Decoder sur les derniers tests, Claude Opus 5 est particulièrement fort en qualité analytique, en travail de bureau de type knowledge work et dans les tâches intensives en code. Artificial Analysis indique que son Intelligence Index combine neuf tests couvrant le travail de connaissance, le code, le raisonnement scientifique et l’exactitude factuelle. Dans ce score composite, Claude Opus 5 arrive premier, mais avec seulement un point d’avance sur Claude Fable 5.

Cette faible marge est un contexte important. Elle suggère que le haut du panier des modèles reste très resserré, plutôt que séparé par de grands écarts de capacité. La même source place Kimi K3 à 57 et Claude Opus 4.8 à 56, tandis que GPT-5.6 Sol reste très compétitif sur plusieurs benchmarks individuels. Pour les acheteurs d’entreprise, cela signifie que le choix peut dépendre moins d’un classement unique que du fait qu’un modèle soit moins cher, plus rapide ou plus fiable pour le flux de travail exact dont ils ont besoin.

L’argument économique le plus fort du reportage ne porte pas seulement sur le prix des tokens, mais sur l’économie au niveau de la tâche. The Decoder indique que le coût moyen d’une tâche de l’Intelligence Index est inférieur pour Claude Opus 5 à celui de Claude Fable 5, et que sur le benchmark AA-Briefcase, les niveaux de Claude Opus 5 les plus performants peuvent battre Claude Fable 5 tout en coûtant nettement moins cher. Si ces chiffres se confirment en conditions réelles, Anthropic obtient un récit utile : des performances haut de gamme sans dépenses haut de gamme pour chaque flux de travail.

Là où Claude Opus 5 semble gagner

Le tableau des benchmarks est mitigé, mais globalement favorable à Anthropic. En matière de code, The Decoder rapporte que Claude Opus 5, au réglage « xhigh » et associé à Claude Code, partage la première place sur l’Artificial Analysis Coding Index. Sur Terminal-Bench 2.1, un benchmark consacré à l’ingénierie logicielle autonome dans un environnement terminal, Claude Opus 5 a obtenu 89 % au réglage « max », à égalité avec GPT-5.6 Sol.

En raisonnement scientifique, le modèle aurait obtenu 53 % sur Humanity’s Last Exam, à égalité avec Claude Fable 5. Sur CritPt, un benchmark de physique de l’Argonne National Laboratory et de l’UIUC cité par The Decoder, Claude Opus 5 a de nouveau fait jeu égal avec Claude Fable 5, tout en restant derrière GPT-5.6 Sol, GPT-5.5 Pro et GPT-5.6 Terra.

L’un des résultats les plus importants pour l’automatisation bureautique pratique provient d’AA-Briefcase. Ce benchmark porte sur des tâches comme les rapports de recherche, les présentations et l’analyse de feuilles de calcul à partir de grands ensembles d’entrées. Au raisonnement maximal, Claude Opus 5 y aurait atteint un Elo de 1720, loin devant Claude Fable 5 à 1574. The Decoder précise que les trois premières places de ce benchmark sont toutes occupées par des niveaux de raisonnement de Claude Opus 5, les modèles Anthropic occupant la plupart du top 10.

Pour les équipes produit qui construisent des copilotes riches en documents ou des outils d’analystes internes, cela compte davantage que les concours de raisonnement abstraits. Les benchmarks qui ressemblent à du travail de bureau multi-fichiers sont souvent plus directement représentatifs des cas d’usage entreprise que les évaluations limitées aux mathématiques ou au code.

Le revers : de meilleures réponses ne sont pas la même chose que des réponses plus sûres

Ce même reportage souligne aussi une limitation majeure. Selon Artificial Analysis, Claude Opus 5 répond plus souvent lorsqu’il est incertain, et son taux d’hallucination grimpe à 50 %. The Decoder indique que cela représente 14 points de plus que Claude Opus 4.8, même si le nouveau modèle a progressé sur AA-Omniscience, un benchmark portant sur la précision des affirmations de connaissance.

Ce compromis est l’avertissement central de cette histoire. Un modèle peut paraître plus fort sur des tests de capacité généraux tout en devenant plus risqué dans des flux de travail à forts enjeux s’il est plus enclin à produire des réponses assurées mais non étayées. Pour les équipes qui déploient l’IA dans la revue juridique, l’assistance médicale, la finance ou des opérations sensibles à la conformité, un coût par tâche plus faible ne réduit pas automatiquement le coût total du système s’il crée davantage de relecture humaine.

C’est aussi là que la domination dans les benchmarks peut être trompeuse. Les indices composites récompensent la capacité agrégée, mais de nombreux systèmes en production échouent sur la fiabilité, l’auditabilité ou le comportement de refus, plutôt que sur la seule production analytique brute. Si Claude Opus 5 est effectivement plus susceptible de répondre alors qu’il devrait nuancer ou s’abstenir, cela pourrait limiter son usage dans des domaines où la précision factuelle compte davantage que l’étendue du raisonnement.

Les niveaux de raisonnement compliquent la décision d’achat

Un autre détail notable du reportage de The Decoder est que plus de raisonnement ne signifie pas toujours de meilleures performances concrètes. Vals.ai, cité par la publication, a testé Claude Opus 5 sur plusieurs niveaux de raisonnement dans Vibe Code Bench. Les scores se sont améliorés du niveau faible au niveau élevé, puis ont baissé aux niveaux « xhigh » et « max » malgré des coûts bien plus élevés.

Le même schéma est apparu sur Terminal-Bench 2.1, où le niveau « high » aurait surpassé « max » parce que le modèle passait plus de temps par tentative au réglage maximal, réduisant le nombre de tentatives possibles dans la limite de temps du benchmark. Cela concorde avec les propres recommandations produit d’Anthropic, selon The Decoder, qui indique que « high » est le niveau par défaut dans l’API et dans Claude Code.

Pour les acheteurs, c’est un rappel utile : la sélection d’un modèle est désormais autant un problème de routage qu’un problème d’approvisionnement. Les équipes ne voudront peut-être pas d’un réglage universel. Elles préféreront peut-être des paramètres par défaut moins coûteux pour les tâches routinières, un niveau « high » pour le code et l’analyse, et seulement des escalades occasionnelles vers « max » lorsque la latence est acceptable et que le flux de travail en bénéficie réellement.

Les prix de tokens rapportés restent simples : 5 $ par million de tokens d’entrée et 25 $ par million de tokens de sortie, avec des tarifs supplémentaires pour les écritures en cache et les accès en cache. Mais les prix par token disent moins que les résultats au niveau de la tâche, surtout à mesure que les fournisseurs exposent plusieurs modes de raisonnement au sein d’une même famille de modèles.

Preuves, méthodologie et ce qui reste incertain

Les éléments de preuve de cette histoire proviennent en grande partie de rapports de benchmarks compilés par The Decoder à partir d’évaluateurs tiers comme Artificial Analysis, Epoch AI et Vals.ai. Cela la rend plus indépendante qu’un simple billet de lancement de l’éditeur, mais il reste important de distinguer les résultats observés des faits établis.

Premièrement, Artificial Analysis a travaillé avec Anthropic pour tester Claude Opus 5 avant sa sortie publique, selon The Decoder. Cela n’invalide pas les résultats, mais fournit un contexte pertinent sur la manière et le moment où le modèle a été évalué. Deuxièmement, la comparaison en tête de classement est serrée : Claude Opus 5 devance Claude Fable 5 d’un seul point sur l’Artificial Analysis Intelligence Index, tandis qu’Epoch AI place selon les rapports Claude Opus 5 légèrement derrière Claude Fable 5 sur son Epoch Capability Index global, 159 contre 161. En ingénierie logicielle uniquement, Epoch AI indique que les deux sont à égalité à 161.

Troisièmement, plusieurs des affirmations de coût sont spécifiques aux benchmarks. L’avantage rapporté sur Claude Fable 5 dépend du benchmark, du niveau de raisonnement et de l’utilisation de systèmes de fallback. Il ne faut pas généraliser cela en affirmant que Claude Opus 5 est toujours moins cher en production. Le coût réel dépend de la taille des prompts, de l’usage d’outils, des relances, des contraintes de latence et de la fréquence à laquelle des humains doivent corriger les erreurs.

Néanmoins, les preuves vont clairement dans une direction : Anthropic semble avoir amélioré le rapport qualité-prix au sommet de sa gamme, même si l’écart avec des rivaux proches reste mince et que les préoccupations de fiabilité demeurent non résolues.

Pourquoi cela compte pour les développeurs et les équipes IA d’entreprise

Pour les développeurs d’IA, l’histoire de Claude Opus 5 relève moins d’un bond spectaculaire d’intelligence que d’un réglage opérationnel. Si le modèle peut fournir des résultats du niveau de Claude Fable 5, voire supérieurs, à un coût effectif par tâche plus faible sur le code et le travail de bureau, les développeurs gagnent plus de marge pour expérimenter des workflows agentiques, des analyses en plusieurs étapes et des tâches plus vastes et riches en contexte, sans supporter toute la prime de l’ancien haut de gamme.

Pour les acheteurs d’IA d’entreprise, la leçon est plus nuancée. Les benchmarks suggèrent que Claude Opus 5 est performant pour les agents IA, les cas d’usage d’assistance au code et les charges de travail d’entreprise impliquant documents, feuilles de calcul et génération de rapports. Mais le taux d’hallucination rapporté de 50 % devrait inciter les équipes de gouvernance à la prudence. Dans de nombreux déploiements, la meilleure configuration pourrait combiner Claude Opus 5 pour la synthèse et la génération avec des couches plus strictes de recherche, de validation ou d’approbation humaine.

L’implication plus large pour le marché est la pression concurrentielle. Si Anthropic peut conserver un léger avantage de qualité tout en sous-cotant un quasi-égal comme Claude Fable 5 sur des charges de travail clés, les rivaux devront répondre soit sur la fiabilité, soit sur la latence, soit sur le packaging. C’est particulièrement vrai pour les modèles OpenAI comme GPT-5.6 Sol et GPT-5.6 Terra, qui restent en tête ou proches sur certains tests spécialisés.

Ce qu’il faut surveiller ensuite

Les prochains signaux à surveiller ne seront pas seulement de nouvelles mises à jour de classements. D’abord, il faut voir si des évaluateurs indépendants reproduisent l’avantage de coût de Claude Opus 5 sur davantage de tâches d’entreprise réelles au-delà d’AA-Briefcase et de l’Intelligence Index. Ensuite, il faudra observer si Anthropic traite le compromis des hallucinations via des mises à jour du modèle, des prompts système ou les valeurs par défaut du produit.

Troisièmement, il faut surveiller les schémas de routage entre les niveaux de raisonnement. Si « high » continue à surpasser les réglages plus coûteux sur des benchmarks de code pratiques, cela pourrait modifier la manière dont les équipes budgétisent les modèles de pointe. Enfin, il faudra suivre les réponses concurrentielles de GPT-5.6 Sol, GPT-5.6 Terra et Kimi K3, en particulier sur l’ingénierie logicielle et les benchmarks de factualité, où le peloton de tête reste très serré.

Point de vue de Creati.ai

L’essentiel de cette évolution n’est pas que Claude Opus 5 se place un point devant Claude Fable 5 dans un classement composite. C’est que la concurrence entre modèles de pointe se décide de plus en plus sur la performance des workflows rapportée au coût, plutôt que sur la capacité brute prise isolément. C’est une grille de lecture plus saine pour le marché, car elle correspond à la façon dont les produits sont réellement achetés et déployés.

Mais cette histoire montre aussi pourquoi une victoire dans les classements ne doit pas être confondue avec la maturité pour le déploiement. Claude Opus 5 paraît convaincant pour Claude Code, l’automatisation riche en documents et l’analyse haut de gamme. Pourtant, le comportement d’hallucination rapporté constitue une contrainte sérieuse. Pour la plupart des équipes, la vraie question n’est pas de savoir si Claude Opus 5 est « le meilleur modèle », mais s’il est le meilleur modèle pour une tâche précisément définie avec les garde-fous appropriés autour.