La rivalité entre Anthropic et Google s’intensifie alors que Claude Opus 5 relève la barre des agents

Anthropic a lancé Claude Opus 5 le 24 juillet, accentuant la pression dans la compétition entre Anthropic et Google pour proposer des agents d’IA performants et concrets. Ce nouveau modèle domine plusieurs évaluations indépendantes, bien qu’il soit positionné en dessous du plus grand modèle de pointe d’Anthropic. Ce résultat remet en cause l’idée selon laquelle les clients ont besoin du plus grand modèle disponible pour leurs travaux les plus exigeants.

Cette sortie ne se résume pas à un chatbot supplémentaire atteignant un meilleur score de benchmark. Anthropic présente Opus 5 comme un agent du quotidien qui vérifie ses résultats, crée les outils qui lui manquent et avance dans des missions vagues. Ces comportements comptent davantage qu’une conversation soignée lorsqu’un modèle modifie du code de production, analyse des recherches ou exploite des logiciels d’entreprise.

Google demeure le concurrent externe le plus évident, car Gemini rivalise sur le contexte long, le travail multimodal, l’utilisation d’ordinateurs et la distribution en entreprise. OpenAI reste également important, en particulier dans les évaluations liées au code et aux usages professionnels. Pourtant, l’enjeu central est de savoir si Anthropic peut transformer la fiabilité des agents en avantage face à la portée plus large de la plateforme de Google.

Claude Opus 5 modifie la hiérarchie des modèles d’Anthropic

Claude Opus 5 est important car Anthropic propose un comportement proche de la frontière sans obliger les clients à utiliser son plus grand modèle.

Anthropic décrit Opus 5 comme un « modèle réfléchi et proactif » conçu pour une utilisation fréquente. Selon la sortie d’Opus 5 de l’entreprise, il se rapproche de Claude Fable 5 en matière d’intelligence de pointe tout en consommant moins de ressources par tâche.

Ce positionnement crée une hiérarchie inhabituelle. Fable 5 reste la référence d’Anthropic pour l’intelligence maximale, tandis qu’Opus 5 devient le modèle pratique destiné aux charges de travail quotidiennes exigeantes. Anthropic a fait d’Opus 5 le modèle par défaut de Claude Max et l’option la plus performante disponible via Claude Pro.

La distinction dépend du travail accompli, et pas seulement des tokens consommés. Les systèmes agentiques répètent souvent des étapes, se remettent d’erreurs et appellent des outils externes. Un modèle dont le tarif par token est inférieur peut néanmoins devenir coûteux s’il requiert de nombreuses tentatives ou produit un travail que des humains doivent corriger.

Anthropic affirme qu’Opus 5 améliore cette équation en réalisant davantage de tâches pour un même niveau de ressources. Sur Frontier-Bench v0.1, l’entreprise indique qu’Opus 5 a plus que doublé les performances d’Opus 4.8 tout en réduisant les coûts par tâche. Frontier-Bench évalue les agents sur des missions longues et concrètes plutôt que sur des questions isolées.

Sur CursorBench 3.2, Anthropic affirme que le modèle est arrivé à moins de 0,5 point de pourcentage du meilleur résultat de Fable 5 avec son réglage d’effort le plus élevé. Les réglages d’effort contrôlent la quantité de calcul et de raisonnement que le modèle applique avant de renvoyer une réponse.

Le modèle propose cinq réglages de ce type : low, medium, high, xhigh et max. Les développeurs peuvent ainsi choisir entre des réponses plus rapides et un raisonnement plus long sans changer de modèle. Cette approche rend également un score de benchmark unique moins représentatif de l’usage réel.

Opus 5 conserve une fenêtre de contexte d’un million de tokens, ce qui signifie qu’il peut traiter des collections exceptionnellement volumineuses de texte ou de code au cours d’une même session. Un contexte long ne garantit pas à lui seul qu’un modèle trouvera les bons éléments de preuve. Il réduit toutefois le besoin de répartir de grands dépôts ou ensembles de documents entre des prompts déconnectés.

Anthropic met également l’accent sur l’utilisation d’ordinateurs et l’automatisation des activités d’entreprise. L’entreprise affirme qu’Opus 5 a dépassé le meilleur résultat de Fable 5 sur OSWorld 2.0 en utilisant environ un tiers des ressources de la tâche. OSWorld évalue la capacité d’un système d’IA à effectuer des travaux via des interfaces graphiques.

Sur Zapier AutomationBench, Opus 5 aurait atteint environ 1,5 fois le taux de réussite du modèle suivant le plus performant, à un coût par tâche comparable. Même son réglage d’effort le plus faible a validé davantage de tâches que les alternatives testées, selon Anthropic.

Ces chiffres restent des affirmations du fournisseur tant que des groupes indépendants ne les reproduisent pas dans d’autres environnements. Ils révèlent néanmoins la stratégie produit d’Anthropic. L’entreprise souhaite qu’Opus 5 soit jugé comme un opérateur qui termine le travail, et non simplement comme un modèle qui génère des réponses convaincantes.

C’est aussi pourquoi cette sortie diffère d’une simple mise à jour de modèle. Anthropic concentre les capacités associées à son modèle de pointe dans un produit que davantage de développeurs peuvent déployer de manière répétée. Ce changement modifie le modèle que les clients comparent à Google Gemini, à la famille GPT d’OpenAI et aux modèles ouverts moins coûteux.

Pourquoi la compétition entre Anthropic et Google se déplace vers les agents

La rivalité entre Anthropic et Google dépend désormais de la capacité de chaque entreprise à rendre le travail d’IA de longue durée suffisamment fiable pour les équipes ordinaires.

Google possède des avantages qu’Anthropic ne peut pas facilement reproduire. Gemini peut se connecter à Google Cloud, Android, Workspace, Search et à une vaste plateforme de développement. Google peut intégrer ses modèles aux outils que les entreprises utilisent déjà chaque heure.

La voie plus étroite d’Anthropic se concentre sur le comportement des modèles dans les flux de travail agentiques. Claude Code a offert à l’entreprise une position visible dans le développement logiciel, où les modèles peuvent inspecter des fichiers, exécuter des commandes, tester des modifications et corriger des erreurs. Opus 5 étend cet argument au-delà du code.

Le nouveau modèle arrive alors que les acheteurs d’IA passent des démonstrations conversationnelles aux livrables finalisés. Un agent utile doit interpréter un objectif, recueillir le contexte pertinent, choisir des outils, reconnaître l’échec et décider quand demander de l’aide. Chaque étape crée une nouvelle occasion de commettre une erreur plausible.

Le facteur de différenciation d’Opus 5 est censé être son jugement durant ces étapes. Anthropic affirme que le modèle vérifie son travail plus systématiquement et poursuit ses itérations jusqu’à atteindre un résultat satisfaisant. Il s’agit d’une affirmation plus forte qu’une amélioration de la qualité des réponses, car elle concerne le comportement sur l’ensemble d’un flux de travail.

Un exemple concernait le dessin d’un composant mécanique. Le modèle devait recréer l’objet sous forme de modèle FreeCAD tridimensionnel, mais il ne disposait d’aucun moyen direct de visualiser l’image.

Selon la sortie, Opus 5 a écrit un pipeline de vision par ordinateur qui a extrait la géométrie à partir des pixels bruts de l’image. Il a ensuite utilisé ces informations pour reconstruire le composant. Anthropic affirme que les modèles concurrents ont échoué lors de cinq tentatives dans les mêmes conditions.

Le détail important n’est pas FreeCAD lui-même. Opus 5 a identifié une capacité manquante, créé un outil, puis repris la tâche initiale. Cette séquence ressemble à la manière dont un ingénieur expérimenté gère une contrainte imprévue.

Un second exemple concernait un bug dans un gestionnaire de paquets open source largement utilisé. Anthropic affirme qu’Opus 5 a trouvé la cause première et corrigé un cas limite que le correctif communautaire existant n’avait pas détecté. Un modèle concurrent n’aurait corrigé que le symptôme visible.

Un autre utilisateur précoce a demandé à Opus 5 de créer un flux de données de marché pour une nouvelle bourse. En l’absence de flux en direct, le modèle a créé un banc de test pour valider son analyseur. Les modèles précédents avaient échoué même lorsqu’un ingénieur fournissait des plans détaillés, selon Anthropic.

Ces exemples restent des démonstrations sélectionnées, et non des mesures neutres des performances moyennes. Ils illustrent néanmoins le comportement qu’Anthropic veut que les développeurs remarquent. Opus 5 ne se contente pas de suivre un plan. Il construit l’infrastructure manquante lorsque le plan se heurte à la réalité.

Ce comportement accroît la pression sur Google de deux façons. Premièrement, les comparaisons de modèles récompensent de plus en plus l’exécution complète des tâches plutôt que le raisonnement isolé. Deuxièmement, la fiabilité des agents peut influencer les décisions d’achat même lorsque les modèles concurrents proposent des fenêtres de contexte ou des scores de benchmark similaires.

Google peut répondre grâce aux avantages d’intégration de Gemini et à ses propres produits d’agents. L’entreprise peut également exploiter des signaux propriétaires issus du lieu de travail auxquels les fournisseurs de modèles autonomes ne peuvent pas accéder. La question ouverte est de savoir si la distribution compense les différences en matière de planification, de vérification et de reprise après erreur.

OpenAI exerce une pression depuis une autre direction. Artificial Analysis a constaté que GPT-5.6 Sol devançait Opus 5 sur la qualité de présentation, même lorsqu’Opus dominait les mesures analytiques. Cela suggère qu’aucun fournisseur ne maîtrise tous les aspects d’un résultat professionnel.

Les acheteurs en entreprise compareront donc des systèmes, et pas seulement des noms de modèles. Ils devront prendre en compte les contrôles d’identité, l’accès aux données, l’observabilité, la reprise après défaillance et la qualité des artefacts générés. Le modèle gagnant sera souvent celui qui s’intègre à un flux de travail responsable.

Pour les équipes qui gèrent d’importantes collections techniques, une base de connaissances consultable peut fournir le contexte dont les agents ont besoin. Une meilleure récupération de l’information n’élimine pas les erreurs des modèles, mais elle facilite l’examen des preuves.

Le comportement proactif est le véritable mécanisme de Claude Opus 5

Le mécanisme central d’Opus 5 est une vérification persistante, même si cette persistance peut aussi consommer davantage de temps et entraîner des actions inattendues.

Simon Willison a qualifié le modèle de potentiellement « implacablement proactif » après avoir examiné l’exemple FreeCAD d’Anthropic. Sa première évaluation résume à la fois son attrait et les préoccupations qu’il suscite.

La proactivité paraît souhaitable lorsque le modèle repère un test manquant, une dépendance cachée ou une hypothèse erronée. Elle devient moins attrayante lorsqu’un agent élargit une tâche, modifie des fichiers sans rapport ou continue de consommer des ressources alors qu’une réponse utile existe déjà.

La sortie repose donc sur le jugement. Un agent compétent doit savoir quand approfondir une enquête et quand s’arrêter. Il doit distinguer une tâche bloquée d’une tâche qui nécessite une approbation.

Les exemples clients d’Anthropic soulignent à plusieurs reprises cette distinction. Une évaluation frontend a montré qu’Opus 5 vérifiait les pages aux largeurs d’affichage desktop et mobile. Il aurait remarqué un contrôle de paiement hors écran, corrigé la mise en page et revérifié le résultat avant de restituer son travail.

Un autre utilisateur a décrit le modèle vérifiant les branches, examinant un modèle de pull request et tenant compte des implications pour les tests avant de finaliser une passation. Les modèles plus anciens avançaient apparemment plus vite, mais échouaient aux contrôles internes.

Ces témoignages suggèrent qu’Anthropic a optimisé Opus 5 autour de boucles de vérification. Une boucle de vérification est une séquence répétée consistant à produire un travail, le tester, identifier les erreurs et réviser le résultat. Cette boucle peut accroître la fiabilité lorsque les tests représentent fidèlement la tâche.

Les tests ne sont toutefois pas toujours fiables. Un agent peut s’optimiser pour une évaluation incomplète tout en manquant l’objectif réel. Il peut également créer des tests qui confirment sa propre interprétation erronée.

Ce risque devient plus sérieux en dehors du développement logiciel. Un agent juridique peut générer un document qui satisfait aux contrôles de mise en forme tout en interprétant mal la juridiction. Un agent de recherche peut produire un rapport complet tout en s’appuyant sur des preuves faibles ou circulaires.

Les parcours de raisonnement plus longs du modèle entraînent également une pénalité de temps. Des tests indépendants ont montré que ses réglages les plus exigeants prenaient en moyenne plus de 25 minutes pour des tâches complexes de travail intellectuel. Le réglage maximal prenait nettement plus de temps qu’Opus 4.8, car il utilisait davantage de tours.

Un tour représente un échange supplémentaire entre le modèle et ses outils ou son environnement. Davantage de tours peuvent indiquer des vérifications utiles, mais aussi des hésitations. Les organisations ont besoin de journaux permettant de déterminer quelle interprétation s’applique.

Artificial Analysis a mesuré en moyenne 103 tours pour Opus 5 à l’effort maximal dans son évaluation AA-Briefcase. Opus 4.8 en utilisait 55 avec son réglage le plus élevé. Cet écart aide à expliquer comment Opus 5 obtient de meilleurs résultats tout en prenant davantage de temps.

Cela crée un compromis concret. Une équipe peut accepter qu’un agent s’exécute pendant une demi-heure pour préparer une présentation documentée ou corriger un problème logiciel complexe. Le même délai serait inacceptable pour un assistant de support interactif.

Les réglages d’effort permettent aux développeurs de gérer cette frontière. Une classification courante peut s’exécuter avec un réglage plus faible, tandis qu’une enquête ambiguë peut recevoir davantage de puissance de calcul. Le modèle a néanmoins besoin d’un routage fiable, car les utilisateurs savent rarement à l’avance quel niveau d’effort est nécessaire.

L’infrastructure agentique doit également imposer un périmètre. Un système autonome doit disposer d’autorisations explicites, de limites de dépenses et de points de validation. Un modèle plus performant réduit certains échecs d’exécution, mais il ne remplace pas les contrôles opérationnels.

Les meilleurs déploiements associeront le jugement du modèle à des environnements contraints. Les agents peuvent recevoir des identifiants limités, des espaces de travail temporaires, des critères d’achèvement vérifiables et une revue humaine pour les actions irréversibles. Cette conception traite l’autonomie comme une autorité graduée.

Opus 5 renforce l’argument d’Anthropic selon lequel le comportement du modèle peut améliorer l’ensemble de la boucle. Il ne supprime pas la nécessité de concevoir cette boucle. La proactivité ne devient utile que lorsque les organisations peuvent l’observer, la limiter et l’auditer.

Des scores indépendants étayent l’affirmation, avec d’importantes limites

Les évaluations indépendantes placent Opus 5 près du sommet, mais leurs résultats détaillés révèlent des compromis masqués par une simple position dans un classement.

Artificial Analysis a évalué les cinq réglages d’effort avant la sortie. Son évaluation d’intelligence a attribué à Opus 5, avec un effort maximal, un score de 61. Fable 5 a obtenu 60, GPT-5.6 Sol 59 et Opus 4.8 56.

Une avance d’un point n’établit pas une supériorité universelle. Les indices composites regroupent plusieurs tests, et de faibles écarts peuvent varier selon les prompts, les harnais d’évaluation ou les règles de notation. Le résultat étaye une conclusion limitée : Opus 5 est compétitif à la frontière sur les tâches incluses.

Les preuves les plus solides apparaissent dans le travail de connaissance agentique. AA-Briefcase teste les modèles sur des missions privées impliquant des milliers de fichiers d’entrée. Les livrables comprennent des rapports, des feuilles de calcul et des présentations évalués sur l’exactitude, l’analyse et la présentation.

Opus 5 a atteint un score Elo de 1 720 avec un effort maximal. Fable 5 a obtenu 1 574, soit un écart de 146 points. Les réglages xhigh et high d’Opus 5 ont également dépassé Fable 5 dans cette évaluation.

Le benchmark agentique a constaté que les gains d’Opus 5 provenaient principalement de l’exécution de critères objectifs et de la qualité analytique. Son score analytique à effort maximal approchait les 300 points Elo de plus que Fable 5.

La présentation est en revanche restée une faiblesse comparative. Opus 5 a enregistré un Elo de présentation de 1 628, tandis que GPT-5.6 Sol a atteint 1 666. Un modèle peut donc produire une analyse plus solide sans créer le meilleur livrable final sur le plan visuel.

Cette distinction compte pour l’adoption en entreprise. Les analystes ont souvent besoin de conclusions exactes et d’un livrable adapté aux dirigeants ou aux clients. Un workflow peut nécessiter un modèle pour la recherche et un autre système pour la mise en forme ou l’amélioration visuelle.

L’évaluation globale a également identifié une préoccupation concernant la fiabilité factuelle. Opus 5 a amélioré son exactitude sur AA-Omniscience par rapport à Opus 4.8, mais a répondu à davantage de questions lorsqu’il était incertain. Artificial Analysis a mesuré son taux d’hallucination à 50 % sur ce test.

Le taux d’hallucination est propre à ce benchmark et ne doit pas être traité comme le taux d’erreur du modèle pour chaque charge de travail. Néanmoins, ce résultat complique le discours d’Anthropic sur la vérification. Un modèle peut contrôler soigneusement ses procédures tout en restant trop sûr de ses connaissances factuelles mémorisées.

C’est le principal point de scepticisme de cet article. La persistance agentique et le calibrage factuel sont des capacités distinctes. Un agent persistant peut amplifier une prémisse incorrecte s’il ne reconnaît pas l’incertitude.

Les benchmarks privés ont aussi leurs limites. Ils réduisent les risques de contamination, car les développeurs de modèles ne peuvent pas facilement s’entraîner sur les tâches exactes. Pourtant, les acheteurs ne peuvent pas supposer que les fichiers, outils et critères de notation de ces benchmarks correspondent à leurs propres opérations.

Les premiers témoignages de clients comportent des réserves similaires. Anthropic a sélectionné les organisations et les citations de sa publication. Ces utilisateurs opèrent souvent dans des environnements de développement sophistiqués, avec des tests rigoureux, des superviseurs expérimentés et des mesures de performance bien définies.

Une petite entreprise peut offrir moins de structure. Ses données peuvent être incohérentes, ses autorisations excessivement larges et ses tâches peuvent contenir des hypothèses organisationnelles cachées. Le même comportement du modèle peut produire des résultats différents dans ces conditions.

Les entreprises devraient mener des évaluations à partir de travaux représentatifs et de catégories d’échec documentées. Un simple taux de réussite ne suffit pas. Les équipes devraient enregistrer les affirmations non étayées, les actions destructrices, les appels d’outils inutiles, les passations incomplètes et les échecs à demander une approbation.

Elles devraient également comparer l’achèvement total des tâches, et non la qualité de la première réponse. Le temps de correction humaine peut dépasser les coûts d’exécution du modèle. À l’inverse, un agent lent peut tout de même faire gagner du temps s’il renvoie un travail nécessitant peu de corrections.

Claude Opus 5 mérite l’attention car les résultats indépendants étayent globalement les affirmations de performance d’Anthropic. Ces résultats ne justifient pas un déploiement sans supervision. Ils justifient plutôt des tests plus rigoureux face à Google, OpenAI et aux workflows internes existants.

Les gains de sécurité n’éliminent pas le risque agentique

Anthropic fait état d’améliorations significatives de la sécurité, mais des agents plus puissants accroissent encore les conséquences d’instructions erronées et d’un contexte compromis.

Anthropic affirme qu’Opus 5 a produit le plus faible taux mesuré de comportement désaligné parmi les modèles Claude récents. Son audit comportemental automatisé a attribué au modèle un score global de désalignement de 2,3.

L’entreprise affirme également qu’Opus 5 suit plus étroitement la Constitution de Claude qu’Opus 4.8, Sonnet 5 ou Fable 5. La Constitution de Claude est le cadre écrit d’Anthropic pour guider le comportement du modèle et résoudre les instructions contradictoires.

Il s’agit de mesures réalisées par l’entreprise. Elles fournissent des détails utiles, mais les chercheurs indépendants ont besoin de temps pour tester le modèle face à des attaques inconnues et dans des déploiements réels. Les résultats de sécurité changent souvent lorsque les utilisateurs connectent les modèles à de nouveaux outils.

L’injection de prompt reste une préoccupation centrale. Une injection de prompt est une instruction malveillante dissimulée dans un contenu lu par un agent. L’attaquant tente de faire traiter au modèle un texte non fiable comme une commande autorisée.

Boris Cherny d’Anthropic a décrit Opus 5 comme le modèle de l’entreprise le moins vulnérable aux injections de prompt. La fiche système associée fait état de tests couvrant des audits comportementaux, des évaluations d’usage abusif et des exercices de red team.

Une moindre vulnérabilité est importante parce que les agents proactifs consomment des e-mails, des documents, des sites web, du code source et des tickets de support. Chacun de ces éléments peut contenir des instructions conçues pour rediriger le modèle. L’accès aux outils transforme une manipulation réussie en préjudice opérationnel.

Toutefois, la résistance n’équivaut pas à l’immunité. Les organisations doivent toujours séparer les données des instructions, restreindre les identifiants et exiger une confirmation avant les actions sensibles. Elles doivent supposer que certaines attaques contourneront les défenses au niveau du modèle.

Anthropic a également limité l’entraînement d’Opus 5 en cybersécurité. L’entreprise affirme que les améliorations générales de capacité ont rendu le modèle meilleur dans la détection de vulnérabilités, malgré cette restriction. Il reste derrière Mythos 5 pour exploiter ces faiblesses.

Cette séparation vise à préserver l’utilité défensive sans maximiser la capacité offensive. Elle est difficile à maintenir, car la découverte et l’exploitation de vulnérabilités reposent sur des connaissances communes. Un meilleur raisonnement peut améliorer les deux, même lorsque l’entraînement spécialisé exclut les tâches d’attaque.

La sortie soulève aussi une question de gouvernance. Si Opus 5 peut créer des outils que ses concepteurs n’avaient pas anticipés, les systèmes d’autorisation doivent évaluer les résultats plutôt que les actions nommées. Bloquer une commande offre peu de protection lorsque le modèle peut construire un itinéraire alternatif.

L’exemple FreeCAD illustre ce problème dans un cadre inoffensif. Le modèle n’avait pas d’accès visuel ; il a donc construit un pipeline de vision. Dans un environnement sensible, une improvisation similaire pourrait contourner une limite prévue sans intention malveillante.

Un agent proactif a besoin d’une distinction claire entre un échec de capacité et une restriction de politique. « Je ne peux pas accéder à cette entrée » ne doit pas automatiquement signifier « crée une nouvelle méthode d’accès ». Parfois, la capacité manquante représente un contrôle de sécurité délibéré.

Les développeurs devraient tester si le modèle reconnaît cette distinction. Les évaluations peuvent placer des agents derrière des limites explicites et observer s’ils demandent une autorisation, s’arrêtent en sécurité ou improvisent autour de la restriction.

L’auditabilité est tout aussi importante. Les longues traces d’agents peuvent contenir des centaines d’interactions avec des outils. Les réviseurs humains ont besoin de résumés identifiant les fichiers modifiés, les systèmes consultés, les hypothèses, les tests échoués et les incertitudes non résolues.

La provenance des connaissances compte également. Les équipes utilisant le knowledge blending peuvent connecter plusieurs sources d’information, mais les réponses obtenues nécessitent toujours des preuves traçables. Un modèle devrait indiquer quelle source étaye chaque affirmation importante.

Les gains de sécurité rapportés par Anthropic renforcent l’argument en faveur d’essais contrôlés. Ils ne justifient pas une autonomie illimitée. Plus Opus 5 accomplit efficacement des tâches ouvertes, plus ces contrôles deviennent importants.

La suite pour Anthropic, Google et les acheteurs d’IA

La prochaine étape sera déterminée par la fiabilité en production, la réponse de Google et la preuve que les gains des benchmarks survivent aux conditions ordinaires de travail.

Le premier signal viendra des données de déploiement d’organisations réelles. Les acheteurs devraient observer si Opus 5 réduit le temps de correction humaine, les exécutions échouées et les prompts répétés dans le code et le travail de connaissance. Une baisse de l’utilisation des ressources ne compte que si les tâches achevées restent exactes.

Des preuves issues de déploiements non scénarisés renforceraient l’argument d’Anthropic. Des signalements d’élargissement du périmètre, d’achèvement lent ou d’erreurs factuelles formulées avec assurance l’affaibliraient. Les études de cas les plus utiles incluront des taux d’échec, et pas seulement des exemples de réussite.

Le deuxième signal est la réponse de Google via Gemini et sa plateforme agentique. Google n’a pas besoin de remporter chaque benchmark indépendant si les intégrations Workspace et Cloud rendent Gemini plus facile à gouverner. Il doit toutefois offrir des capacités compétitives de planification, de vérification et de récupération.

Un modèle Google qui égale Opus 5 sur les tâches de longue durée ferait basculer la compétition vers la distribution. Une réponse faible laisserait Anthropic définir la qualité des agents autour du comportement de Claude, y compris dans les logiciels distribués par de plus grandes plateformes.

OpenAI restera partie prenante de cette comparaison. Le meilleur résultat de GPT-5.6 Sol en matière de présentation montre que le travail professionnel comporte plusieurs dimensions indépendantes. Les acheteurs orienteront de plus en plus les tâches entre différents modèles plutôt que de choisir un vainqueur définitif.

Le troisième signal sera celui des tests de sécurité indépendants. Les chercheurs devraient examiner la résistance aux injections de prompt, la gestion des autorisations, le calibrage factuel et la volonté du modèle de s’arrêter. Les affirmations d’Anthropic deviennent plus convaincantes si des équipes externes les reproduisent dans des environnements inconnus.

Des échecs ne rendraient pas nécessairement Opus 5 inutilisable. Ils préciseraient les domaines où le modèle exige des autorisations plus strictes, des tâches plus limitées ou une supervision humaine renforcée. La sécurité des agents est généralement une propriété du système, et non le score d’un seul modèle.

Pour les développeurs, la question immédiate est pratique : Opus 5 termine-t-il vos tâches difficiles avec moins de corrections qu’Opus 4.8, Gemini ou GPT-5.6 ? Une évaluation contrôlée devrait utiliser des entrées, outils, autorisations et critères d’achèvement identiques.

Les acheteurs en entreprise devraient examiner bien plus que la qualité des résultats. Ils ont besoin d’une latence prévisible, de sources traçables, d’une consommation des ressources maîtrisable, d’un comportement stable sur des exécutions répétées et de procédures d’escalade claires lorsque le modèle rencontre une ambiguïté.

Les travailleurs du savoir devraient y prêter attention, car la concurrence entre agents dépasse désormais le simple cadre du chat. Les modèles sont de plus en plus sollicités pour produire des feuilles de calcul finales, des présentations, des dossiers de recherche et des changements opérationnels. La qualité de la vérification déterminera si ces résultats font réellement gagner du temps ou s’ils ne font que déplacer la charge de travail.

La rivalité entre Anthropic et Google se joue désormais sur un test plus exigeant. Anthropic parie qu’un comportement persistant et auto-contrôlé peut l’emporter sur l’avantage de distribution de Google. Google peut répondre en rendant Gemini tout aussi fiable au sein des systèmes qu’il contrôle déjà.

Claude Opus 5 apporte actuellement à Anthropic des éléments solides en faveur de ce pari. Ses scores indépendants sont impressionnants, et ses exemples de création d’outils révèlent une évolution significative du comportement des agents. Les résultats en matière de calibrage factuel et de latence empêchent toutefois de conclure à une victoire évidente.

Testez le modèle sur des tâches dont vous connaissez déjà le résultat attendu. Suivez chaque correction, action superflue, affirmation non étayée et demande d’approbation. Comparez ensuite l’ensemble de la tâche, et non la réponse la plus spectaculaire.

Le prochain leader ne sera pas désigné par un seul classement. Ce sera le système qui accomplit un travail utile tout en rendant ses erreurs visibles, limitées et récupérables.