La sécurité du code de Claude Opus 5.5 rejoint GPT-6-Sol à 73 %, rendant la vérification essentielle

La sécurité du code de Claude Opus 5.5 a rejoint GPT-6-Sol à 73 % dans l'évaluation d'automne de Veracode, relevant le plafond de référence tout en laissant subsister d'importantes défaillances. Ce résultat place Anthropic et OpenAI à égalité sur cet indicateur précis. Il rend également plus pressante une question d'achat : quelle part du travail de vérification un meilleur modèle de programmation élimine-t-il réellement ?

Veracode a annoncé ces résultats le 29 octobre 2026, faisant état d'un taux moyen de réussite en sécurité de 62 %, contre 56 % auparavant. L'entreprise a évalué 18 modèles en Python, C#, JavaScript et Java. Ses résultats sur la sécurité du code couvrent certaines faiblesses sélectionnées, et non toutes les défaillances qu'une application de production peut contenir.

La tension centrale oppose de meilleures premières ébauches à des livraisons fiables. Le choix du modèle influe sur le point de départ, tandis que la revue, les tests et la remédiation déterminent ce qui atteint les utilisateurs. Les nouveaux scores fournissent aux responsables de l'ingénierie des preuves de progrès, mais ils ne résolvent pas la comparaison opérationnelle plus difficile.

La sécurité du code de Claude Opus 5.5 relève le plafond de référence

L'égalité rapportée établit un score plus élevé dans l'évaluation de Veracode, sans démontrer une sécurité équivalente dans les applications réelles.

L'annonce de Veracode place Claude Sonnet 5.5 juste derrière les leaders à 72 %, suivi de GPT-5.6-Sol à 70 %. Ces résultats rendent le paysage concurrentiel plus utile qu'une simple annonce de vainqueur. Les acheteurs disposent de plusieurs options proches, et un faible écart de référence doit être replacé dans son contexte avant d'orienter une décision de déploiement.

Le précédent meilleur score rapporté était celui de GPT-5.5, à 68 %, en juillet 2026. La comparaison de ce chiffre avec les leaders actuels montre une progression au sein de cette série de recherches. Toutefois, un plafond plus élevé ne permet pas à lui seul d'établir avec quelle constance les modèles plus récents gèrent des dépôts inconnus, des exigences inhabituelles ou des changements sensibles du point de vue de la sécurité.

Un benchmark est un ensemble défini de tâches évaluées dans des conditions précises. Sa valeur tient au fait qu'il rend les comparaisons plus contrôlées que des impressions éparses de développeurs. Ses limites découlent de ces mêmes frontières : les tâches représentent des situations sélectionnées et l'évaluation saisit des résultats sélectionnés.

Pour les lecteurs qui comparent Claude Opus 5.5 et GPT-6-Sol, l'égalité publiée répond à une question restreinte sur les tâches mesurées. Elle ne détermine pas quel assistant nécessitera moins de corrections dans une entreprise donnée. Cela dépend de l'application et du processus de développement qui l'entourent.

Cette distinction est importante, car un changement en production implique des obligations qui dépassent la production d'une réponse isolée acceptable. Il doit préserver le comportement existant, respecter les règles d'accès, s'intégrer aux conventions locales et interagir en toute sécurité avec d'autres composants. Un score de génération favorable ne supprime pas ces obligations.

Le score exige également une formulation prudente. Un taux de réussite en sécurité décrit la classification des sorties testées par l'évaluateur. Il ne devrait pas devenir une prédiction selon laquelle une part équivalente des applications clientes sera sécurisée, ni selon laquelle les défaillances restantes provoqueront des incidents.

De même, un échec ne permet pas d'établir la gravité de chaque sortie concernée. Une faiblesse dans un exemple inaccessible diffère d'une faille exposée qui traite des données clients sensibles. Déterminer cette différence exige un contexte applicatif qu'un pourcentage en titre ne peut fournir.

L'avancée utile réside donc dans un meilleur point de départ mesuré. Les équipes peuvent se demander si ce point de départ réduit l'effort de revue, les erreurs répétées ou le temps de remédiation. Ce sont des hypothèses pratiques à tester, et non des conséquences automatiques du classement.

Cette interprétation préserve l'information sans l'exagérer. Anthropic et OpenAI partagent la première place rapportée, et les performances mesurées du secteur se sont améliorées. La question suivante concerne ceux qui doivent transformer cette amélioration en logiciel fiable.

Les responsables de l'ingénierie gardent la responsabilité de la décision de livraison

Ce résultat pousse les acheteurs à mesurer l'ensemble du processus de développement, plutôt que d'acheter de la sécurité à travers le nom d'un modèle.

Les responsables de l'ingénierie font face à une décision comportant plusieurs variables. Ils choisissent des assistants, allouent des capacités de revue et déterminent quels changements nécessitent un examen supplémentaire. Un meilleur score de référence aide à éclairer cette décision, mais il ne peut pas rendre le jugement de livraison à leur place.

Prenons l'exemple illustratif d'une application de support client recevant un changement généré par IA pour sa fonctionnalité de recherche de comptes. Le code proposé renvoie l'enregistrement attendu lors de tests ordinaires. Le relecteur doit néanmoins déterminer si les utilisateurs peuvent récupérer des enregistrements appartenant à quelqu'un d'autre.

Cet exemple est hypothétique, et non un échec documenté de l'évaluation de Veracode. Il montre pourquoi une génération de code réussie et un comportement applicatif acceptable nécessitent des preuves différentes. La réponse du modèle doit être évaluée par rapport aux autorisations et aux frontières de données réelles de l'organisation.

Une équipe qui sélectionne un modèle de premier plan doit toujours confier à quelqu'un la responsabilité des problèmes non résolus. Sinon, une détection accrue peut produire une file d'attente grandissante sans améliorer le logiciel livré. La responsabilité de décider, de corriger et de confirmer demeure une partie du coût opérationnel.

L'implication pour les achats est directe. Les acheteurs devraient demander quelles preuves étayent une réduction promise du travail de sécurité. Un score de référence seul ne démontre pas une diminution des heures de revue, des corrections plus rapides ou une exposition moindre après le déploiement.

Pour les équipes de sécurité applicative, l'enjeu consiste à traduire les constats techniques en critères de livraison. « Examinez attentivement le code IA » laisse trop de place à l'interprétation individuelle des développeurs. Des attentes claires facilitent la décision sur les changements nécessitant l'attention d'un spécialiste.

Pour les développeurs, la question est de savoir si ces attentes s'intègrent au travail quotidien. Des exigences qui n'arrivent qu'une fois le changement terminé créent des retouches évitables. Les décisions de sécurité sont plus faciles à évaluer lorsque le comportement attendu et les conditions d'acceptation accompagnent la tâche initiale.

C'est là que la documentation joue un rôle pratique. Une base de connaissances consultable peut aider les ingénieurs à retrouver des décisions antérieures, des modèles approuvés et un contexte technique pertinent. La documentation soutient la revue ; elle ne certifie pas le code généré.

La même distinction s'applique à un assistant recevant le contexte d'un dépôt. Davantage d'informations lui donnent plus de matière à exploiter, mais leur présence ne démontre pas une application correcte. Les relecteurs doivent toujours disposer de preuves que le changement proposé a respecté les contraintes pertinentes.

Les organisations devraient également distinguer les décisions d'achat des décisions de livraison. Le choix d'un assistant détermine l'outil dont disposent les développeurs. L'acceptation d'un changement précis exige des preuves concernant ce changement, même lorsque l'assistant s'est bien comporté dans une évaluation publique.

L'amélioration rapportée rend cette conversation plus concrète. Les acheteurs peuvent comparer un signal de qualité initial au travail requis par la suite. Cela met en évidence le véritable compromis : une génération plus solide peut aider, mais un comportement de livraison fiable exige toujours un processus de vérification fonctionnel.

Des schémas de sécurité familiers n'expliquent qu'une partie du gain

Veracode attribue une grande partie de l'amélioration à une catégorie précise de faiblesse, ce qui limite les affirmations sur un raisonnement de sécurité étendu.

Dans son analyse de référence d'automne, Veracode identifie le cross-site scripting élémentaire comme le principal facteur du gain. Le cross-site scripting, ou XSS, survient lorsqu'un contenu non sûr devient un script exécutable dans une page web. L'entreprise affirme que des pratiques sûres familières contribuent à expliquer l'amélioration.

Cette explication mérite d'être attribuée, car elle propose un mécanisme plutôt que de simplement rapporter un score. Un modèle qui choisit un schéma sûr familier peut améliorer les résultats mesurés. Cette observation n'établit pas précisément quel changement d'entraînement l'a conduit à faire ce choix.

Veracode rapporte moins de progrès dans les autres catégories testées et souligne une faiblesse persistante concernant la gestion des journaux. Son interprétation relie cette difficulté au suivi de l'information à travers les fonctions. Cela produit un récit plus précis qu'une affirmation générale selon laquelle les modèles de programmation sont devenus meilleurs en sécurité.

Le problème XSS sous-jacent concerne le contexte dans lequel une application utilise des données entrantes. La définition de neutralisation de script de MITRE décrit les défaillances à neutraliser des caractères que le traitement web en aval peut interpréter comme des éléments de script. Cette définition aide à expliquer pourquoi une opération d'affichage apparemment ordinaire peut exiger un traitement sensible à la sécurité.

À titre d'illustration, imaginons un tableau de bord de support affichant un message soumis par un client. L'application entend montrer du texte, et l'exigence de sécurité consiste à empêcher ce texte de devenir du contenu actif de la page. La question pertinente porte sur ce que l'application fait de cette valeur.

Un modèle qui reconnaît le schéma sûr attendu dans cette situation apporte une amélioration utile. Toutefois, la même valeur peut apparaître plus tard dans une autre partie de l'application. La confiance dans l'opération initiale ne peut pas être automatiquement transférée à chaque utilisation ultérieure.

La gestion des journaux illustre un autre problème contextuel. Un service peut enregistrer du texte contrôlé par le client lors d'un chemin d'erreur ordinaire. Le développeur doit considérer la façon dont le système de journalisation et les lecteurs ultérieurs interprètent ce texte, plutôt que de juger la seule instruction d'affectation.

La définition de l'injection dans les journaux de MITRE décrit la gestion incorrecte d'entrées externes écrites dans les journaux. Parmi les conséquences citées dans ses exemples figurent les entrées falsifiées et une interprétation perturbée. Ces conséquences montrent pourquoi un code de diagnostic apparemment routinier mérite d'être examiné.

La comparaison est utile sans transformer l'article en tutoriel de programmation. Les deux exemples concernent des informations qui traversent vers un contexte doté de ses propres règles d'interprétation. Une fonction à l'apparence convaincante peut néanmoins mal gérer cette frontière, et l'application environnante détermine les conséquences pratiques.

Pour la sécurité du code de Claude Opus 5.5, il s'agit de la réserve la plus importante derrière le classement. Une amélioration concentrée dans des situations familières justifie une conclusion plus étroite qu'une amélioration couvrant des comportements applicatifs inconnus. Les acheteurs devraient préserver cette distinction lors de leurs discussions internes.

Le mécanisme suggère également à quoi ressembleraient des preuves plus solides. Des tests impliquant des contextes et interactions supplémentaires révéleraient si des choix plus sûrs persistent au-delà de l'ensemble de tâches actuel. D'ici là, une compétence de sécurité plus large demeure une question nécessitant une évaluation supplémentaire.

Un score partagé laisse ouverte la comparaison des flux de travail

La comparaison entre Claude Opus 5.5 et GPT-6-Sol devient plus informative lorsque les acheteurs comparent les changements vérifiés, plutôt que les seules premières réponses.

Une première réponse n'est qu'un résultat intermédiaire dans de nombreux processus de développement. Les développeurs révisent le code, exécutent des vérifications, examinent les échecs et demandent des corrections. Évaluer la sortie initiale saisit un élément utile, mais laisse sans réponse le comportement de ce processus plus long.

La distinction concurrentielle peut évoluer après ces étapes. Un assistant qui commence par une meilleure réponse peut avoir du mal à effectuer une correction ciblée. Un autre peut bien répondre à des constatations précises tout en préservant le comportement attendu.

Il s’agit de possibilités à évaluer, non de conclusions établies par le classement d’automne. L’égalité ne permet d’attribuer l’un ou l’autre schéma à Anthropic ou OpenAI. La considérer comme la preuve d’un comportement identique serait tout aussi injustifié que d’inventer un vainqueur.

Des recherches pertinentes appuient la nécessité de séparer ces questions. L’étude de Mikhail Surikov sur les pipelines de remédiation, publiée en août 2026, a évalué la génération, la détection, la correction et les vérifications ultérieures à l’aide de précédents modèles Claude. Elle a indiqué que son meilleur générateur initial n’était pas le meilleur exécutant du pipeline dans son ensemble.

L’article est une prépublication décrivant un projet pratique de master, avec un périmètre expérimental limité. Il ne reproduit pas le nouveau classement de Veracode et n’établit pas de vainqueur commercial actuel. Son intérêt réside dans la distinction entre la qualité de la sortie initiale et le résultat après vérification.

L’étude a également signalé des cas où la remédiation introduisait des vulnérabilités supplémentaires. Ce constat plaide en faveur de la vérification d’une correction proposée, plutôt que d’accepter l’explication de l’assistant comme une preuve suffisante. Il n’établit pas que tous les processus de réparation automatisée se comportent de façon similaire.

Pour les acheteurs, l’implication analytique est de comparer des processus de développement comparables. Fournir à un assistant des constatations détaillées tout en évaluant un autre sur une réponse intacte modifie la comparaison. Il en va de même lorsqu’on autorise des volumes de révision différents sans signaler cette différence.

La sortie à comparer est une modification terminée qui satisfait aux mêmes conditions d’acceptation. L’effort de revue, les constats non résolus et les fonctionnalités préservées deviennent alors visibles aux côtés du score de sécurité initial. Ces mesures répondent à une question différente de celle du classement public.

Le routage de modèles, qui attribue différentes tâches à différents modèles, ajoute une autre décision. Une organisation peut réserver un assistant particulier aux modifications sensibles ou aux corrections difficiles. Les éléments justifiant cette politique devraient provenir de tâches pertinentes, plutôt que d’hypothèses sur une famille de produits.

Le positionnement très proche d’autres modèles rend cette question particulièrement pertinente. Un acheteur qui envisage Claude Sonnet 5.5 aux côtés des coleaders doit évaluer le résultat complet. Le classement seul ne peut établir le meilleur équilibre entre effort de revue, temps de réponse et qualité des corrections.

La hiérarchie des modèles d’un fournisseur ne peut pas non plus établir cet équilibre. Le positionnement produit décrit l’offre du fournisseur, tandis que l’évaluation d’une organisation décrit sa propre charge de travail. Réunir ces deux éléments exige des preuves comparables, en particulier lorsqu’un faible écart de sécurité influence un vaste choix d’achat.

Le résultat d’automne renforce donc l’argument en faveur d’une concurrence au niveau des processus. Une meilleure génération reste précieuse, mais sa valeur opérationnelle dépend de ce qui se passe avant qu’une modification puisse être livrée.

Les chiffres publiés nécessitent un examen méthodologique

Le classement central est documenté, mais plusieurs interprétations plus larges nécessitent des informations que les chiffres principaux ne fournissent pas.

Le titre original de shattered.io renvoie à une annonce Veracode vérifiable. Cela permet de rapporter l’égalité comme un résultat de benchmark attribué. Cela ne transforme pas chaque explication entourant ce résultat en fait établi de manière indépendante.

La publication et la réplication remplissent des fonctions différentes. La publication rend les conclusions de l’évaluateur disponibles à l’examen. La réplication signifie qu’un autre évaluateur répète le travail dans des conditions suffisamment comparables, permettant aux lecteurs d’évaluer si le résultat se vérifie au-delà de l’exécution initiale.

Les documents primaires examinés ici n’établissent pas de réplication indépendante de cette égalité précise. Il s’agit d’une limite à la confiance, et non d’une preuve que les scores rapportés sont faux. La réponse appropriée consiste à conserver l’attribution et à éviter les conclusions universelles.

La taille de l’échantillon et les exécutions répétées comptent également pour interpréter des scores proches. Des pourcentages arrondis peuvent masquer des écarts dans les décomptes sous-jacents. Sans estimations d’incertitude, les lecteurs ne devraient pas supposer qu’un faible écart numérique représente une différence stable entre les modèles.

Une autre question visible nécessite des éclaircissements. L’annonce rapporte une moyenne globale supérieure à plusieurs moyennes de sous-groupes larges examinées dans l’analyse associée. Si ces groupes décrivent la même population complète selon la même pondération, cette relation nécessite une explication.

Des populations ou règles de pondération différentes pourraient expliquer cette présentation. Le résumé publié n’établit pas quelle explication s’applique. Les acheteurs devraient demander les dénominateurs pertinents avant d’utiliser ces chiffres de sous-groupes pour justifier une règle d’achat.

C’est particulièrement pertinent pour les affirmations sur la taille ou la spécialisation des modèles. Une déclaration générale sur la classe la plus performante exige une appartenance clairement définie et une notation comparable. Sinon, un lecteur ne peut déterminer si la distinction apparente reflète les modèles, le mélange des tâches ou l’agrégation.

La position commerciale de l’évaluateur mérite également une divulgation directe. Veracode vend des produits de sécurité applicative, et son interprétation favorise la combinaison de la génération et de la vérification de sécurité. Cet intérêt n’invalide pas le benchmark, mais il justifie d’examiner séparément les affirmations comparatives sur les produits.

Par exemple, affirmer qu’un modèle associé à un scan offre un meilleur résultat exige des preuves concernant cette combinaison. Un classement de génération seul ne peut établir la couverture du scanner, la qualité des réparations ou les gains opérationnels. Ces affirmations nécessitent une évaluation conçue pour les mesurer.

La même norme devrait s’appliquer aux fournisseurs de modèles. Un score favorable n’établit pas qu’un assistant remplace les pratiques de revue existantes. Une affirmation convaincante préciserait les tâches, les outils environnants, les critères d’acceptation et les échecs restants.

La sécurité du code de Claude Opus 5.5 doit donc être comprise comme un résultat attribué, doté d’un périmètre défini. Ce cadrage préserve le signal concurrentiel utile tout en maintenant les questions auxquelles un acheteur prudent doit encore répondre.

L’incertitude restante est gérable lorsqu’elle est explicitée. Les équipes peuvent utiliser le classement pour prioriser les candidats à évaluer, puis examiner les éléments opérationnels manquants. Traiter le classement comme un point de départ permet de maintenir la décision à la mesure de ce qui a été évalué.

Les prochaines preuves devraient relier de meilleurs scores à de meilleures livraisons

L’évolution la plus utile montrerait que les progrès dans les benchmarks réduisent les problèmes de sécurité non résolus dans un travail de développement comparable.

Le premier signal à surveiller est une communication plus claire sur les benchmarks au cours des prochains mois. Des décomptes détaillés des tâches, des règles de notation, des résultats d’exécutions répétées et des explications sur l’agrégation faciliteraient l’évaluation du classement actuel. Une évaluation reproduite de manière indépendante apporterait des éléments au-delà des conclusions de l’éditeur initial.

Une plus grande transparence renforcerait la confiance si les résultats de tête persistent dans des conditions comparables. Des changements significatifs après répétition affaibliraient les affirmations selon lesquelles l’ordre actuel est stable. Dans les deux cas, la qualité des décisions d’achat s’améliorerait en remplaçant les hypothèses par des preuves vérifiables.

Le deuxième signal est une amélioration sur un éventail plus large de catégories de faiblesses et de contextes applicatifs. De meilleurs résultats au-delà de schémas sûrs familiers étayeraient une affirmation plus large sur la sécurité du code généré. Des progrès limités aux forces actuelles justifieraient une interprétation plus restreinte.

Ce signal importe parce que les applications de production combinent des comportements que des exemples isolés peuvent séparer. Une évaluation impliquant des interactions entre composants testerait si des choix plus sûrs résistent à ces combinaisons. Les acheteurs devraient rechercher des descriptions explicites du périmètre plutôt qu’un score principal plus élevé à lui seul.

Le troisième signal est une comparaison publiée de processus de développement complets. Cette comparaison devrait évaluer la génération initiale, les constats, les corrections et la modification finale acceptée dans des conditions cohérentes. Elle relierait la capacité du modèle au travail que les organisations doivent réellement accomplir.

De telles preuves renforceraient l’argument en faveur de l’adoption d’un modèle si de meilleurs scores initiaux produisent également de meilleurs résultats vérifiés. Elles affaibliraient un argument d’achat simple fondé sur un classement si l’avantage apparent disparaît lors de la correction et de la revue.

Il n’est pas nécessaire de présumer l’un ou l’autre résultat à l’avance. La valeur commerciale d’une génération plus sûre dépend du travail qu’elle élimine et des échecs qu’elle laisse subsister. Mesurer les deux donne aux responsables de l’ingénierie et de la sécurité une base commune pour décider.

Pour les développeurs, cela modifie également l’apparence que devrait avoir une démonstration réussie. Une réponse fluide est facile à montrer, tandis que la preuve de la préservation des exigences demande davantage de soin. Une évaluation utile rend ces preuves visibles sans s’appuyer sur la confiance de l’assistant.

Pour les acheteurs d’entreprise, l’égalité rapportée resserre la conclusion immédiate. Anthropic et OpenAI partagent la tête selon la mesure publiée, et aucun des deux résultats n’établit un choix universel. La question d’achat reste spécifique aux tâches et au processus de vérification qu’une organisation prévoit d’utiliser.

Utilisez la sécurité du code de Claude Opus 5.5 comme une raison d’examiner les preuves derrière votre prochaine évaluation d’assistant. Comparez des modifications représentatives selon les mêmes exigences et conservez les constatations qui expliquent l’acceptation ou le rejet. Demandez quel système produit un travail que votre équipe peut vérifier, corriger et maintenir en toute confiance. Conservez les résultats des benchmarks à côté de ces observations locales afin qu’un titre favorable ne remplace pas le contexte applicatif. Lorsqu’un fournisseur affirme réduire l’effort de revue, demandez une comparaison qui le mesure directement. Lorsqu’un modèle fonctionne bien, examinez les échecs restants avant d’élargir ses responsabilités. Quel assistant laisse à vos ingénieurs le moins de questions de sécurité non résolues lorsque vient la décision de mise en production ?