Claude Opus 5 est sorti, et le tableau de benchmarks officiel est public. Depuis le 15 juillet, nous défendions un scénario précis, et nous l'avions écrit noir sur blanc : « un Opus 5 proche de Fable 5, sans le dépasser » — parce qu'un Opus qui coifferait le vaisseau amiral trois semaines après son lancement casserait la gamme. Il le dépasse. Sur treize épreuves publiées, Opus 5 passe devant Fable 5 sur huit, dont l'agentique de bout en bout : ARC-AGI-3 de 1,5 % à 30,2 %, codage en terminal doublé. Nous avons eu tort, et c'est plus intéressant que d'avoir eu raison : cet article audite nos paris ligne par ligne, lit le tableau complet, et s'arrête sur la seule ligne que personne ne commente — celle qui concerne directement les PME qui automatisent.
En bref — Claude Opus 5, sorti le 24 juillet 2026, est facturé 5 $ par million de tokens en entrée et 25 $ en sortie — exactement le tarif d'Opus 4.8, et environ la moitié du coût par tâche de Fable 5. Il obtient 43,3 % en codage agentique en terminal (Frontier-Bench v0.1), 30,2 % sur ARC-AGI-3, 90,8 % sur BrowseComp et 26,0 % sur AutomationBench. Il devance Claude Fable 5 sur 8 des 13 épreuves du tableau de benchmarks officiel d'Anthropic, mais reste derrière GPT-5.6 Sol sur DeepSWE v1.1 (68,8 % contre 72,7 %) et derrière Mythos 5 sur HealthBench Professional (59,8 % contre 66,0 %). Face à son prédécesseur Opus 4.8, le gain le plus important porte sur les tâches autonomes : le score ARC-AGI-3 passe de 1,5 % à 30,2 %.
À retenir
- ▸Opus 5 passe devant Fable 5 sur 8 des 13 épreuves publiées — alors que le scénario consensuel, le nôtre compris, était un Opus « proche de Fable, sans le dépasser ». Face à Opus 4.8, le bond est net : codage agentique en terminal de 21,1 % à 43,3 %, problèmes inédits (ARC-AGI-3) de 1,5 % à 30,2 %, usage de l'ordinateur de 55,7 % à 70,6 %.
- ▸Opus 5 ne gagne pas partout, et c'est la lecture honnête. GPT-5.6 Sol reste devant sur DeepSWE v1.1 (72,7 % contre 68,8 %), Fable 5 le devance d'un cheveu sur FrontierCode (53,5 % contre 53,4 %) et sur le juridique (13,3 % contre 11,7 %), Mythos 5 domine la santé (66,0 % contre 59,8 %).
- ▸La ligne que personne ne commente : AutomationBench, 26,0 %. C'est l'épreuve des workflows métier — exactement notre sujet. Opus 5 y écrase le peloton (17,4 % pour Fable 5, 18,1 % pour GPT-5.6 Sol, 17,0 % pour Opus 4.8), mais réussit à peine plus d'un quart des tâches.
- ▸Ce que 26 % veut dire pour vous : le meilleur modèle du monde, livré seul, échoue sur trois workflows métier sur quatre. La valeur n'est pas dans le modèle, elle est dans l'ingénierie autour — spécification, données, garde-fous, reprise sur erreur.
- ▸Résistance à l'injection de prompt : 0,2 % sur une tentative, 2,0 % sur quinze (benchmark Gray Swan IPI) — contre 3,1 % / 20,0 % pour GPT-5.6 Sol et 14,2 % / 49,2 % pour Gemini 3.1 Pro. C'est le point que Boris Cherny (Anthropic) met en avant devant tous les autres scores, et le plus déterminant pour brancher un agent sur des documents entrants.
- ▸Le prix ne bouge pas, le coût par tâche s'effondre. 5 $ / 25 $ par million de tokens — la grille exacte d'Opus 4.8. Mais Opus 5 atteint le niveau de Fable 5 pour la moitié du coût par tâche sur CursorBench 3.2, et le dépasse sur OSWorld 2.0 pour un peu plus du tiers.
- ▸Trois sources indépendantes convergent : l'effort maximal n'est pas le bon réglage par défaut. Dan Shipper (Every), les résultats CursorBench et le banc de revue de code CodeRabbit l'établissent par trois chemins différents — plus de raisonnement n'améliore rien uniformément, et coûte plus du double (3,91 $ contre 8,23 $ par tâche). Opus 5 casse aussi la compatibilité avec les automatismes existants : ce n'est pas un remplacement à chaud.
- ▸Audit de nos quatre paris du 15 juillet : deux gagnés, un à moitié, un perdu. Le perdu est le plus important — nous avions parié sur l'efficacité économique plutôt que sur la performance brute. Le détail dans l'audit des paris.
- ▸Toutes les valeurs de cet article proviennent du tableau de benchmarks officiel publié par Anthropic à la sortie d'Opus 5 (24/07/2026). Nous n'avons rien recalculé, rien extrapolé, et nous signalons chaque ligne où un concurrent gagne.
Dans cet article
- Les benchmarks officiels, épreuve par épreuve
- Combien coûte Claude Opus 5 ?
- Opus 5 vs Fable 5 vs GPT-5.6 Sol : où sont les écarts ?
- L'audit de nos quatre paris — dont celui qu'on a perdu
- Que vaut Opus 5 sur les workflows métier ?
- Injection de prompt : le chiffre qui décide d'un passage en production
- Les critiques des premiers utilisateurs
- Ce qu'Opus 5 change concrètement pour une PME
- FAQ — Claude Opus 5
Les benchmarks officiels de Claude Opus 5, épreuve par épreuve
Voici l'intégralité des épreuves publiées par Anthropic à la sortie d'Opus 5, avec les trois modèles de comparaison retenus dans le tableau officiel : Fable 5 (le vaisseau amiral sorti trois semaines plus tôt), Opus 4.8 (le prédécesseur direct) et GPT-5.6 Sol (le concurrent le plus cité). Les cellules où Opus 5 n'arrive pas en tête sont signalées — elles sont plus instructives que les autres.
| Épreuve | Opus 5 | Fable 5 | Opus 4.8 | GPT-5.6 Sol |
|---|---|---|---|---|
| Codage agentique en terminal Frontier-Bench v0.1 |
43,3 % | 33,7 % | 21,1 % | 34,4 % |
| Travail de connaissance GDPval-AA v2 (score Elo) |
1 861 | 1 747 | 1 593 | 1 736 |
| Problèmes inédits ARC-AGI-3 |
30,2 % | — | 1,5 % | 7,8 % |
| Recherche agentique BrowseComp |
90,8 % | 87,4 % | 84,3 % | 90,4 % |
| Raisonnement multidisciplinaire Humanity's Last Exam — sans outils |
56,3 % | 56,5 % | 49,8 % | — |
| Raisonnement multidisciplinaire Humanity's Last Exam — avec outils |
64,7 % | 63,9 % | 57,9 % | — |
| Usage de l'ordinateur OSWorld 2.0 |
70,6 % | 66,1 % | 55,7 % | 62,6 % |
| Codage agentique DeepSWE v1.1 |
68,8 % | 69,7 % | 59,0 % | 72,7 % |
| Codage agentique FrontierCode v1.1, Main |
53,4 % | 53,5 % | 46,5 % | 47,5 % |
| Workflows métier AutomationBench |
26,0 % | 17,4 % | 17,0 % | 18,1 % |
| Juridique Legal Agent Benchmark, held-out |
11,7 % | 13,3 % | 10,4 % | 2,5 % |
| Santé HealthBench Professional |
59,8 % | 66,0 % Mythos 5 | 57,4 % | 60,5 % |
| Biologie — problèmes difficiles BioMysteryBench |
49,4 % | 46,5 % | 42,4 % | — |
| Biologie — résolus par l'humain BioMysteryBench |
90,1 % | 89,0 % Mythos 5 | 88,5 % | — |
Source : tableau de benchmarks officiel Anthropic, publié à la sortie de Claude Opus 5 (24/07/2026). Les lignes santé et biologie comparent à Mythos 5 lorsque le tableau officiel le fait. Un tiret signale une épreuve non renseignée pour ce modèle.
Combien coûte Claude Opus 5 ?
5 $ par million de tokens en entrée, 25 $ en sortie — soit très exactement la grille d'Opus 4.8. Un mode rapide, environ 2,5 fois plus véloce, est facturé au double. Le modèle est disponible via l'API sous l'identifiant claude-opus-5, devient le modèle par défaut de l'abonnement Claude Max et le plus puissant accessible sur Claude Pro. L'accès standard ne s'accompagne d'aucune obligation de conservation des données (Clubic et BelieveMy, 24/07/2026).
Le prix affiché est donc inchangé. Le coût par tâche, lui, s'effondre — et c'est là que se joue la nouvelle. Les résultats CursorBench publiés par BridgeMind le 24 juillet le chiffrent précisément, et ils sont plus parlants que n'importe quel score isolé.
| Modèle | Score | Coût / tâche | Tokens / tâche |
|---|---|---|---|
| Fable 5 Max | 70,5 % | 17,32 $ | 103 525 |
| Opus 5 Max | 70,0 % | 8,23 $ | 61 838 |
| Opus 5 Extra High | 69,3 % | 7,35 $ | 54 239 |
| Fable 5 Extra High | 68,4 % | 11,73 $ | 64 971 |
| GPT-5.6 Sol Max | 67,2 % | 5,69 $ | 28 320 |
| Opus 5 High | 66,7 % | 3,91 $ | 27 932 |
Source : résultats CursorBench publiés par BridgeMind (@bridgemindai), 24/07/2026.
Trois lectures s'imposent. Un : Opus 5 Max finit à un demi-point de Fable 5 Max — 70,0 % contre 70,5 % — pour moins de la moitié du coût par tâche (8,23 $ contre 17,32 $) et environ 40 % de tokens en moins. Deux : en descendant d'un cran d'effort, Opus 5 Extra High dépasse Fable 5 Extra High (69,3 % contre 68,4 %) tout en coûtant 7,35 $ contre 11,73 $. Trois, et c'est la ligne la plus intéressante pour un budget serré : Opus 5 High obtient 66,7 % pour 3,91 $ par tâche, à un demi-point de GPT-5.6 Sol Max qui en coûte 5,69 $.
C'est là que le paramètre d'effort cesse d'être un détail technique : la même famille de modèles couvre une plage de 3,91 $ à 8,23 $ par tâche pour trois à quatre points de score. Sur un workflow qui tourne des milliers de fois par mois, ce curseur est la décision d'architecture. Sur OSWorld 2.0, le même mécanisme joue : Opus 5 dépasse le meilleur score de Fable 5 pour un peu plus du tiers du coût.
Trois nouveautés qui comptent pour un usage en production
- Une fenêtre de contexte d'un million de tokens, par défaut et au maximum, avec une performance annoncée stable sur toute la longueur — réponse directe à la dégradation au-delà de 200 000 tokens constatée sur Opus 4.8.
- Un paramètre d'effort réglable — arbitrer explicitement la qualité contre la latence et le coût, requête par requête, au lieu de payer le maximum à chaque appel.
- Un routage de repli automatique (bêta sur l'API) : les requêtes litigieuses basculent vers un autre modèle plutôt que d'échouer. C'était la seule fuite crédible de la semaine dernière — celle qui recoupait le comportement observé sur « Honeycomb » dans Cursor le 8 juillet. Elle est confirmée.
- Une auto-vérification : le modèle teste et valide ses propres sorties. Sur un workflow métier, cela déplace une partie du contrôle qualité en amont — sans le supprimer, comme le rappellent les 26 % d'AutomationBench.
Côté sûreté, Anthropic revendique son modèle le plus aligné à ce jour : le taux de comportements déviants est le plus bas mesuré sur ses modèles récents (score de 2,3 à l'audit d'alignement), et les filtres de sécurité se déclenchent environ 85 % moins souvent que sur Fable 5 — un point pratique pour qui a renoncé à un déploiement à cause de faux positifs.
Opus 5 vs Fable 5 vs GPT-5.6 Sol : où sont vraiment les écarts ?
La lecture paresseuse consiste à compter les cases gagnées et à conclure « nouveau meilleur modèle ». La lecture utile consiste à regarder où les écarts sont grands, et où ils ne le sont pas. Trié par ampleur de progression entre Opus 4.8 et Opus 5, le tableau raconte une histoire nette.
Les bonds sont tous du même côté : l'autonomie. Résolution de problèmes inédits (ARC-AGI-3) : de 1,5 % à 30,2 %. Codage agentique en terminal (Frontier-Bench) : de 21,1 % à 43,3 %, soit un doublement. Usage de l'ordinateur (OSWorld 2.0) : de 55,7 % à 70,6 %. Workflows métier (AutomationBench) : de 17,0 % à 26,0 %. Ces quatre épreuves ont un point commun — elles mesurent la capacité à enchaîner des actions dans un environnement réel sans qu'un humain reprenne la main à chaque étape.
Les quasi-égalités sont toutes du même côté aussi : le code « classique » et les domaines experts. Sur DeepSWE v1.1, GPT-5.6 Sol reste devant (72,7 % contre 68,8 %). Sur FrontierCode v1.1, Fable 5 devance Opus 5 d'un dixième de point (53,5 % contre 53,4 %) — un écart qui n'en est pas un, mais qui interdit d'écrire qu'Opus 5 « domine le codage ». Sur le juridique, Fable 5 fait mieux (13,3 % contre 11,7 %) ; sur la santé, Mythos 5 domine (66,0 % contre 59,8 %), et GPT-5.6 Sol lui-même passe devant Opus 5 (60,5 %).
Cette stagnation relative sur le code pur mérite d'être dite clairement, parce qu'elle contredit le discours ambiant : entre Fable 5, Opus 5 et GPT-5.6 Sol, l'écart sur les épreuves de codage classique tient en cinq points. Le choix d'un modèle ne fera pas la qualité d'un projet de développement logiciel sur mesure — l'architecture, les tests et la connaissance du métier continueront de la faire.
Notre lecture, assumée comme une opinion
Opus 5 n'est pas « le modèle le plus intelligent », c'est le modèle qui tient le plus longtemps tout seul. La différence est concrète : sur une tâche que vous savez décrire en un prompt, l'écart avec la génération précédente sera modeste. Sur une tâche qui demande dix appels d'outils, une reprise après erreur et une décision intermédiaire, il sera spectaculaire. C'est exactement le profil d'usage d'un agent en production, et pas du tout celui d'un assistant de rédaction.
L'audit de nos quatre paris — dont celui qu'on a perdu
Le 15 juillet, nous avons publié quatre paris signés et datés sur Opus 5, en promettant qu'on pourrait nous les opposer. Le modèle est sorti : voici le résultat, y compris quand il n'est pas flatteur.
Pari n° 1 — « Opus 5 sortira avant fin juillet » : gagné
Écrit le 15 juillet, quand le marché des paris donnait environ une chance sur deux et qu'aucune source primaire n'existait. Le modèle est sorti le 23 juillet. Rien d'héroïque : c'était la déduction la plus probable à partir du calendrier commercial de Fable 5.
Pari n° 2 — « il sera moins cher qu'Opus 4.8 » : perdu sur la lettre, gagné sur le fond
Perdu au sens strict : la grille est identique — 5 $ / 25 $ par million de tokens, exactement le tarif d'Opus 4.8. Nous avions parié sur une baisse du prix affiché ; elle n'a pas eu lieu.
Mais l'intuition économique était la bonne, et c'est ce qui rend ce pari intéressant à relire. Nous écrivions que « la bataille se joue sur le coût par tâche, pas sur le record de benchmark ». C'est exactement ce qu'Anthropic a livré : à prix affiché constant, Opus 5 atteint le niveau de Fable 5 pour la moitié du coût par tâche sur CursorBench 3.2, et le dépasse sur OSWorld 2.0 pour un peu plus du tiers. La baisse de prix a bien eu lieu — pas sur l'étiquette, sur la facture.
Pari n° 3 — « une quatrième prolongation de Fable 5 » : à moitié juste
Anthropic n'a pas prolongé la gratuité : le 18 juillet, il a annoncé autre chose — Fable 5 reste dans Max et Team Premium, mais à des limites réduites, tandis que les plans Pro perdent l'accès inclus. Nous avions la direction (Anthropic ne coupe pas Fable 5), pas la forme.
Pari n° 4 — « GPT-6 n'a rien à voir là-dedans » : gagné
Le tableau officiel compare Opus 5 à GPT-5.6 Sol. Aucun GPT-6 nulle part, une semaine après que la moitié de la presse IA l'ait invoqué comme aiguillon.
Le pari perdu — « proche de Fable 5, sans le dépasser »
C'était notre thèse de fond, tenue pendant une semaine : Opus 5 arriverait au niveau du vaisseau amiral sans passer devant, parce qu'un Opus qui coifferait Fable 5 trois semaines après son lancement casserait la gamme. Le raisonnement s'appuyait sur un fait solide — Dario Amodei avait lui-même reconnu qu'Opus restait derrière Mythos sur les benchmarks — et nous en avions tiré une conclusion tarifaire : « ce ne sera pas une prouesse, ce sera une baisse de prix ». Le tableau officiel contredit les deux. Opus 5 passe devant Fable 5 sur huit des treize épreuves publiées, et multiplie par vingt son score sur les problèmes inédits. Ce qu'on avait raté : nous raisonnions sur la cohérence de gamme (où placer Opus par rapport à Fable), Anthropic raisonnait sur l'autonomie (combien d'étapes le modèle tient seul). Sur cet axe-là, il n'y avait aucune raison de se retenir.
Que vaut Opus 5 sur les workflows métier ? 26 % sur AutomationBench
C'est la ligne dont personne ne parlera, et c'est la seule qui décrit notre métier. AutomationBench mesure des workflows métier : des enchaînements de tâches d'entreprise, pas des énigmes de laboratoire. Opus 5 y obtient 26,0 %, contre 17,4 % pour Fable 5, 18,1 % pour GPT-5.6 Sol et 17,0 % pour Opus 4.8.
Les deux moitiés de ce chiffre méritent chacune une phrase.
La bonne : l'écart avec le peloton est le plus large de tout le tableau. Là où les autres épreuves séparent les modèles de quelques points, celle-ci les sépare de moitié. Si vous automatisez des processus, le choix du modèle vient de cesser d'être neutre.
La mauvaise, et elle est plus importante : 26 %, c'est environ une tâche sur quatre. Le meilleur modèle du monde, sur l'épreuve qui ressemble le plus à un vrai processus d'entreprise, échoue sur trois workflows métier sur quatre. Toute promesse commerciale du type « l'IA automatise votre entreprise » se heurte à ce chiffre, publié par le fournisseur lui-même.
Position tranchée
Ces 26 % sont l'argument le plus solide contre l'idée qu'il suffirait de « brancher un bon modèle ». Un workflow qui passe en production ne se joue pas sur les 26 % que le modèle réussit seul : il se joue sur les 74 % restants, c'est-à-dire sur la spécification du processus, la qualité des données d'entrée, les garde-fous, la reprise sur erreur et les points de contrôle humains. C'est de l'ingénierie, pas de la sélection de modèle — et c'est précisément ce qui fait la différence entre un pilote qui impressionne et un automatisme qui tourne le lundi matin. C'est aussi la première question à poser à toute agence IA qui vous démarche : que faites-vous des 74 % ?
Le chiffre qui compte vraiment pour mettre un agent en production : l'injection de prompt
C'est le point que Boris Cherny, créateur de Claude Code chez Anthropic, met en avant devant tous les scores d'évaluation — et il a raison, parce que c'est celui qui décide si vous pouvez brancher un agent sur vos vraies données. Selon lui, Opus 5 est le modèle le plus difficile à détourner par injection de prompt qu'Anthropic ait produit, un résultat « un peu enterré dans la system card ».
De quoi parle-t-on ? L'injection de prompt indirecte, c'est l'attaque par laquelle un contenu que votre agent lit — un e-mail, un PDF fournisseur, une page web, une fiche produit — contient des instructions cachées qui détournent son comportement. C'est le risque numéro un de tout agent qui traite des documents entrants, et la raison pour laquelle beaucoup de projets d'automatisation restent bloqués au stade du pilote.
Le benchmark Gray Swan IPI mesure exactement cela : la probabilité qu'une attaque réussisse en k tentatives. Plus le chiffre est bas, mieux c'est.
| Modèle | 1 tentative | 10 tentatives | 15 tentatives |
|---|---|---|---|
| Opus 5 | 0,2 % | 1,6 % | 2,0 % |
| Mythos 5 | 0,3 % | 2,1 % | 2,6 % |
| Fable 5 | 0,4 % | 2,3 % | 2,8 % |
| Opus 4.8 | 0,5 % | 4,1 % | 5,5 % |
| Sonnet 5 | 0,6 % | 4,7 % | 5,9 % |
| Muse Spark | 2,9 % | 14,3 % | 16,5 % |
| GPT-5.5 | 3,0 % | 17,4 % | 20,8 % |
| GPT-5.6 Sol | 3,1 % | 16,3 % | 20,0 % |
| GPT-5.6 Terra | 5,4 % | 26,0 % | 30,4 % |
| Gemini 3.6 Flash | 7,3 % | 32,2 % | 37,3 % |
| GPT-5.6 Luna | 8,3 % | 38,6 % | 43,9 % |
| Grok 4.5 | 13,4 % | 54,2 % | 60,8 % |
| Gemini 3.5 Flash | 14,1 % | 54,2 % | 60,5 % |
| Gemini 3.1 Pro | 14,2 % | 45,7 % | 49,2 % |
Source : benchmark Gray Swan IPI, graphique publié par Boris Cherny (Anthropic), 24/07/2026. Lecture : plus le pourcentage est bas, plus le modèle résiste.
L'écart est d'un autre ordre de grandeur que sur les autres épreuves. Sur une seule tentative, Opus 5 tombe à 0,2 % contre 3,1 % pour GPT-5.6 Sol et 14,2 % pour Gemini 3.1 Pro. Et surtout, il tient dans la durée : après quinze tentatives, la probabilité de réussite d'une attaque reste à 2,0 %, quand elle grimpe à 20 % pour GPT-5.6 Sol et dépasse 60 % pour Grok 4.5 et Gemini 3.5 Flash. Cherny ajoute qu'en superposant les défenses — alignement du modèle, sondes anti-injection et mode automatique — le taux de réussite tombe à environ zéro.
Le résultat a été salué au-delà d'Anthropic : Elon Musk a répondu « very impressive » au message de Cherny, quelques minutes après sa publication. La remarque vaut d'être notée, puisque le modèle de sa propre entreprise, Grok 4.5, ferme ce classement — 13,4 % de réussite d'attaque dès la première tentative, 60,8 % au bout de quinze. Quand un concurrent direct valide publiquement un chiffre qui le dessert, c'est généralement que le chiffre est solide.
Pourquoi c'est, pour nous, la ligne la plus importante du lancement
Un agent qui lit vos e-mails, vos factures fournisseurs ou vos appels d'offres est exposé à ce risque à chaque document traité. Jusqu'ici, la réponse honnête à « peut-on laisser un agent agir seul sur des documents entrants ? » était : pas sans supervision serrée. Passer de 5,5 % à 2,0 % sur quinze tentatives ne rend pas le risque nul — mais il change la nature de la conversation, et il déplace la frontière de ce qu'on peut raisonnablement mettre en production. C'est aussi ce qui rend la traçabilité des décisions automatisées d'autant plus nécessaire : un système plus sûr reste un système à journaliser, notamment au regard de l'article 50 du règlement européen sur l'IA.
Les critiques des premiers utilisateurs : « un modèle difficile à aimer »
Il serait malhonnête de ne relayer que les enthousiasmes. Les deux retours indépendants les plus sérieux du jour J sont critiques — et ils sont beaucoup plus utiles que les benchmarks pour qui doit décider d'une migration.
Claire Vo a fait passer à Opus 5 son propre banc d'essai : sept tâches, sept modèles concurrents dont GPT-5.6 Sol, Sonnet 5 et Gemini 3.1 Pro, notation à l'aveugle. Son verdict tient dans son titre — brillant, mais agaçant. Opus 5 décroche la note maximale sur au moins un cas d'usage, et se montre en même temps verbeux et « névrosé », jusqu'à refuser de toucher à un conflit de fusion pendant une session de code réelle, par excès de prudence.
Dan Shipper (Every) est allé plus loin : une semaine de test sur du code, de la rédaction, du travail de connaissance et un agent interne. Son constat de départ est sévère — le modèle discute les instructions, s'arrête avant d'avoir fini, et s'entend mal avec les outils et automatismes existants. Puis son équipe a fait quelque chose de contre-intuitif : tout supprimer et repartir de zéro. Sans les workflows élaborés bâtis pour les générations précédentes, Opus 5 est devenu « dramatiquement meilleur ».
Trois avertissements concrets avant de migrer
- Il casse la compatibilité ascendante. Branché sur des automatismes conçus pour un modèle antérieur, Opus 5 s'arrête souvent trop tôt ou ignore une partie des consignes. Ce n'est pas un remplacement à chaud.
- Repartir de zéro donne de bien meilleurs résultats que d'adapter l'existant — observation de Kieran Klaassen, dans la même équipe. C'est un modèle autour duquel il faut reconstruire, avec un gain à la clé pour qui accepte ce coût.
- Un effort de raisonnement moyen ou bas fonctionne mieux qu'un effort maximal : plus on lui laisse de temps de réflexion, plus les comportements agaçants ressortent. Shipper insiste : ne basculez pas vers un modèle plus petit pour gagner en vitesse — essayez d'abord Opus 5 en réflexion basse.
Shipper conclut par une image qui pique : Opus 5 aurait « la personnalité du génie sans son sommet », ce qui le laisse dans un entre-deux inconfortable entre le modèle d'élite et le généraliste rapide.
Le banc d'essai le plus rigoureux : CodeRabbit
Troisième source, et la plus méthodique : CodeRabbit a passé Opus 5 sur son banc de revue de code — une centaine de motifs d'erreur tirés de vraies pull requests open source, trois exécutions par configuration, comparées à leur mélange de modèles en production. Ils testent chaque sortie d'Opus depuis la version 4, ce qui donne une perspective rare.
Leur verdict est nuancé et mérite d'être cité tel quel : un spécialiste de la précision, à associer à un modèle de rappel. Les chiffres :
| Mesure | Opus 5 (effort max) | Référence production |
|---|---|---|
| Précision des commentaires actionnables part des remarques qui touchent juste | 39,3 % | 35,2 % |
| Bugs connus détectés couverture | 55,2 % | 61,1 % |
| Remarques mineures (bruit) | 92 | 23 |
| Précision sur l'ensemble du flux | 28,6 % | 32,8 % |
Source : CodeRabbit, « Opus 5 model review », 24/07/2026 — ~100 motifs d'erreur issus de pull requests réelles, moyennes sur trois exécutions.
Autrement dit : Opus 5 dit moins de bêtises quand il parle, mais il rate plus de bugs et produit quatre fois plus de remarques mineures à trier. CodeRabbit en tire une conclusion d'architecture, pas de classement : les modèles de pointe se sont scindés en deux camps — ceux orientés rappel, qui trouvent beaucoup et laissent filtrer (GPT-5.6 Sol détecte 69,7 % des bugs, mais seulement 31,6 % de ses commentaires méritent d'être gardés), et ceux orientés précision, qui parlent moins et se trompent moins. Opus 5 ancre ce second camp.
Deux points chiffrés à retenir pour un budget. D'abord, Opus 5 lit environ 50 % de plus et écrit environ 65 % de plus que les modèles de référence pour le même travail (≈60 500 tokens en entrée et 9 500 en sortie par appel, contre ≈40 500 et 5 800) : une partie du surcoût réel ne vient pas du tarif mais du volume. Ensuite, la fenêtre de contexte passe à 1 million de tokens par défaut, avec une performance annoncée stable sur toute la longueur — ce qui répond directement à la dégradation au-delà de 200 000 tokens observée sur Opus 4.8.
Côté catégories, CodeRabbit le trouve solide sur les erreurs de configuration et la qualité de code, plus faible sur les erreurs de logique, les accès concurrents et le mauvais usage d'API. Traduction pratique : bon comme regard supplémentaire, insuffisant comme unique filet de sécurité sur du code critique.
Ce que personne ne relève : trois signaux indépendants convergent
Trois sources qui ne se sont pas concertées disent la même chose sur le réglage de l'effort. Shipper : « un effort bas fonctionne mieux ». CursorBench : Opus 5 en réflexion haute obtient 66,7 % pour 3,91 $ par tâche, contre 70,0 % pour 8,23 $ au maximum — trois points de score pour un coût plus que doublé. CodeRabbit : « plus de raisonnement n'a pas systématiquement produit une meilleure revue », l'effort maximal achetant de la précision au prix de la couverture, sans que rien ne s'améliore uniformément — ils qualifient l'effort de décision de routage, pas de curseur de qualité.
La conclusion pratique est contre-intuitive et se chiffre : le réglage par défaut d'un déploiement sérieux n'est pas le maximum, c'est le minimum qui passe vos tests métier. Et le bon usage d'Opus 5 n'est pas « le modèle unique » mais une voie spécialisée dans un ensemble routé — exactement l'architecture à couche d'intelligence interchangeable que nous défendons.
Ces critiques recoupent notre lecture de terrain : un modèle plus autonome et plus prudent n'est pas automatiquement plus utile en production. Un agent qui refuse d'agir dans le doute vaut mieux qu'un agent qui casse quelque chose — mais chaque refus est une exception à traiter à la main, donc une ligne de plus dans les 74 % dont nous parlions plus haut.
Ce qu'Opus 5 change concrètement pour une PME
Trois conséquences opérationnelles, sans extrapolation.
1. Les projets d'agents autonomes deviennent défendables — certains, pas tous. Un agent qui doit enchaîner des étapes dans vos outils bénéficie directement des bonds sur OSWorld 2.0 et Frontier-Bench. Un projet écarté il y a six mois pour cause de « trop d'étapes, trop de reprises manuelles » mérite d'être ré-instruit. Un projet écarté parce que le processus lui-même n'était pas écrit reste, lui, exactement aussi mauvais.
2. Le choix du modèle devient une décision d'architecture, pas une préférence. Le tableau montre des inversions selon les domaines : le juridique va à Fable 5, la santé à Mythos 5, le code pur à GPT-5.6 Sol sur DeepSWE. Une architecture sérieuse route la tâche vers le modèle adapté au lieu d'imposer un fournisseur unique — c'est ce que nous faisons dans nos projets d'automatisation IA, où la couche d'intelligence est explicitement interchangeable. C'est aussi ce qui rend une bascule vers un modèle ouvert praticable le jour où elle devient pertinente, qu'il s'agisse de Kimi K3 ou d'un hébergement souverain européen.
3. Rien de tout cela ne change vos obligations. Les échéances du règlement européen sur l'IA restent aux mêmes dates : transparence (article 50) au 2 août 2026, systèmes à haut risque de l'annexe III au 2 décembre 2027. Un modèle plus autonome, c'est mécaniquement plus de décisions prises sans humain dans la boucle — donc plus de traçabilité à prévoir, pas moins.
Pour le reste, la méthode ne bouge pas : cartographier les tâches, chiffrer le retour sur investissement, commencer par le processus dont l'échec coûte le moins cher, et ne mettre en production que ce qui a un plan de reprise. Les 26 % d'AutomationBench sont la meilleure raison de s'y tenir.
FAQ — Claude Opus 5
Claude Opus 5 est-il meilleur que GPT-5.6 Sol ?
Combien coûte Claude Opus 5 ?
Quel est le gain le plus important d'Opus 5 par rapport à Opus 4.8 ?
Que mesure AutomationBench, et pourquoi 26 % est-il un chiffre important ?
Claude Opus 5 résiste-t-il à l'injection de prompt ?
Faut-il migrer ses automatisations vers Opus 5 ?
Sur quelles épreuves Opus 5 n'arrive-t-il pas en tête ?
Sources
- Anthropic — tableau de benchmarks officiel publié à la sortie de Claude Opus 5, 24/07/2026 (épreuves Frontier-Bench v0.1, GDPval-AA v2, ARC-AGI-3, BrowseComp, Humanity's Last Exam, OSWorld 2.0, DeepSWE v1.1, FrontierCode v1.1, AutomationBench, Legal Agent Benchmark, HealthBench Professional, BioMysteryBench).
- Tarifs, disponibilité et fonctionnalités (paramètre d'effort, routage de repli, auto-vérification, alignement) : Clubic, « Anthropic lance Claude Opus 5, son IA la plus puissante et la moins chère à faire tourner », 24/07/2026 ; BelieveMy, « Claude Opus 5 », 24/07/2026.
- Robustesse à l'injection de prompt indirecte : benchmark Gray Swan IPI, graphique et commentaire publiés par Boris Cherny (créateur de Claude Code, Anthropic), 24/07/2026.
- Retour indépendant : Claire Vo, « Claude Opus 5 review: this model is brilliant (but annoying) », Lenny's Newsletter, 24/07/2026 — banc d'essai de 7 tâches sur 7 modèles, notation à l'aveugle.
- Coût par tâche : résultats CursorBench publiés par BridgeMind (@bridgemindai), 24/07/2026.
- Retour critique après une semaine de test : Dan Shipper (Every), « Day 0 vibe check » publié sur X le 24/07/2026, avec les observations de Kieran Klaassen sur la reconstruction des workflows et l'effort de raisonnement.
- Banc de revue de code : CodeRabbit, « Opus 5 model review », 24/07/2026 — ~100 motifs d'erreur issus de pull requests open source réelles, trois exécutions par configuration.
- Nos paris signés du 15/07/2026 et leur audit intermédiaire du 21/07/2026, publiés sur ce blog avant la sortie du modèle.
- Règlement européen sur l'IA — calendrier d'application : article 50 (transparence) au 02/08/2026, annexe III (haut risque) au 02/12/2027.
