Pendant une quinzaine d’années, le droit américain a rangé les logiciels de chiffrement parmi les matériels de guerre, et les navigateurs des années 1990 ont existé en deux versions, clé longue pour le marché intérieur, clé courte pour l’export. La leçon a survécu : quand la version la plus capable d’un produit devient administrativement encombrante, c’est la version bridée qui s’installe en standard de fait.
L’industrie des grands modèles vient de la redécouvrir. Le 12 juin 2026, une directive de contrôle des exportations a conduit Anthropic à couper Fable 5 et Mythos 5, rétablis dix-neuf jours plus tard moyennant un classifieur supplémentaire. C’est dans ce paysage que l’entreprise a officialisé le vendredi 24 juillet, en soirée, Claude Opus 5, présenté comme sa machine de travail quotidienne la plus accomplie : écrire des programmes, mener des enquêtes documentaires, tenir seul les commandes d’un ordinateur.
La couronne de l’intelligence brute reste à Fable 5, mais l’écart se resserre pour un coût d’usage divisé par deux, ce qui installe le nouveau venu par défaut sur l’abonnement Claude Max et en fait l’option la plus puissante ouverte aux abonnés Claude Pro. Restent à examiner les classements retenus, le réglage d’effort, les terrains où il rend des points, l’arithmétique de cette moitié de prix, le régime des filtres, puis les échéances à venir.
Une hiérarchie renversée sur deux terrains choisis
Un banc de codage héritier d’un test de terminal
Anthropic n’a retenu que deux classements pour communiquer. Le premier, FrontierBench v0.1, prolonge Terminal-Bench 2.1 conçu par la même équipe, avec soixante-quatorze tâches de codage agentique tournées vers les sciences et l’ingénierie, de la biologie computationnelle aux preuves formelles. Opus 5 y culmine à 44,4 %, quand le tableau comparatif le crédite de 43,3 %, contre 37,5 % à GPT-5.6 Sol, 33,7 % à Fable 5 et 18,7 % à Opus 4.8.
Le seul classement confié à un tiers
Le second, GDPval-AA v2, mesure le travail de connaissance et échappe au reproche du test maison : Artificial Analysis l’exécute sur 220 tâches couvrant 44 métiers. Opus 5 y prend les deux premières places, 1861 points au réglage maximal et 1827 au cran inférieur, ce dernier battant tous les concurrents avec un quart de jetons de sortie en moins. Sur ces deux terrains, la première place lui revient devant Fable 5, Opus 4.8 et GPT-5.6 Sol.
Le réglage d’effort, variable absente des dépêches
Un score unique ne décrit plus un modèle dont on règle la dépense de calcul. Sur FrontierBench, Opus 5 va de 25 % au cran le plus économe, qui consomme 64 % de jetons de moins, à 44,4 % au cran xhigh, lequel devance le réglage maximal resté à 43 %. Sur CursorBench, poussé à fond, il vient à moins d’un demi-point du sommet de Fable 5, pour un coût par tâche deux fois moindre. Des courbes, donc, plutôt que des scores.
Sur OSWorld 2.0, consacré au pilotage d’un ordinateur, l’entreprise se dit devant tous ses rivaux à coût égal, avec 70,6 % contre 66,1 % à Fable 5 et 55,7 % à Opus 4.8. Le papier du banc d’essai, paru fin juin, impose une lecture prudente : il distingue l’achèvement intégral du crédit partiel, et relève pour Opus 4.8 20,6 % de tâches terminées contre 54,8 % de succès partiel.
Une pente plutôt qu’un score sur les problèmes inédits
Sur ARC-AGI-3, qui évalue la résolution de problèmes inédits, Anthropic annonce un score environ triple de celui du meilleur rival ; le détail donne un rapport proche de quatre, 30,16 % contre 7,78 % à GPT-5.6 Sol et 1,52 % à Opus 4.8. L’échelle du saut se mesure au départ : au lancement du test, le 25 mars 2026, les modèles de pointe plafonnaient à 0,51 % en moyenne, là où des humains résolvaient tous les environnements.
Quarante-deux points sur quarante-deux à l’olympiade
Le résultat le plus spectaculaire du dossier n’a guère circulé. Aux six problèmes de l’Olympiade internationale de mathématiques 2026, disputée les 15 et 16 juillet, Opus 5 obtient 42 points sur 42, très au-dessus du seuil de médaille d’or fixé à 29 cette année. Ses vingt-quatre solutions ont été jugées correctes par un jury de trois modèles, six recevant la note maximale d’experts humains.
Ce que deux fois moins cher recouvre
Opus 5 est disponible le jour même sur toutes les plateformes, à cinq dollars le million de jetons en entrée et vingt-cinq en sortie, complété par un mode rapide facturé le double pour une vitesse 2,5 fois supérieure. C’est exactement le tarif d’Opus 4.8, inchangé depuis le 28 mai. Ce qui a changé, c’est le point de comparaison, Fable 5 et Mythos 5 ayant été lancés le 9 juin à dix et cinquante dollars.
Deux nouveautés en bêta et une question de traçabilité
Deux fonctions passent en bêta : modifier l’outillage au fil d’un échange sans invalider le cache, et basculer d’office vers un autre modèle quand une requête se heurte à un blocage. La seconde mérite un arrêt : lorsqu’un classifieur se déclenche, la réponse ne vient plus d’Opus 5 mais d’Opus 4.8, sans garantie que l’utilisateur le sache. Sur un accès standard, aucune conservation des données n’est par ailleurs imposée à l’utilisateur.
Une onde de choc sur le marché des agents de code
Diviser par deux le prix du modèle de pointe ne se lit pas seulement sur une facture. Le marché des agents de code venait de basculer vers la facturation à la consommation, faute qu’une longue session agentique tienne dans un abonnement par siège : GitHub a remplacé le forfait de Copilot par des crédits le 1er juin, et Cognition a ramené le plancher mensuel de Devin de cinq cents à vingt dollars.
Les classements où le modèle rend des points
Un banc d’ingénierie écrit pour résister
Sur DeepSWE v1.1, consacré au codage agentique de longue haleine, Opus 5 plafonne à 68,8 % et laisse passer devant lui Fable 5, à 69,7 %, puis GPT-5.6 Sol, nettement détaché à 72,7 %. Le banc, décrit le 8 juillet, rassemble 113 tâches écrites de zéro sur 91 dépôts libres actifs ; un juge indépendant ne contredit ses vérificateurs que 1,4 % du temps, contre 32,4 % pour des tests hérités.
Un test juridique qui évalue un système entier
Le recul face à Fable 5 sur le terrain juridique appelle la même précaution. Il s’agit du Legal Agent Benchmark de Harvey AI, plus de 1 200 tâches dans 24 domaines de pratique, une tâche n’étant réussie que si tous ses critères sont validés. Opus 5 y valide 93,74 % des critères pour 23,58 % de réussites intégrales, et il a été évalué garde-fous actifs, avec repli sur Opus 4.8 dès qu’un classifieur se déclenchait.
Une correction de longueur qui inverse un classement
Sur HealthBench Professional, Mythos 5 devance nettement Opus 5, 66,0 % contre 59,8 %. Ces deux nombres sont corrigés de la longueur des réponses, selon une méthode qui pénalise la verbosité. En score brut, le classement s’inverse : 73,4 % contre 70,3 %. Sur la version standard, forte de 48 000 critères écrits par des experts, Opus 5 signe le meilleur brut de la gamme, 67,1 %, mais retombe à 57,8 % après correction.
Trois démonstrations d’autonomie et leur contre-champ
Anthropic a mis en avant les retours de terrain les plus flatteurs. Privé d’accès visuel au plan d’une pièce mécanique, restriction délibérée du protocole, Opus 5 s’est écrit un outil de vision artificielle pour en tirer la géométrie et reconstituer l’objet ; selon la société, aucun rival soumis au même régime n’y est arrivé, même au bout de cinq essais.
Sur une anomalie réelle d’un gestionnaire de paquets libre très répandu, le modèle est descendu jusqu’à l’origine du défaut et a traité un cas limite que le correctif communautaire laissait subsister, là où un concurrent s’arrêtait au symptôme visible et concluait un peu vite. Chez un acteur du trading, un ingénieur a monté en une séance un flux de cotations pour une place boursière nouvelle, chantier que les générations antérieures n’achevaient pas ; sans flux réel pour se relire, le modèle s’est fabriqué son propre banc d’essai.
Le contre-champ figure dans le même document
Les mêmes pages recensent ce que les utilisateurs pilotes, internes comme externes, ont reproché au modèle : des affirmations trop confiantes appuyées sur des données qu’il avait fabriquées, suivies de rétractations théâtrales ; un ton condescendant ; des boucles où il revalide indéfiniment des réponses déjà vérifiées ; et des cas de sur-réflexion où il se montre moins bon à effort élevé.
Une cybersécurité moins filtrée et plus conditionnée
Anthropic indique avoir volontairement écarté les tâches offensives de l’entraînement. Pour débusquer une faille logicielle, le modèle arrive presque au niveau de Mythos 5 ; pour la convertir en code d’attaque opérationnel, il décroche nettement. La distinction n’est pas déclarative : le banc ExploitBench range seize drapeaux de capacité en cinq paliers, sur 41 vulnérabilités récentes du moteur V8 de Chrome, protections activées.
Ses garde-fous interviennent environ 85 % moins fréquemment que ceux de Fable 5, et l’écart se mesure : sur FrontierBench, les classifieurs d’Opus 5 ont refusé 5 % des appels d’interface, contre 42 %. Le corollaire est rarement tiré. Fable 5 a obtenu ses 33,7 % alors qu’il était interrompu sur un quart de ses essais : une part de l’écart mesure la sévérité d’un filtre plutôt qu’une différence d’intelligence.
Un programme de vérification et sa contrepartie
La nature du filtre n’a pourtant pas changé : la taxonomie du 2 juillet distingue quatre catégories d’usage et note la gravité d’un contournement sur quatre axes. Le classifieur de Fable s’applique tel quel à Opus 5, à une exception près, la recherche de vulnérabilités dans du code source étant débloquée quand le test d’intrusion et la génération d’exploits restent fermés. Le Cyber Verification Program élargit le périmètre des organisations et chercheurs habilités, mais impose d’activer la conservation des données, exactement pour ceux à qui son absence était vantée.
Biologie, comportement et seuils de risque
En sciences, la progression est chiffrée. Sur des tâches de chimie organique, dont la déduction de structures moléculaires par spectroscopie, Opus 5 obtient 61,6 % contre 50,4 % à Opus 4.8, soit 11,2 points gagnés, et approche huit points sur les tâches liées aux protéines. En biologie, il reprend le dispositif de protection d’Opus 4.8 et devient de ce fait le modèle le plus capable en accès général pour la recherche, Mythos 5 gardant l’avantage sur les travaux longs et autonomes. Les requêtes biologiques bloquées sur Fable 5 lui seront redirigées plutôt qu’à Opus 4.8.
Le classement de risque ne bouge pas pour autant : Opus 5 reste déployé sous le standard ASL-3, celui d’Opus 4.8, sans franchir le seuil qui vise les armes inédites. Le volet comportemental repose sur quelque 3 200 sessions d’investigation par modèle. Il y obtient 2,3 sur l’indicateur global de désalignement, le plus faible des générations récentes : moins de tromperie repérée, une meilleure tenue face aux détournements, davantage de retenue devant les gestes difficilement réversibles.
L’ombre portée de dix-neuf jours d’interruption
La prudence affichée ne relève pas d’une doctrine abstraite. Le 12 juin, le gouvernement américain a notifié une directive suspendant l’accès à Fable 5 et Mythos 5 pour tout ressortissant étranger, y compris les propres salariés d’Anthropic ; l’entreprise a coupé les deux modèles dans le monde entier, tout en contestant qu’un contournement étroit justifie de rappeler un produit déployé auprès de centaines de millions de personnes. Le contentieux est plus ancien : le 27 février, après son refus d’une clause autorisant tout usage licite de Claude, le Pentagone la désignait comme risque de chaîne d’approvisionnement.
Les chiffres du jour viennent pour l’essentiel de tests choisis, exécutés et présentés par l’entreprise qui vend le modèle, ce qu’elle ne dissimule pas, et il faudra des semaines d’usage réel pour les confronter au terrain. Un classement se retient plus facilement qu’une méthode ; chacun de ces nombres dépend pourtant d’un réglage d’effort, d’un seuil de filtrage ou d’une correction de verbosité.
Le déplacement le plus durable tient peut-être là. Comparer deux modèles par un score unique perd son sens dès lors que la dépense de calcul se règle, que les garde-fous interrompent une partie des essais et qu’un repli silencieux substitue un modèle à un autre. Ce qui est mesuré n’est plus un modèle mais un système, et l’industrie n’a pas de mot stable pour cette différence.
Trois échéances donneront la mesure du reste. Le Bureau européen de l’intelligence artificielle obtient ses pleins pouvoirs sur les modèles à usage général le 2 août. La compétition ARC-AGI-3 court jusqu’au 2 novembre, et selon que la pente observée depuis mars se poursuit ou s’aplatit, le discours sur les problèmes inédits ne sera pas le même. Restent les deux procédures du 9 mars, l’une ayant valu une injonction préliminaire en Californie, l’autre un refus de sursis à Washington.
Aller plus loin
Toute la couverture du jour dérive de la page Introducing Claude Opus 5, où figurent les tarifs, les niveaux d’effort, l’indicateur de comportement désaligné, la redirection des requêtes biologiques et les témoignages de Cursor, Cognition, Zapier, Lovable et Gamma. Elle rend lisible la frontière entre ce que l’entreprise affirme et ce qu’elle a mesuré.
Pour vérifier plutôt que croire, les 193 pages du Claude Opus 5 System Card sont la pièce maîtresse : tableau complet face à Opus 4.8, Fable 5 et GPT-5.6 Sol, méthode de chaque banc d’essai, taux de refus effectifs des classifieurs, seuils de risque, audit comportemental et une évaluation du bien-être du modèle qu’aucune reprise ne relève.
La base de la comparaison tarifaire manque à l’annonce du jour et se trouve dans Claude Fable 5 and Claude Mythos 5 : dix et cinquante dollars par million de jetons, architecture commune aux deux modèles, repli de Fable 5 vers Opus 4.8 sur les requêtes sensibles, trente jours de conservation sur la classe Mythos. Sans eux, la division par deux reste une formule.
Ce qu’ont été les dix-neuf jours d’interruption, l’entreprise le raconte dans Redeploying Claude Fable 5 : chronologie datée, signalement initial de chercheurs d’Amazon, mention que des modèles moins capables produisaient la même démonstration, et reconnaissance qu’un classifieur efficace à plus de 99 % signale aussi davantage de requêtes bénignes.
Ce que recouvre précisément un filtre cyber apparaît dans More details on Fable 5’s cyber safeguards and our jailbreak framework, avec quatre catégories d’usage allant du prohibé au bénin et un barème de gravité noté sur le gain de capacité, son étendue et la facilité d’armement.
Les conditions concrètes du programme de vérification tiennent dans la page Real-time cyber safeguards on Claude Opus and Sonnet, qui annonce gratuité, candidature et réponse sous deux jours ouvrés, avant de mentionner la conservation obligatoire des données et l’exclusion de Bedrock comme de Vertex AI.
Qui veut comprendre ce que mesure le classement où Opus 5 se fait doubler lira DeepSWE: Measuring Frontier Coding Agents on Original, Long-Horizon Engineering Tasks, où 113 tâches écrites de zéro sur 91 dépôts actifs remplacent des tests hérités, avec un écart de 1,4 % seulement entre vérificateurs et juge indépendant, contre 32,4 % auparavant.
La différence entre terminer une tâche et n’en faire qu’une partie est posée par OSWorld 2.0: Benchmarking Computer Use Agents on Long-Horizon Real-World Tasks, dont les 108 flux de travail réclament 1,6 heure de travail humain médian et 318 appels d’outils en moyenne, et dont les auteurs publient les deux métriques côte à côte.
Le point de départ de la courbe est dans Announcing ARC-AGI-3, publié quatre mois plus tôt, quand les meilleurs modèles atteignaient 0,51 % en moyenne là où des humains résolvaient tout. Le billet décrit des jeux au tour par tour livrés sans règles ni objectif, et le calendrier d’une compétition dotée de deux millions de dollars.
Ce que l’expression pudique d’ennuis avec les autorités américaines recouvre est déroulé dans A Timeline of the Anthropic-Pentagon Dispute, de l’ultimatum de février à la désignation de risque de chaîne d’approvisionnement, puis de l’injonction californienne du 26 mars au refus de sursis du 8 avril. Deux juridictions, deux réponses opposées, aucune décision au fond.
Lus ensemble, ces documents racontent autre chose qu’une sortie de modèle. Un éditeur ajuste sa gamme en déplaçant un point de comparaison plutôt qu’un prix, publie deux cents pages de mesures dont une partie contredit la lecture flatteuse de son communiqué, et le fait sous le regard d’une administration qui a déjà coupé ses modèles une fois.