Claude Opus 5 prend la tête sur des tests de travail agentique
Répondre correctement ne suffit plus : les nouveaux benchmarks mesurent si une IA peut réellement produire un travail professionnel complet en plusieurs étapes.
Claude Opus 5 se distingue sur plusieurs évaluations consacrées au travail agentique, c’est-à-dire aux tâches où un modèle doit raisonner, utiliser des outils et produire un livrable professionnel plutôt que simplement répondre à une question. Selon Artificial Analysis, Opus 5 avec son niveau de raisonnement maximal atteint 1 861 Elo sur GDPval-AA v2, soit plus de 100 points devant Claude Fable 5 et GPT-5.6 Sol dans cette configuration. Sur AA-Briefcase, un autre benchmark centré sur le travail professionnel réalisé par des agents, Opus 5 atteint 1 720 Elo, soit 146 points devant Fable 5. Ces résultats ne signifient pas qu’un modèle est meilleur dans tous les domaines : les classements varient selon le code, la présentation, le raisonnement ou le type de tâche évalué. Ils montrent néanmoins une évolution importante des critères de compétition. Les laboratoires ne cherchent plus seulement à produire le meilleur chatbot : ils optimisent désormais leurs modèles pour mener des tâches longues, manipuler des outils et livrer un résultat exploitable avec moins d’intervention humaine.
Pourquoi c’est important
La compétition entre assistants IA se déplace progressivement de la conversation vers l’exécution. Pour une entreprise, la vraie question devient moins « quel modèle répond le mieux ? » que « quel système réussit réellement mon workflow de bout en bout ? ». Cela pousse à tester les modèles avec des cas métiers réels : produire un document, analyser plusieurs sources, coder, utiliser des outils ou accomplir une suite d’actions avec le moins de corrections humaines possible.
En bref
- •Opus 5 mène plusieurs benchmarks de travail agentique
- •GDPval-AA v2 mesure des tâches professionnelles complexes
- •AA-Briefcase évalue des livrables produits par des agents
- •Fable 5 et GPT-5.6 Sol restent proches sur plusieurs autres mesures
- •Un classement dépend toujours du benchmark utilisé
Chiffres clés
À retenir
- •Évaluer un modèle sur le type de travail réellement attendu plutôt que sur un classement général
- •Les benchmarks d’agents deviennent plus pertinents pour l’automatisation professionnelle
- •Un modèle très performant en agentique n’est pas automatiquement meilleur pour toutes les tâches
- •Comparer qualité, coût et vitesse reste indispensable avant un déploiement
Source de l’article
Artificial Analysis