Anthropic a lancé vendredi Claude Opus 5, un modèle qui, selon l’entreprise, fournit presque toute l’intelligence de son modèle phare Claude Fable 5 pour la moitié du coût — un lancement qui souligne le déplacement du paysage concurrentiel de l’IA, de la capacité brute vers l’économie de l’usage quotidien.

Le modèle est disponible immédiatement sur toutes les plateformes d’Anthropic. Il est facturé $5 par million de tokens d’entrée et $25 par million de tokens de sortie, un tarif inchangé par rapport à son prédécesseur, Opus 4.8. Opus 5 devient le nouveau modèle par défaut de Claude Max, l’offre grand public premium d’Anthropic, ainsi que le modèle le plus puissant disponible sur Claude Pro.

Ce positionnement est délibéré. Anthropic ne prétend pas qu’Opus 5 est son modèle le plus intelligent — cette distinction revient toujours à Fable 5, et des systèmes concurrents conservent un avantage dans certains domaines. L’entreprise avance plutôt un argument plus subtil, directement destiné aux acheteurs en entreprise : les travaux d’IA les plus significatifs sur le plan économique se situent dans une zone intermédiaire de difficulté, où une intelligence proche du niveau frontière, fournie efficacement et à coût abordable, surpasse une intelligence frontière proposée à prix élevé.

"Opus 5 as your daily driver, the model you hand complex work to and review when it's done," a déclaré un porte-parole d’Anthropic dans un entretien avec VentureBeat, décrivant la stratification de la gamme de modèles de l’entreprise. "Fable 5 for your most ambitious work, the days-long autonomous projects nothing could take on before... Sonnet 5 for work you run at scale, where speed and cost per call decide what ships. Haiku 4.5 for subagents and instant answers."

Performances de benchmark : Opus 5 face à Fable 5 et à ses concurrents

Sur le papier, les résultats des benchmarks sont frappants. Anthropic affirme qu’Opus 5 établit de nouveaux records de l’état de l’art dans les évaluations de codage et de travail de connaissance, notamment Frontier-Bench et GDPval-AA.

Sur Frontier-Bench v0.1, un benchmark de codage agentique en terminal, Opus 5 obtient 43.3 percent — soit plus du double des 18.7 percent d’Opus 4.8 et nettement devant les 33.7 percent de Fable 5 — à un coût par tâche inférieur, selon l’entreprise. Sur ARC-AGI 3, une évaluation de la résolution de problèmes nouveaux, Anthropic indique qu’Opus 5 a obtenu un score trois fois supérieur à celui du deuxième meilleur modèle. Sur OSWorld 2.0, un benchmark d’utilisation informatique, l’entreprise affirme qu’Opus 5 dépasse le meilleur résultat de Fable 5 pour un peu plus d’un tiers du coût.

Ces chiffres s’accompagnent de réserves qui sont elles-mêmes notables dans un secteur enclin aux superlatifs. Anthropic reconnaît qu’Opus 5 reste derrière Mythos 5, un modèle concurrent, sur les tâches de cybersécurité et la recherche en biologie. Un modèle de la famille OpenAI conserve également la tête sur un benchmark de codage agentique.

La réserve la plus révélatrice est venue directement d’Anthropic, lorsqu’il lui a été demandé sur quels points Opus 5 restait inférieur à Fable 5. La réponse du porte-parole constituait une admission franche de ce que les benchmarks peuvent et ne peuvent pas mesurer.

"The evals where Opus 5 wins are bounded tasks with a specific outcome, which is where it's strongest. What those evals don't measure is duration," a déclaré le porte-parole à VentureBeat. "One way to put it: Opus 5 is the best tool for the jobs benchmarks can see, and Fable 5 is what you reach for when the job outruns the benchmark."

Fable 5, à l’inverse, "is for the longest, most autonomous jobs, where the model has to stay coherent across many connected steps over hours or days with dense source material," a déclaré le porte-parole, conseillant aux clients de "run both on a representative workload, one bounded task and one long-horizon job." Cette distinction — tâches bornées contre autonomie de long horizon — pourrait devenir l’axe déterminant de différenciation des modèles en 2026, à mesure que les benchmarks saturent et que les problèmes les plus difficiles restants relèvent d’un travail agentique soutenu sur plusieurs jours plutôt que d’énigmes isolées.

L’efficacité en tokens comme véritable terrain de bataille en entreprise

Un thème traverse clairement ce lancement, qu’Anthropic veut manifestement faire passer auprès des acheteurs : Opus 5 n’obtient pas seulement de bons scores, il obtient de bons scores par dollar dépensé. Le modèle est livré avec un paramètre "effort" ajustable, qui permet aux clients d’arbitrer entre intelligence, vitesse et économies de tokens, tandis que les graphiques d’Anthropic mettent l’accent sur la performance à coût donné plutôt que sur la seule performance maximale.

Les premiers clients ont repris cet argument avec une précision inhabituelle. Harvey, l’entreprise d’IA juridique, a indiqué qu’Opus 5 atteignait une performance similaire au mode de raisonnement maximal d’Opus 4.8 "while generating 26% fewer tokens on average," selon Niko Grupen, son responsable de la recherche appliquée. Richard Pham, de Fundamental Research Lab, a déclaré que sur des tâches difficiles de modélisation financière, le modèle affichait en moyenne neuf points de pourcentage de précision supplémentaire "while using roughly one-third fewer turns and tool calls and 60% less time."

Wade Foster, directeur général de Zapier, a déclaré qu’Opus 5 était arrivé en tête du classement AutomationBench de son entreprise "without spending more tokens than prior Claude models," en exécutant de bout en bout un workflow complet de prévention du churn. "Previous models didn't pass; Opus 5 hit 100%," a-t-il indiqué.

Scott Wu, directeur général de Cognition, l’entreprise derrière l’agent de codage Devin, a déclaré que sur FrontierCode 1.1, "Claude Opus 5 approaches Fable-level performance at half the cost," avec une force particulière dans le débogage et l’analyse des causes racines.

L’accent mis sur l’efficacité reflète une réalité commerciale. Les dépenses d’IA en entreprise ne sont plus expérimentales, et les coûts d’inférence — le prix réel de l’exécution de modèles à grande échelle — sont devenus un sujet de niveau conseil d’administration. L’activité d’Anthropic est fortement orientée vers l’API et les usages d’entreprise ; selon une analyse de février 2026 de Contrary Research, Claude détenait environ 40 percent du marché des grands modèles de langage d’entreprise en usage à la fin de 2025, et Claude Code avait à lui seul atteint environ $1 billion de revenus annualisés. Pour une entreprise dont les clients paient au token, un modèle qui en fait davantage avec moins de tokens n’est pas un simple avantage — c’est le produit.

Agents auto-vérificateurs et coûts cachés de l’automatisation

Au-delà des chiffres, Anthropic met en avant un récit comportemental : Opus 5 vérifie son propre travail et itère jusqu’à réussir. L’entreprise a donné plusieurs exemples issus de tests, qui se lisent comme de petites paraboles de persistance mécanique.

Dans une tâche Frontier-Bench, il a été demandé au modèle de reconstruire une pièce mécanique sous forme de modèle 3D CAD à partir d’un dessin qu’il n’avait volontairement aucun moyen de consulter. Plutôt que d’échouer, Anthropic affirme qu’Opus 5 a écrit son propre pipeline de vision par ordinateur pour extraire la géométrie à partir de pixels bruts — et l’a fait à plusieurs reprises, alors qu’aucun modèle concurrent n’a résolu la tâche en cinq tentatives. Dans un autre cas, face à un véritable bug dans un gestionnaire de paquets open source populaire, le modèle a trouvé la cause racine et corrigé un cas limite que le correctif de la communauté avait manqué ; un modèle concurrent n’avait corrigé que le symptôme avant de déclarer la tâche réussie. Un ingénieur d’une société de trading, selon l’entreprise, a utilisé Opus 5 pour construire un flux de données de marché pour une nouvelle place d’échange en une seule session et, faute de flux en direct pour valider le résultat, a vu le modèle créer son propre banc de test pour vérifier son code d’analyse.

Des clients ont décrit des comportements similaires en production. Cristian Rivera, ingénieur logiciel staff chez Stripe, a déclaré avoir confié au modèle "a chief-of-staff role over my dev environments" pendant un week-end : "it built its own monitor, drove each box, and pulled me in only for the judgment calls."

C’est la capacité qui intéresse le plus les entreprises. L’écart entre un modèle qui produit une sortie plausible et un modèle qui vérifie sa sortie correspond à l’écart entre une démonstration et un système déployable. Aujourd’hui, une grande partie du coût caché de l’IA en entreprise tient à la revue humaine — des ingénieurs qui vérifient le travail de la machine. Un modèle qui contrôle de manière fiable son propre travail réduit ce coût, ce qui explique précisément pourquoi les clients citent moins d’allers-retours, moins de passes et moins de temps, plutôt que de simples scores bruts plus élevés.

La stratégie de sécurité d’Anthropic : écarts de capacité, classificateurs et replis de modèle

Le lancement met également en lumière l’approche de plus en plus complexe d’Anthropic en matière de sécurité — une approche qui consiste désormais à ne délibérément pas entraîner ses modèles sur certaines compétences. L’entreprise affirme que son audit comportemental automatisé a identifié Opus 5 comme son modèle le plus aligné à ce jour, avec un score de 2.3 sur le comportement global mal aligné, inférieur à Opus 4.8, Sonnet 5 ou Fable 5, ainsi que les taux les plus faibles de comportement trompeur et la moindre susceptibilité à être manipulé en vue d’un usage abusif.

Sur le plan des capacités, Anthropic indique avoir intentionnellement évité d’entraîner Opus 5 sur des tâches cyber, comme elle l’avait fait avec Opus 4.8. Le modèle s’y est tout de même amélioré — un effet secondaire des gains de capacité générale — et rivalise désormais presque avec Mythos 5 pour trouver des vulnérabilités logicielles. Il reste toutefois loin derrière lorsqu’il s’agit de les exploiter : dans l’évaluation OSS-Fuzz d’Anthropic, Opus 5 a identifié des vulnérabilités à un taux de 79.4 percent, proche des 80 percent de Mythos 5, mais n’a réussi à développer des exploits que dans 4 défis, contre 13 pour Mythos 5. Cette asymétrie — fort sur la découverte utile à la défense, faible sur l’exploitation utile à l’offensive — semble délibérée, et les garde-fous suivent la même logique. Anthropic s’attend à ce que les classificateurs cyber d’Opus 5 interviennent environ 85 percent moins souvent que ceux de Fable 5.

Lorsqu’un classificateur se déclenche, les requêtes dans Claude.ai, Claude Code et Claude Cowork basculent par défaut vers Opus 4.8 — ce qui soulève une question évidente : si une requête est trop risquée pour un modèle, pourquoi serait-elle acceptable pour un autre ?

"The model it falls back to has lower capability levels making the risk of harmful use lower as well," a déclaré le porte-parole, ajoutant que "there is a message that lets the user know when this occurs and is visible in the chat." La logique est défendable, mais elle révèle le fonctionnement concret de la sécurité de l’IA en 2026 : le risque n’est pas une propriété de la question seule, mais de la question multipliée par la capacité du système qui y répond.

En biologie, le calcul va dans l’autre sens. Opus 5 est désormais le modèle généralement disponible le plus performant d’Anthropic pour la recherche scientifique — avec un score supérieur de 10.2 points de pourcentage à celui d’Opus 4.8 sur le benchmark interne de chimie de l’entreprise — même si le porte-parole a reconnu que "Mythos 5 remains the stronger model for long-horizon, open-ended work like autonomous drug design campaigns."

Enjeux économiques : une valorisation de $380 billion et des engagements massifs en calcul

Le lancement intervient à un moment de dynamique commerciale exceptionnelle — et d’obligations tout aussi exceptionnelles — pour Anthropic. Reuters a rapporté en février que l’entreprise était valorisée à environ $380 billion lors de son dernier tour de financement. Selon l’analyse de Contrary Research, ses revenus annualisés sont passés d’environ $1 billion à la fin de 2024 à une projection de $9 billion d’ici la fin de 2025, avec des objectifs internes qui atteindraient, selon les informations disponibles, $20 à $26 billion pour 2026.

Ces objectifs reposent sur d’énormes engagements d’infrastructure, notamment un accord de calcul Azure estimé à $30 billion, aux côtés d’accords avec Google Cloud et Nvidia — des dépenses qui ne se justifient que si les entreprises continuent d’étendre leur usage.

Dans ce contexte, la stratégie tarifaire d’Opus 5 est claire. Maintenir le prix au niveau d’Opus 4.8 tout en doublant à peu près la performance sur des benchmarks agentiques clés revient effectivement à une forte baisse de prix par unité de capacité, conçue pour élargir l’éventail des charges de travail économiquement automatisables. Chaque tâche qui était marginale au coût par succès d’Opus 4.8 devient viable avec Opus 5 — et chaque tâche viable représente des revenus récurrents en tokens.

Le contexte réglementaire s’est également complexifié. Un juge américain a donné cette semaine son approbation finale à l’accord de règlement d’Anthropic de $1.5 billion avec des auteurs de livres dans une affaire de copyright, a rapporté Reuters, mettant fin à un chapitre du contentieux sur les premières données d’entraînement de l’entreprise. En juin, Reuters, citant Axios, a rapporté que le gouvernement américain avait décidé de bloquer l’accès étranger aux modèles les plus avancés d’Anthropic — un rappel que l’IA frontière est désormais imbriquée avec la politique d’exportation, d’une manière qui influence quels clients peuvent acheter quoi.

Fonctionnalités supplémentaires et disponibilité

Également lancé vendredi : un mode Fast fonctionnant à environ 2.5 fois la vitesse par défaut pour deux fois le prix de base, un routage automatique de repli sur l’API, et des changements d’outils en milieu de conversation qui n’invalident plus le cache de prompt — une petite fonctionnalité que les développeurs d’agents pourraient apprécier davantage que n’importe quel benchmark.

Conformément aux précédents modèles Opus, Opus 5 n’impose aucune exigence de conservation des données pour l’accès général, un point que le porte-parole a signalé spontanément pour les clients ayant "a hard zero data retention requirement." Les développeurs peuvent accéder au modèle sous le nom claude-opus-5 sur l’API Claude dès aujourd’hui.

Deux questions détermineront si ce pari sera payant : les affirmations d’efficacité d’Opus 5 résisteront-elles au contact des charges de travail de production à grande échelle, et les entreprises accepteront-elles un monde où les classificateurs de sécurité, et non les utilisateurs, décident parfois quel modèle répond ?

Le message plus profond du lancement de vendredi est que le centre de gravité de l’industrie de l’IA s’est déplacé. Pendant trois ans, les laboratoires ont rivalisé sur ce que leur meilleur modèle pouvait accomplir dans ses meilleures conditions. Avec Opus 5, Anthropic concourt sur un terrain moins spectaculaire et bien plus lucratif : ce qu’un très bon modèle peut faire chaque jour, pour moitié moins cher. Dans un marché où la frontière continue d’avancer, Anthropic parie que la véritable manne se trouve juste derrière elle.