Claude Opus 5 : Anthropic sort l'artillerie et casse ses propres codes

Le 24 juillet 2026, Anthropic a poussé Claude Opus 5 sur toutes ses surfaces d'un coup : API, Claude.ai, Claude Code, Claude Cowork. Pas de liste d'attente, pas de déploiement progressif par région. Le genre de sortie qui trahit une entreprise confiante — ou pressée. Depuis, le nom tourne en boucle chez les développeurs, et pour une fois ce n'est pas seulement du bruit de lancement : les chiffres annoncés sont inhabituellement agressifs, et le positionnement tarifaire dit quelque chose d'important sur l'état du marché.

Le contexte : une cadence que plus personne ne tient

On ne compte plus. Entre février et août 2026, une douzaine de modèles majeurs ont été publiés par les principaux laboratoires. OpenAI a décliné sa gamme GPT-5.6 en trois étages, Google a poussé Gemini 3.6 Flash, DeepSeek a sorti une variante allégée fin juillet. Fin juillet toujours, près d'un millier de salariés de grands laboratoires ont signé un appel à ralentir le rythme, estimant que la cadence de publication dépasse la capacité réelle à tester correctement ce qui sort.

C'est dans ce climat qu'Opus 5 débarque. Et Anthropic joue une carte particulière : le modèle n'est pas le plus puissant de la maison. Le laboratoire garde Mythos 5 en interne, sans le publier, en invoquant les risques liés à la cybersécurité offensive. Claude Opus 5 est donc explicitement le modèle « le plus fort qu'on accepte de vous donner ». Positionnement rare, et assumé.

Ce que le modèle sait faire de plus

Anthropic décrit Opus 5 comme approchant l'intelligence de son modèle Fable 5 à moitié prix. Les évaluations publiées vont dans ce sens :

• Sur Frontier-Bench v0.1, Opus 5 double la performance d'Opus 4.8 et devance Fable 5 de 9,7 % sur des tâches de physique, chimie et cryptographie.
• Sur CursorBench 3.2, il finit à 0,5 % sous Fable 5 — pour la moitié du coût.
• Sur ARC-AGI 3, le score annoncé triple celui du meilleur concurrent.
• Sur Zapier AutomationBench, taux de réussite 1,5 fois supérieur, soit 8,5 points de mieux sur des tâches de travail intellectuel.
• Sur OSWorld 2.0 (contrôle d'ordinateur), il dépasse Fable 5 au tiers du coût.
• En chimie organique, Anthropic revendique un gain de 10,2 points.

Le détail qui intéresse vraiment les gens qui font tourner ces modèles en production n'est pourtant pas là. Anthropic insiste sur un point comportemental : Opus 5 est « beaucoup plus fort pour vérifier son propre travail et itérer jusqu'à réussir ». Concrètement, le modèle construit ses propres boucles de vérification — par exemple un pipeline de vision par ordinateur pour contrôler qu'un schéma qu'il vient de générer est correct. Un agent qui se relit lui-même, c'est un agent qu'on peut laisser tourner plus longtemps sans le surveiller. Toute la valeur est là.

Les chiffres qui comptent : 5 et 25 dollars

Le tarif : 5 dollars par million de tokens en entrée, 25 dollars en sortie. Identique à Opus 4.8. Un mode rapide existe, facturé le double du tarif de base pour 2,5 fois plus de vitesse.

Prix stable + performance doublée sur certaines évaluations = baisse de fait du coût par tâche réussie. C'est la métrique qui compte pour un agent : ce n'est pas le prix du token, c'est le nombre de tokens brûlés avant d'arriver au bon résultat. Un modèle qui se trompe moins souvent et qui rattrape ses erreurs tout seul consomme moins, même à tarif identique.

Du côté des abonnements, Opus 5 devient le modèle par défaut de Claude Max et reste sélectionnable comme option la plus puissante dans Claude Pro.

Sécurité : l'argument central, et il est contre-intuitif

Anthropic présente Opus 5 comme son modèle le plus aligné à ce jour selon ses audits automatisés, avec le taux le plus bas de comportements trompeurs et d'erreurs difficiles à rattraper. Sur ses évaluations internes d'exploitation de vulnérabilités, le score est nul.

Le chiffre le plus parlant est ailleurs : les classifieurs cyber se déclenchent 85 % moins souvent que sur Fable 5, à niveau de protection maintenu. Traduction pour quiconque a déjà travaillé avec ces outils : beaucoup moins de refus absurdes. Un chercheur en sécurité, un administrateur système, un étudiant en réseau qui pose une question légitime se faisait régulièrement bloquer par excès de zèle. Anthropic a visiblement passé beaucoup de temps à réduire les faux positifs plutôt qu'à ajouter des barrières.

On peut y voir une réponse commerciale autant qu'une avancée technique. Les refus injustifiés font fuir les clients professionnels vers la concurrence, et tout le monde dans le secteur le sait.

Les zones grises

Quelques réserves méritent d'être posées noir sur blanc.

• Les benchmarks sont maison. Frontier-Bench, AutomationBench, GDPval-AA : ces évaluations sont soit internes, soit récentes, soit les deux. Un modèle entraîné en connaissance des critères d'évaluation performe mieux sur ces critères. Ce n'est pas de la triche, c'est de l'optimisation — mais ça relativise les écarts annoncés.
• Mythos 5 reste dans le placard. Anthropic revendique une supériorité de son modèle non publié sur les tâches cyber offensives. Impossible de vérifier, impossible d'évaluer le risque, impossible de savoir ce qui est arbitré en interne. On demande à croire sur parole.
• « Modèle le plus aligné » se mesure comment ? Les audits automatisés d'alignement sont un champ jeune. Un taux faible de comportements trompeurs détectés n'est pas la même chose qu'un taux faible de comportements trompeurs.
• Comparer les prix n'a plus grand sens. Entre les modes rapides, les caches de prompt, les réductions par lots et les niveaux de raisonnement variables, le tarif affiché ne dit plus le coût réel d'une tâche. Il faut mesurer sur ses propres charges de travail.

Ce que ça dit du marché

La vraie information de ce lancement n'est pas technique, elle est économique. Anthropic vend désormais un modèle à moitié prix de son propre haut de gamme, en revendiquant des performances à 0,5 % près sur le code. C'est un aveu : la frontière brute intéresse de moins en moins de clients, et le rapport performance/coût redevient le champ de bataille.

Ce glissement profite à un type d'usage précis : les agents qui tournent longtemps, enchaînent des dizaines d'appels, manipulent des outils et se corrigent. Sur ce terrain, une différence de prix par token se multiplie par cent au bout d'une session. Un modèle légèrement moins brillant mais deux fois moins cher et plus fiable dans la durée gagne à tous les coups.

À court terme, ce qu'on va observer : les tarifs de Google et d'OpenAI sur les segments équivalents, et surtout les premiers retours de terrain sur cette capacité d'auto-vérification. Les évaluations publiées sont des promesses. Six semaines de production dans de vraies entreprises, c'est une réponse.

Et pendant que les laboratoires se battent sur les décimales, la vraie question pour la plupart des utilisateurs reste plus prosaïque : est-ce que ce modèle fait gagner du temps sur ce que je fais tous les jours ? Là-dessus, aucun benchmark ne répondra à votre place.