À peine un modèle est-il présenté comme le meilleur qu'un concurrent prend sa place. En juillet 2026, Anthropic, OpenAI, Moonshot AI, SpaceXAI, Z.ai, Meta et Google proposent tous des systèmes capables de programmer, d'utiliser des outils et de travailler sur des tâches longues.

Les classements donnent parfois l'impression qu'un score permet de désigner un vainqueur. C'est tentant, mais peu utile. Le modèle qui obtient le meilleur résultat en programmation n'est pas toujours le plus rapide. Le plus capable peut aussi être trop cher pour traiter des milliers de demandes. Et un modèle excellent sur un exercice scientifique peut se perdre dans les règles implicites d'une entreprise.

Il n'existe donc pas un meilleur modèle d'intelligence artificielle dans l'absolu. Il existe de meilleurs choix pour un travail, un niveau de risque et un budget donnés.

Résultats et modèles vérifiés le 27 juillet 2026.

Qu'est-ce qu'un modèle frontière ?

Un modèle frontière se situe parmi les systèmes les plus avancés disponibles à un moment donné. Le terme désigne généralement les modèles qui obtiennent les meilleurs résultats en raisonnement, programmation, utilisation d'outils ou compréhension de plusieurs types de contenus.

Ce n'est pas une certification. Un modèle peut repousser l'état de l'art sur une évaluation précise sans être le meilleur choix pour une entreprise. Le coût, la vitesse, la confidentialité et la disponibilité d'une interface de programmation comptent autant que le score.

Il faut aussi distinguer les modèles propriétaires des modèles à poids ouverts. Dans le premier cas, l'entreprise contrôle le modèle et son infrastructure. Dans le second, les poids peuvent être téléchargés et exécutés ailleurs. « Poids ouverts » ne veut pas toujours dire « open source » : le code d'entraînement, les données ou certaines libertés d'utilisation peuvent rester fermés.

Où se situe la frontière en juillet 2026 ?

L'Artificial Analysis Intelligence Index v4.1 fournit une photographie comparable du marché. Claude Opus 5 arrive en tête avec 61 points. Claude Fable 5 suit avec 60 points, devant GPT-5.6 Sol à 59 points, puis Kimi K3 à 57. Grok 4.5 obtient 54 points. GLM-5.2 et Muse Spark 1.1 atteignent 51, contre 50 pour Gemini 3.6 Flash.

Ces chiffres sont des scores composites, pas des pourcentages de réussite. Un ou deux points d'écart ne suffisent pas à conclure qu'un modèle sera meilleur sur votre travail. Le niveau d'effort change aussi le résultat : un même modèle peut répondre rapidement ou consommer bien davantage de calcul sur une tâche difficile.

Anthropic occupe les deux premières places

Claude Opus 5 obtient les meilleurs résultats publiés sur plusieurs évaluations de travail agentique. Il se distingue lorsqu'il doit rechercher des informations, utiliser des outils et produire un livrable professionnel. Artificial Analysis relève toutefois un taux d'hallucination plus élevé que celui de Claude Fable 5 sur son test de connaissances. Le meilleur score général ne signifie donc pas que le modèle domine partout. Lire l'analyse de Claude Opus 5.

Claude Fable 5 atteint 60 points, à seulement un point d'Opus 5. Il reste particulièrement solide sur les tâches longues, la programmation agentique et le travail documentaire, mais son prix de 10 dollars par million de jetons en entrée et 50 dollars en sortie le réserve plutôt aux problèmes où ce surcoût se justifie. Consulter l'évaluation de Claude Fable 5.

GPT-5.6 Sol reste très proche sur l'indice général. OpenAI publie également de bons résultats sur Terminal-Bench 2.1 et SWE-bench Pro, deux évaluations liées au développement logiciel. La famille comprend aussi Terra, pensé pour les usages courants, et Luna, plus économique. Consulter la présentation de GPT-5.6.

Les modèles à poids ouverts réduisent l'écart

Kimi K3 atteint 57 points. Il devance ainsi plusieurs modèles propriétaires tout en proposant des poids ouverts. Moonshot AI le destine aux travaux longs, au code et au raisonnement avec un contexte pouvant atteindre un million de jetons. Lire la présentation technique de Kimi K3.

GLM-5.2 reste lui aussi bien placé parmi les modèles à poids ouverts. Pour une organisation qui souhaite contrôler son hébergement, cette possibilité peut compter davantage que quelques points de benchmark.

La vitesse et la multimodalité changent le choix

Grok 4.5 vise la programmation et l'exécution de tâches avec des outils. SpaceXAI insiste sur sa vitesse et sa consommation de jetons. Ces chiffres viennent de l'éditeur, il faut donc vérifier le protocole avant de les comparer à ceux d'un autre laboratoire. Consulter la présentation de Grok 4.5.

Gemini 3.6 Flash n'occupe pas la première place en intelligence brute, mais Artificial Analysis mesure une vitesse proche de 240 jetons par seconde. Le modèle accepte du texte, des images, de l'audio et de la vidéo. Pour analyser rapidement de nombreux documents ou contenus multimédias, ce profil peut être plus intéressant qu'un score général supérieur. Voir la fiche de Gemini 3.6 Flash.

Muse Spark 1.1 ramène Meta dans le groupe de tête avec un modèle multimodal capable d'utiliser des outils et une interface informatique. Lire la présentation de Muse Spark 1.1.

Que mesurent les benchmarks ?

Un benchmark transforme une capacité difficile à observer en résultat mesurable. Il ne montre qu'une partie du comportement du modèle. Il faut donc comprendre ce qui entre dans le score avant de lire le classement.

Répartition de l'indice v4.1. Source : méthodologie Artificial Analysis.

Artificial Analysis mesure un ensemble de capacités

La version 4.1 répartit son score entre les tâches agentiques, la programmation, le raisonnement scientifique et les capacités générales. Elle mesure aussi le coût, le temps et le nombre de jetons consommés par tâche. Ces trois données sont souvent plus instructives que la place obtenue au classement.

SWE-bench se rapproche du travail de développeur

SWE-bench demande à un agent de résoudre de véritables problèmes issus de dépôts GitHub. Il doit comprendre le ticket, lire le code, proposer une modification puis satisfaire les tests du projet.

L'exercice ressemble au métier, mais il ne couvre pas tout. Un correctif peut passer les tests tout en compliquant l'architecture ou en ignorant une règle métier absente de la suite de tests.

Terminal-Bench observe l'exécution

Terminal-Bench mesure la capacité d'un agent à travailler dans un terminal. Il doit inspecter son environnement, modifier des fichiers, exécuter des commandes et corriger les erreurs rencontrées. La persévérance compte autant que la connaissance de la solution.

ARC-AGI cherche les limites du raisonnement

ARC-AGI-3 place les agents dans des environnements interactifs sans instructions explicites. Ils doivent explorer, comprendre les règles et apprendre de leurs actions. Lors de la publication du benchmark en mars 2026, les humains obtenaient 100 %, contre 0,51 % pour les systèmes testés. En juillet, Claude Opus 5 atteignait déjà 30,2 % sur l'évaluation vérifiée. Consulter les résultats d'ARC-AGI-3.

Cette progression en quelques mois explique pourquoi tout comparatif de modèles frontières doit être daté.

LMArena mesure la préférence humaine

LMArena présente deux réponses anonymes à des utilisateurs, qui choisissent celle qu'ils préfèrent. Cette méthode fait ressortir la clarté, le ton et l'utilité perçue. Elle a ses propres biais : une réponse longue ou bien présentée peut être préférée même si elle contient davantage d'erreurs. Lire la méthode de LMArena.

Pourquoi les classements ne suffisent pas

Les résultats publiés par les entreprises ne sont pas toujours comparables. Un modèle peut disposer de plus de temps, de davantage de jetons ou d'outils différents. Certaines évaluations utilisent l'environnement de l'éditeur. D'autres imposent le même logiciel à tous les concurrents.

Les benchmarks finissent aussi par saturer. Leurs questions peuvent apparaître dans les données d'entraînement, et les juges automatiques sont parfois eux-mêmes des modèles d'IA. Une moyenne peut enfin masquer des échecs rares mais graves.

Dans une tâche agentique, on ne mesure plus seulement un modèle. On mesure le modèle, son niveau de raisonnement, les outils disponibles, l'environnement d'exécution et le budget qui lui est accordé.

Comment choisir un modèle dans une entreprise ?

Avant d'ouvrir un classement public, je conseille de réunir une vingtaine de tâches représentatives de l'entreprise : analyser un document, répondre à une demande client, modifier une fonction ou rechercher une information. Chaque cas doit avoir un résultat attendu et des critères d'échec.

Il devient alors possible de mesurer :

• le taux de tâches réellement terminées ;
• le temps de correction humaine ;
• le coût d'une tâche réussie ;
• la fréquence des informations inventées ;
• la stabilité du résultat sur plusieurs essais ;
• le respect des règles internes et des contraintes de sécurité.

Le tarif par million de jetons ne raconte qu'une partie de l'histoire. Un modèle moins cher qui recommence plusieurs fois ou mobilise un salarié pendant vingt minutes peut coûter davantage qu'un modèle plus onéreux qui termine correctement le travail.

La confidentialité mérite un test à part entière. Selon les données traitées, l'entreprise devra examiner leur conservation, la localisation de l'hébergement et les options de non-entraînement. Elle peut aussi étudier l'exécution d'un modèle à poids ouverts sur sa propre infrastructure. Pour découvrir cette approche, consultez notre guide sur l'utilisation d'un modèle local avec LM Studio.

Quel modèle utiliser pour développer ?

Dans mon métier de CTO à temps partagé, je ne cherche pas seulement un modèle capable d'écrire du code. Je regarde s'il comprend un projet existant, respecte ses conventions, lance les tests et revient sur ses erreurs.

Pour une tâche difficile, les combinaisons Claude Opus 5 avec Claude Code et GPT-5.6 Sol avec Codex font partie des premières options à évaluer. L'environnement compte presque autant que le modèle : il lui permet de parcourir le dépôt, d'utiliser le terminal et de vérifier ses modifications.

Un modèle plus rapide suffit souvent pour expliquer une fonction, préparer un premier jet ou effectuer une transformation mécanique. Gemini 3.6 Flash, GPT-5.6 Terra ou Claude Sonnet 5 correspondent mieux à ce type d'usage.

Pour une modification sensible, je conserve quelques règles simples :

1. donner le contexte et les contraintes du projet ;
2. demander à l'agent d'inspecter le code avant de le modifier ;
3. exiger une vérification par les tests et l'analyse statique ;
4. relire les choix d'architecture et les accès aux données ;
5. garder la décision finale du côté humain.

Je me méfie davantage d'un agent qui affirme avoir terminé que d'un modèle qui reconnaît un doute. En développement, la capacité à vérifier son travail compte souvent plus que la qualité du premier jet.

Le meilleur modèle est celui que vous savez évaluer

La hiérarchie actuelle changera. Dans mon travail de CTO, je regarde aussi le rapport entre l'intelligence et le coût : combien de capacité utile j'obtiens pour chaque euro et chaque jeton consommé. Le modèle le mieux classé n'est pas toujours le plus rentable une fois les reprises et la validation humaine prises en compte.

Avec les modèles frontières actuels, quelques points de benchmark pèsent souvent moins que le contexte fourni et les garde-fous définis par le développeur. Un agent bien cadré, avec les bons outils et des critères de validation clairs, sera généralement plus fiable qu'un modèle plus puissant livré à lui-même.

Le métier de développeur évolue avec ces outils, mais son centre de gravité reste le même : comprendre le problème, poser les contraintes, contrôler le résultat et assumer les choix techniques.

Pour poursuivre ces échanges avec des professionnels, des étudiants et des curieux du territoire, consultez les prochains événements d'IA Réunion.