Opus 5 : excellent employé, patron frustrant

Anthropic a publié Opus 5 le 24 juillet 2026 [1]. Cinq jours plus tard, les réactions se sont scindées en deux camps qui semblent à peine décrire le même modèle. Artificial Analysis le mesure un point au-dessus de Fable 5 sur son indice d’intelligence, à moitié prix du token [2]. Pendant ce temps, une partie bruyante de Reddit réclame son ancien modèle.

J’ai abordé la semaine de lancement avec une théorie de travail : Opus 5 est un excellent employé et un patron frustrant. Après cinq jours à lire tout ce que j’ai pu trouver (documentation officielle, évaluations indépendantes et bien trop de fils Reddit), la théorie tient, avec une correction. Opus 5 n’est pas le modèle stupide décrit par les posts les plus furieux. Il exécute au niveau de Fable. Ce qui lui manque, c’est la direction : lire l’intention, tenir le périmètre et savoir quand il a vraiment terminé.

Les chiffres sont serrés, et ils sont réels

Sur l’indice d’intelligence d’Artificial Analysis, Opus 5 à effort maximal obtient 61 contre 60 pour Fable 5. Personne ne devrait lire un point d’écart comme la preuve de quoi que ce soit, sinon que les deux modèles jouent dans la même classe de capacité [2].

Sous l’indice global, Opus 5 mène en réalité plusieurs des évaluations plus ciblées. Il a signé 1 861 Elo sur GDPval-AA v2 (travail intellectuel professionnel) et 1 720 sur AA-Briefcase (livrables agentiques), soit 114 et 146 Elo devant Fable. Il a partagé la première place du Coding Agent Index à l’effort xhigh et atteint 89 % sur Terminal-Bench 2.1 au maximum [2].

Métrique	Opus 5	Fable 5
Indice d'intelligence AA	61	60
GDPval-AA v2, Elo	1 861 (Meilleure valeur de la ligne)	1 747
AA-Briefcase, Elo	1 720 (Meilleure valeur de la ligne)	1 574
Coût mesuré par tâche d'évaluation, $	2,03 (Meilleure valeur de la ligne)	2,75

Ce que dit le tableau, ce n’est pas qu’Opus est plus intelligent. C’est que sur du travail borné, en forme de livrable, le modèle le moins cher rend désormais coup pour coup au vaisseau amiral. Les chiffres d’Anthropic pointent dans la même direction : à un demi-point de Fable sur CursorBench 3.2 à effort maximal, et au-dessus du meilleur résultat OSWorld de Fable pour environ un tiers du coût. Ce sont des mesures du fournisseur, donc traitez-les comme du marketing avec des reçus [1].

Ce que décrit vraiment la vague de critiques

La critique la plus utile de la semaine vient de quelqu’un qui aime le modèle. Il a fait tourner son propre jeu de tâches de code réelles, et Opus 5 a été le seul modèle à atteindre 100 %, avec la meilleure implémentation et la meilleure discipline de test qu’il ait vues. Le post l’appelle pourtant « an incredible coder and really painful to work with » [4]. Cette tension résume toute la discussion en une phrase.

En lisant les fils négatifs au-delà de la colère, les cinq mêmes schémas d’échec reviennent sans cesse.

Il perd la vue d’ensemble. Code local solide, décisions plus faibles sur l’architecture, sur l’intention du système existant et sur les composants qu’il faudrait toucher tout court. Un développeur l’a décrit en train d’inventer de nouveaux mécanismes et de préférer ses propres patterns à ceux du dépôt, avant de choisir Fable 5 plus un ancien Opus pour le quotidien [5].

Il avance sur des suppositions au lieu de demander. Quand des fondamentaux manquent, il continue et construit quelque chose de cohérent sur une prémisse fausse. On a l’impression que « le modèle n’écoute pas ». Le mécanisme ressemble plutôt à un prior agentique : continuer plutôt que bloquer sur une question [5].

Il crie victoire trop tôt. La boucle classique : Opus annonce que c’est corrigé, l’utilisateur retrouve le même bug plus une régression, Opus s’excuse en détail, et on recommence. Dans une session d’audit, le modèle avait raté 46 erreurs parce que son propre script les masquait silencieusement ; d’autres rapportent des vérifications qui n’ont jamais eu lieu [6]. Sur des migrations et de la configuration de déploiement, un faux « terminé » coûte plus cher qu’un bug ordinaire.

Il parle trop. Narration permanente, longues mises à jour de statut, petits détails traités comme des décisions majeures. Le même testeur qui lui a donné 100 % décrit un style de communication nerveux et pédant, épuisant à superviser [4].

Les vieilles instructions l’empoisonnent. Au moins un utilisateur a réglé ses problèmes en réécrivant des instructions de projet et des mémoires écrites à l’origine pour Opus 4.x [7]. Ces fichiers regorgent de compensations (« vérifie toujours deux fois », « fais d’abord un plan détaillé », « lance des sous-agents ») qu’un modèle doté d’initiative native transforme en surrégime.

Et voici la partie étrange : le guide de prompting d’Anthropic se lit comme la spécification officielle de cette liste de griefs. Il indique qu’Opus 5 narre davantage, s’auto-vérifie, délègue plus volontiers à des sous-agents, peut étendre le périmètre, peut ajouter des étapes non demandées et peut appliquer son propre jugement sur ce que la tâche « devrait » être. Les remèdes recommandés : des limites de périmètre explicites, des plafonds de sous-agents et un prompt dédié pour raccourcir les mises à jour de statut [8].

Pour l’équilibre : le camp positif est tout aussi réel. Un testeur travaillant surtout sur des tâches de connaissance et de business a trouvé les efforts bas et moyen meilleurs que Sonnet 5 et Opus 4.8, Fable restant le seul modèle constamment devant, et seulement sur les problèmes les plus durs [9].

Les benchmarks notent la ligne d’arrivée, pas la conduite

Les deux camps peuvent avoir raison en même temps, parce qu’un benchmark et un projet vivant ne notent pas la même chose.

Un benchmark vérifie si l’état final passe. Un projet regarde aussi si le modèle a travaillé sur le bon problème, combien de fois vous avez dû reprendre le volant, et si vous lui faisiez encore confiance après trois heures. Le chiffre vedette d’Anthropic sur Frontier-Bench (plus du double du score d’Opus 4.8) provient d’une exécution interne avec un harness mini-SWE-agent précis, moyennée sur cinq tentatives par tâche [1]. C’est une méthodologie légitime, et elle lisse justement ce que les praticiens ressentent : la variance entre sessions individuelles.

Une donnée indépendante colle de façon inconfortable aux plaintes. Sur AA-Omniscience, Artificial Analysis a trouvé Opus 5 plus exact factuellement qu’Opus 4.8, mais aussi plus enclin à répondre dans l’incertitude. Selon le barème de ce test, son taux d’hallucination s’est établi autour de 50 % [2]. Cela ne signifie pas que la moitié des réponses d’Opus est inventée ; le test acculte volontairement les modèles sur ce qu’ils savent à moitié. Mais cela nomme un mécanisme : un modèle réglé pour avancer résout plus de tâches et commet plus d’erreurs assurées, avec le même curseur.

La moitié du prix au token n’est pas la moitié du prix à la tâche

Le tarif affiché dit qu’Opus 5 coûte moitié moins que Fable 5 : 5 $ en entrée et 25 $ en sortie par million de tokens, contre 10 $ et 50 $ [10].

• Opus 5
• Fable 5

Afficher les données en tableau

Sens	Opus 5	Fable 5
Entrée	5 $/MTok	10 $/MTok
Sortie	25 $/MTok	50 $/MTok

Mesuré de bout en bout, l’écart rétrécit. Artificial Analysis a payé 2,03 $ par tâche Opus 5 sur sa batterie d’évaluations contre 2,75 $ avec Fable, soit 26 % d’économie au lieu de 50 % [2]. Et un utilisateur de Reddit qui a fait passer deux vraies tâches de code d’envergure aux deux modèles a fini à 106,69 $ pour Opus contre 118,46 $ pour Fable, environ 10 % d’écart, tout en jugeant le résultat de Fable nettement meilleur. Sur la seconde tâche, Opus a même coûté plus cher [11].

C’est le test d’une seule personne, pas une étude. Mais le mécanisme parle à quiconque a déjà regardé un agent prendre la route touristique : plus de détours, plus d’appels d’outils, plus de code, plus de tours de correction, et de toute façon une passe de relecture par le modèle cher à la fin. Le prix catalogue est au token. Le prix réel est au livrable approuvé.

Un an, quatre personnalités d’Opus

Une partie de la colère tient au coup du lapin. Si vous avez l’impression qu’Opus change de caractère à chaque version, les documents d’Anthropic vous donnent raison.

La frise dessine un pendule, pas une droite. Les dates viennent des annonces de sortie [12] [13] [14] [1] ; les lectures de caractère, de la recherche d’Anthropic sur les valeurs des modèles, qui situait 4.6 côté déférence, concision et exécution, et 4.7 côté prudence, profondeur et franchise [15]. Les notes de migration de 4.7 le disaient sans détour : suivi plus littéral des instructions, plus de volonté de contredire, moins d’appels d’outils à faible effort, et d’anciens prompts au comportement parfois étrange [13]. 4.8 a été vendu en grande partie comme la correction des excès de commentaires et d’explications de 4.7 [14]. Opus 5 repart vers l’initiative, plus loin qu’aucun autre [8].

Chaque bascule invalide le folklore de prompts écrit pour le modèle précédent. Les compensations qui rendaient 4.6 fiable deviennent le surrégime qui rend 5 épuisant. Voilà, bien plus qu’un complot, ce qui explique pourquoi réécrire les vieilles instructions répare autant de choses [7].

Cela explique aussi la mémoire courte. La semaine de lancement d’Opus 4.8 a produit le même genre de fils que ceux qui visent aujourd’hui Opus 5 [16]. Neuf semaines plus tard, des posts décrivent 4.8 comme le bon vieux modèle stable que les gens veulent retrouver [17]. Cinq jours de réactions font une liste de modes de défaillance, pas un verdict.

La théorie du nerf, démontée couche par couche

Chaque sortie d’Opus finit par récolter l’accusation qu’Anthropic l’a discrètement dégradée. Autant la trier par couches, car les preuves diffèrent selon la couche.

Les poids. Pour Claude 4.6 et plus récents, Anthropic déclare que les identifiants de modèle sans date sont des snapshots figés ; les poids ne changent pas sous le même identifiant [18]. Je n’ai trouvé aucune preuve publique du contraire. La version forte de la théorie (« ils ont secrètement remplacé le bon 4.8 ») n’a rien derrière elle.

La couche de service. Le routage, les classifieurs de sécurité et les fallbacks, eux, changent. Pour Opus 5, il est documenté que certaines requêtes marquées comme sensibles côté cybersécurité peuvent être servies via un fallback Opus 4.8, y compris dans certaines évaluations publiées [1]. Deux utilisateurs peuvent viser le même identifiant de modèle et recevoir un traitement différent.

Le harness du produit. C’est ici que sont enterrés les corps. Le postmortem d’Anthropic d’avril 2026 documente trois régressions réelles dans Claude Code pendant que l’API restait globalement intacte : l’effort par défaut est passé en silence de high à medium (du 4 mars au 7 avril), un bug de contexte supprimait à répétition l’ancien thinking après inactivité (du 26 mars au 10 avril), et un system prompt qui plafonnait la longueur des réponses a coûté de façon mesurable environ 3 % sur les évaluations de code (du 16 au 20 avril) [19].

Votre propre contexte. Des CLAUDE.md poussiéreux, de vieilles mémoires, une session polluée. Même snapshot, expérience différente.

Le verdict honnête sur le « nerf » : l’expérience est souvent réelle, parfois même reproductible. Le diagnostic pointe presque toujours la mauvaise couche.

Les produits d’Anthropic assument déjà cette division

La meilleure preuve en faveur du cadre employé-patron, c’est qu’Anthropic en a fait un produit.

Le nouvel outil Advisor branche un modèle exécutant moins cher sur un conseiller plus fort qui peut lire la session de travail, proposer un plan ou corriger le cap en cours de tâche. La documentation le recommande précisément pour le design, l’architecture et l’évaluation des risques, et liste Opus 5 en exécutant avec Fable 5 en conseiller parmi les combinaisons prises en charge. Le conseiller doit être au moins aussi capable que l’exécutant. Elle prévient aussi du mode de défaillance inverse : trop d’appels au conseiller ralentissent et renchérissent tout, sans gain net [20].

propriétaire

• Vous objectif, contraintes, goût

fixe le cap

direction

• Fable 5 architecture, paquets de tâches

paquets de tâches

exécution

• Opus 5 code, tests, vérification

diff et preuves

relecture

• Fable 5 audit aux jalons

Le diagramme est la conclusion pratique de toute la semaine : l’objectif reste humain, Fable fixe et audite la direction, et Opus abat le travail du milieu à moitié prix du token.

Deux nuances gardent le cadre honnête. D’abord, Anthropic ne considère manifestement pas Opus incapable de planifier : Claude Code livre toujours un mode officiel opusplan où Opus planifie et Sonnet exécute [21]. Ensuite, Fable n’est pas un chef infaillible. Son propre guide prévient qu’il peut surplanifier, refactorer sans qu’on le lui demande et gonfler la taille des tâches, et qu’il travaille mieux quand vous expliquez pourquoi vous voulez quelque chose [23].

Mais le positionnement est cohérent partout : Fable 5 reste le modèle le plus capable largement disponible, recommandé quand la capacité prime, tandis qu’Opus 5 est le choix par défaut pour le code agentique complexe au rapport capacité-prix [10]. Au lancement de Fable, Anthropic l’a dit sans détour : plus la tâche est longue et complexe, plus l’avance de Fable grandit [22].

Une étude de plus a sa place ici. Anthropic a analysé environ 400 000 sessions Claude Code d’environ 235 000 utilisateurs : les humains prenaient encore près de 70 % des décisions de planification, quand les agents prenaient environ 80 % des décisions d’exécution. Les prompts des utilisateurs expérimentés déclenchaient en moyenne 12 actions d’agent et 3 200 mots contre 5 et 600 pour les novices, et le taux de réussite vérifié tournait autour de 15 % chez les novices contre 28 à 33 % à partir du niveau intermédiaire [24]. Un modèle aussi entreprenant n’abaisse pas l’exigence de direction. Il la relève.

Comment je ferais tourner Opus 5 cette semaine

Mon routage après une semaine de lecture, révisable quand j’aurai plus de kilomètres à moi :

Tâche	Modèle
Bug net avec repro et test	Opus 5
Feature bornée avec critères d’acceptation	Opus 5
Refactor vers une architecture cible connue	Opus 5, relecture Fable ensuite
Cause racine floue entre plusieurs systèmes	Plan Fable 5, puis Opus 5
Nouvelle architecture faite pour durer	Fable 5 d’abord
Longues sessions agentiques multi-chantiers	Fable 5 en orchestrateur
Migration à haut risque	Design Fable, exécution Opus, audit Fable

Côté configuration, tout droit sorti de la documentation plus une opinion. Laissez le thinking activé : c’est le réglage par défaut, l’effort bas avec thinking bat sa désactivation à coût comparable, et le couper peut déclencher des comportements d’outils étranges [8]. Montez l’échelle d’effort au lieu de partir d’office sur xhigh ; ce réglage change tellement le modèle que bas et maximal sont en pratique deux produits différents [2]. Épinglez des identifiants de modèle complets pour toute comparaison, car les alias bougent [21]. Et supprimez chaque compensation héritée de l’ère 4.x de vos instructions avant de juger le modèle [8].

Le system prompt d’où je partirais, à la place du vieux boilerplate « sois exhaustif et proactif » :

Implement only the requested task.
Follow the existing architecture and conventions in the repository.
Do not redesign surrounding systems or refactor unrelated code
unless the acceptance criteria require it.

Before editing, state the concrete acceptance criteria.
Do not report the task as complete unless each criterion has been
verified against actual build, test, or tool output.

Do not create subagents for work you can do directly.
If you notice an unrelated problem, mention it at the end
without changing it. Keep progress updates short.

L’employé et le patron

Opus 5 n’est ni un Fable au rabais, ni une régression sous un nouveau nom. Sur du travail borné avec une ligne d’arrivée claire, il est aussi fort que tout ce qui se loue en ce moment, et moins cher que son grand frère. Et la vague de critiques n’invente rien non plus : la même initiative qui gagne les benchmarks devient dérive de périmètre, suppositions assurées et tours d’honneur prématurés dès que l’objectif se floute.

Alors donnez-lui ce dont tout senior brillant et trop sûr de lui a besoin. Un patron. Le meilleur disponible aujourd’hui s’appelle Fable 5, et l’objectif vous appartient toujours.