Claude Opus 5 est disponible depuis le 24 juillet 2026. Ce modèle redéfinit les usages du prompting et bouscule la hiérarchie entre les offres d’Anthropic: il surpasse Fable 5 sur plusieurs benchmarks de code et de travail intellectuel, tout en coûtant deux fois moins cher au token. Encore faut-il adapter ses prompts, car les consignes conçues pour Opus 4.8 peuvent se retourner contre l’utilisateur. Tour d’horizon des réglages qui comptent et des critères pour trancher entre Opus 5, Fable 5 et Sonnet 5.
Claude Opus 5: ce que la sortie de juillet 2026 change concrètement
Anthropic a mis en ligne Claude Opus 5 le 24 juillet 2026 sur l’ensemble de ses plateformes. Le modèle devient l’option par défaut sur Claude Max et le plus puissant accessible depuis Claude Pro. Côté API, l’identifiant claude-opus-5 s’accompagne d’un tarif inchangé: 5 dollars par million de tokens en entrée, 25 dollars en sortie. La fenêtre de contexte culmine à 1 million de tokens, aussi bien par défaut qu’en valeur maximale. Un mode Fast, environ 2,5 fois plus rapide, est proposé pour le double du prix de base.
Les chiffres publiés par l’éditeur méritent une lecture orientée coût par tâche terminée, plus que par score brut. Sur Frontier-Bench v0.1, Opus 5 double le score d’Opus 4.8 avec un coût par tâche inférieur. Sur CursorBench 3.2 à effort maximal, l’écart avec Fable 5 reste sous la barre des 0,5 point de pourcentage, pour une facture réduite de moitié. Sur OSWorld 2.0, qui mesure l’usage d’un ordinateur, le nouveau venu fait mieux que le meilleur résultat de Fable 5 pour un peu plus du tiers du coût. La performance brute ne suffit donc plus comme critère de choix.
Comparaison Fable Sonnet: la hiérarchie des modèles Anthropic se recompose
Fable 5 conserve un avantage sur les tâches qui exigent une autonomie prolongée: les runs qui durent des heures ou des jours, et les problèmes que les équipes n’ont pas encore résolus. La documentation d’Anthropic le dit explicitement: les équipes qui tirent le meilleur de Fable 5 lui confient leurs chantiers les plus ardus, pas leurs opérations courantes. L’optimisation prompt prend alors tout son sens: chaque modèle appelle des consignes différentes, et ce qui fonctionnait sur Opus 4.8 peut nuire à la qualité sur Opus 5.
Deuxième différence majeure: les garde-fous. Anthropic anticipe des déclenchements de classifieurs cyber environ 85% moins fréquents qu’avec Fable 5. Concrètement, les audits de cybersécurité et autres travaux techniques légitimes subissent moins de refus intempestifs. Le modèle bloque toutefois toujours le scan de vulnérabilités sur binaires, le pentest et la génération d’exploits. À noter aussi: Opus 5 n’impose pas d’exigence de rétention des données, contrairement aux modèles de la classe Mythos.
Le lecteur pressé retiendra ceci: Sonnet 5 reste le choix pertinent pour le volume et la latence, Opus 5 devient la référence pour les tâches intellectuelles exigeantes, et la comparaison Fable Sonnet ne se résume plus à une question de puissance brute mais à la nature du travail à accomplir. Les repères évoluent, et les workflows doivent suivre.
Astuces prompt: cinq réglages pour un prompt efficace sur Claude Opus 5
Transposer tels quels les prompts rédigés pour Opus 4.8 fonctionne, mais à quel prix? Plusieurs consignes deviennent contre-productives. Voici les ajustements documentés par Anthropic et testés sur des cas réels pour obtenir un prompt efficace.
Supprimer les consignes de double vérification
Opus 5 contrôle son propre travail sans qu’on le lui demande. Les instructions du type « ajoute une étape de vérification finale » ou « relis ta réponse » s’additionnent à ce comportement natif et provoquent une sur-vérification coûteuse. Résultat: des tokens brûlés sans gain de qualité. Les workflows n8n qui intégraient un nœud dédié à la validation de l’output devraient également être allégés. L’astuce prompt la plus rentable consiste parfois à retirer des instructions, pas à en ajouter.
Exiger la concision explicitement
Les réponses par défaut d’Opus 5 sont plus verbeuses que celles de ses prédécesseurs. Le paramètre d’effort pilote la quantité de réflexion, pas la longueur du texte visible. Réduire l’effort ne raccourcit donc pas l’affichage. La parade: ajouter une consigne de concision dans le prompt système et la répéter brièvement en fin de prompt si celui-ci est long. Pour les livrables écrits, les fichiers générés nativement sont aussi plus volumineux, d’où la nécessité de calibrer leur longueur manuellement.
Borner le périmètre des tâches étroites
Opus 5 élargit volontiers le spectre initial. Ce modèle est moins fainéant que les précédents, et ce trait peut devenir un défaut sur des micro-tâches. Il ajoute des étapes non demandées ou applique son propre jugement sur ce que devrait être la tâche. Pour un périmètre restreint, préciser dans le prompt de livrer exactement ce qui est demandé, de trancher seul les arbitrages de routine et de ne revenir vers l’utilisateur que si deux lectures du brief mènent à des livrables différents.
Plafonner la délégation aux sous-agents
Le modèle déclenche des sous-agents plus facilement que ses devanciers. Sur des chantiers parallélisables, le gain de temps est net. Sur des micro-tâches, la délégation multiple le coût et la durée pour rien. La recommandation: décrire explicitement dans le CLAUDE.md ou le prompt système les cas où déléguer, indiquer un plafond maximal d’agents pour une tâche donnée, et interdire à un sous-agent de vérifier son propre travail.
Ne pas filtrer la revue de code en amont
Si le prompt de revue mentionne « ne remonte que les problèmes critiques » ou « reste conservateur », Opus 5 obéit à la lettre. Il fait le même travail d’investigation mais remonte moins de problèmes à corriger. La pratique documentée: demander une couverture maximale, puis filtrer les priorités dans une seconde passe.
- Retirer les étapes de relecture systématique
- Ajouter une contrainte de concision visible
- Délimiter strictement le périmètre de la tâche
- Limiter le nombre de sous-agents autorisés
- Exiger une couverture complète en revue de code, puis filtrer
Réglage d’effort: le levier de coût méconnu sur Claude Opus 5
Cinq niveaux sont disponibles: low, medium, high, xhigh et max. Le défaut API est high, et ne rien passer équivaut exactement à high. Anthropic recommande de conserver ce point de départ, puis d’ajuster selon ses propres tests. Low et medium deviennent utilisables dès que la qualité correspond aux attentes. xhigh se justifie pour le code agentique exigeant et les runs longs. Les correspondances avec les réglages des modèles antérieurs ne tiennent plus: un balayage complet des niveaux sur ses propres évaluations s’impose.
Trois détails techniques méritent l’attention. La réflexion est active par défaut et ne peut pas être désactivée aux niveaux xhigh et max. Modifier l’effort en cours de conversation invalide le cache de prompt, d’où l’intérêt de fixer le niveau dès le début d’une session longue. Enfin, aux niveaux supérieurs, prévoir un max_tokens large: 64 000 tokens constituent un point de départ raisonnable selon la documentation de Claude Platform. Ces paramètres font partie intégrante d’une stratégie d’optimisation prompt.
Critères de choix entre Opus 5, Fable 5 et Sonnet 5 selon l’usage
L’arbitrage ne se joue plus sur les benchmarks mais sur le rapport qualité de l’output face au coût de la tâche terminée. Un modèle deux fois plus cher au token peut revenir moins cher s’il évite trois allers-retours et une relecture humaine approfondie. Le tableau suivant synthétise les critères de choix essentiels.
| Critère | Claude Opus 5 | Claude Fable 5 | Claude Sonnet 5 |
|---|---|---|---|
| Prix API (entrée / sortie par million de tokens) | 5 $ / 25 $ | 10 $ / 50 $ | 3 $ / 15 $ (tarif de lancement 2 $ / 10 $ jusqu’au 31 août 2026) |
| Positionnement Anthropic | Usage quotidien, état de l’art sur le code et le travail intellectuel | Classe Mythos, pour les problèmes trop complexes ou trop longs pour les autres modèles | Le Sonnet le plus agentique à ce jour, pensé pour la production |
| Là où il gagne | Code multi-fichiers, revue de code, tableurs et slides complexes, usage de l’ordinateur | Runs autonomes de plusieurs heures ou jours, sujets ambigus à cadrer seul | Volume, latence, extraction structurée, pipelines à comportement prévisible |
| Ce qu’il faut retirer de ses prompts | Les consignes de vérification et de double contrôle | Les skills trop prescriptives et les demandes d’expliquer son raisonnement | Les paramètres temperature et top_p, refusés avec une erreur 400 |
| Quand ne pas le choisir | Pentest, génération d’exploits, scan sur binaires: bloqués par les classifieurs | Tâches simples, tâches liées à la cybersécurité (bloquées) | Tâches nécessitant un raisonnement approfondi |
La logique de répartition est claire: les tâches du quotidien partent sur Sonnet 5, les travaux plus exigeants sur Opus 5, et Fable 5 se réserve aux chantiers réellement complexes. Ce raisonnement de rentabilité vaut pour l’ensemble de la gamme. Les guides pratiques sur les routines marketing avec Claude ou les formations Claude donnent des exemples concrets d’application.
Auditer ses prompts en production: le chantier incontournable de 2026
Les bibliothèques de prompts accumulent depuis deux ans des béquilles écrites pour compenser les faiblesses de modèles qui n’existent souvent plus. Instructions de relecture, rappels de format répétés trois fois, étapes de contrôle manuelles: tout cela avait un sens en 2024. Aujourd’hui, ces couches se cumulent avec le comportement natif du modèle et dégradent le rapport coût / qualité. Le même travail de nettoyage s’impose sur les autres familles de modèles de langage, comme le montrent les guides de prompting publiés côté GPT-5.
Un audit sérieux prend une demi-journée et se mesure sur ses propres workflows. Pour les équipes de développement, l’intégration de Claude Code dans des outils comme Figma illustre ce besoin de calibration fine. Sans tests et audits ponctuels récurrents à chaque mise à jour de modèle, impossible de savoir si une consigne aide ou coûte de l’argent. La question n’est plus de savoir quel modèle choisir, mais comment ajuster ses pratiques pour en tirer le meilleur.
