Le 1er septembre 2026, Anthropic lançait Claude Fable 5.1. Deux jours plus tard, OpenAI répliquait avec GPT-6 Astra. Chaque camp annonce une supériorité écrasante, en s’appuyant sur ses propres benchmarks. Ce duel technologique au sommet des modèles de langage ne se résume pourtant pas à un simple écart de points.
Les deux IA avancées affichent un tarif identique : 10 dollars le million de tokens en entrée, 50 dollars en sortie, pour une fenêtre d’un million de tokens. L’intelligence artificielle progresse, mais les usages réels révèlent des profils très différents. Le résultat de ce comparatif, mesuré par Artificial Analysis le 1er et le 3 septembre 2026, bouscule les idées reçues sur le classement des modèles.
Le même prix, des coûts réels opposés
Le tarif standard des deux modèles ne reflète pas la facture réelle. La première divergence apparaît côté cache. Anthropic a divisé par quatre le prix de la lecture de cache, le faisant passer de 1 dollar à 0,25 dollar par million de tokens. OpenAI conserve une remise de 90 % sur ses 10 dollars, soit 1 dollar par million de tokens. Une différence a priori technique, qui pèse lourd dans les usages agentiques où le même contexte est relu en boucle.
Artificial Analysis estime l’économie à environ 1,40 dollar par tâche. Le coût par tâche passe ainsi à 1,67 dollar avec Astra, contre 3,76 dollars avec Fable 5.1, malgré un score d’intelligence générale inférieur. Sur le terrain, une équipe qui automatise des processus volumineux peut voir sa facture divisée par deux.
| Critère | GPT-6 Astra | Claude Fable 5.1 |
|---|---|---|
| Prix API standard (entrée / sortie, par million de tokens) | 10 $ / 50 $ | 10 $ / 50 $ |
| Lecture de cache (par million de tokens) | 1 $ (remise de 90 %) | 0,25 $ (baisse de 75 %) |
| Fenêtre de contexte | 1 million de tokens | 1 million de tokens |
| Coût par tâche Intelligence Index (effort maximal) | 1,67 $ | 3,76 $ |
| Artificial Analysis Intelligence Index (effort maximal) | 61 | 66 |
| Artificial Analysis Coding Agent Index | 67 (harnais Codex) | 70 (harnais Claude Code) |
| Terminal-Bench 4.0 (mesures OpenAI) | 57,9 % | 55,8 % |
| AutomationBench (mesures OpenAI) | 41,4 % | 31,4 % |
Les conditions de déploiement ajoutent une couche de complexité. GPT-6 Astra est livré désactivé par défaut sur les clients ChatGPT Enterprise ; un administrateur doit l’activer manuellement. Anthropic adopte une approche différente : les requêtes filtrées sont routées vers Claude Opus 4.8 ou Claude Opus 5. Artificial Analysis précise que ce mécanisme a concerné environ 4 % des tokens générés pendant ses tests. Un détail qui a déjà coûté cher aux équipes ayant vécu l’indisponibilité temporaire de Claude Fable 5 cet été.
Intelligence générale : Fable 5.1 domine, Astra plafonne
À effort maximal, l’Artificial Analysis Intelligence Index attribue à Claude Fable 5.1 un score de 66, le meilleur jamais enregistré par la plateforme. OpenAI suit avec 61 points, derrière Claude Opus 5 à 63. GPT-6 Astra ne progresse pas par rapport à GPT-5.6 Sol, son prédécesseur, ce qui contredit le discours habituel sur la rupture technologique à chaque génération.
Le détail des sous-scores dessine une réalité plus contrastée. GPT-6 Astra gagne 6 points sur Humanity’s Last Exam, son taux d’hallucination chute de 92 % à 51 % sur AA-Omniscience et il progresse d’environ 80 points Elo sur AA-Briefcase, une évaluation du travail intellectuel au long cours. En sens inverse, il perd environ 80 points Elo sur GDPval-AA v2, un benchmark dérivé des données d’OpenAI qui couvre 44 métiers, et recule de 2 à 3 points sur le support client, le code scientifique et le raisonnement en contexte long.
Le poids des tâches économiquement utiles
Claude Fable 5.1 s’impose nettement sur GDPval-AA v2 avec 1 853 points Elo, même si son avance sur Opus 5 reste dans l’intervalle de confiance. Pour des analyses de fond, les cinq points d’écart ne sont pas anodins : la qualité des livrables sera perceptible. À l’inverse, sur des tâches courtes et répétitives, cet écart ne change presque rien. Ce constat rappelle l’importance de tester les modèles sur ses propres cas d’usage, une logique de plus en plus répandue dans l’adoption de l’IA dans les entreprises françaises.
La question du temps de réponse affiche elle aussi des écarts. Claude Fable 5.1 répond avec un premier jeton à 266,51 secondes contre 463,73 secondes pour GPT-6 Astra en configuration maximale. En revanche, Astra génère 87 jetons par seconde, contre 69 pour Fable 5.1. Une fois la génération lancée, c’est OpenAI qui reprend la main.
Code et agents : l’écart se joue sur les tokens, pas sur le score
Le Coding Agent Index d’Artificial Analysis place Fable 5.1 en tête avec 70 points, exécuté dans Claude Code. GPT-6 Astra atteint 67 points avec le harnais Codex, soit le niveau de Claude Opus 5, de Claude Fable 5 et de Muse Spark 1.3. OpenAI publie de son côté des chiffres quasi similaires : 67,0 pour Astra et 67,2 pour Fable 5.1 sans préciser le harnais. Deux mesures, deux résultats : l’environnement d’exécution influence autant que le modèle.
Le vrai avantage d’Astra se situe dans sa consommation de tokens. À effort maximal, il utilise un tiers des tokens de GPT-5.6 Sol et un cinquième de ceux de Claude Opus 5. Sur une tâche de l’index, le coût est inférieur de moitié à celui de Claude Fable 5, pour un score comparable. Les mesures maison d’OpenAI confirment cet élan avec 57,9 % contre 55,8 % sur Terminal-Bench 4.0 et 74,1 % contre 67,4 % sur DeepSWE v1.1. Sur FrontierCode 1.1, l’ensemble reste groupé en un ou deux points.
Attention, toutefois, à ne pas tirer de conclusion hâtive. Le harnais Codex tourne dans un environnement pensé pour Codex, et les résultats ne sont pas transposables tels quels sur d’autres outils de vibe coding. C’est une raison de plus pour étendre les tests à des scénarios réels avant d’arbitrer ce débat AI.
Pilotage d’ordinateur : GPT-6 Astra prend l’avantage, avec des réserves
Le benchmark ScreenSpot-Pro, qui mesure la capacité à viser le bon élément dans une interface, donne 92,7 % à GPT-6 Astra contre 87,3 % pour Claude Fable 5. Sur AutomationBench, l’écart atteint 10 points (41,4 % contre 31,4 %). Sur BenchCAD, Astra culmine à 95,9 % contre 84,3 %. Les chiffres parlent d’eux-mêmes.
Mais ces mesures émanent d’OpenAI, et la méthodologie comporte des zones grises. Les scores Claude sur ScreenSpot-Pro proviennent de Mythos, une version de Fable sans garde-fous. Les résultats sur BenchCAD reflètent trois modifications de l’évaluation. Quant à Fable 5.1, aucun score n’est publié sur Agents’ Last Exam ni sur OSWorld 2.0. Dans ces conditions, il serait imprudent de désigner un vainqueur définitif sur le seul pilotage d’interface.
En matière de travail de bureau et de qualité de présentation, Claude Fable 5.1 conserve une avance confortable, à plus de 100 points Elo d’écart sur la qualité des livrables AA-Briefcase. Le modèle d’Anthropic garde la main sur les rendus soignés, tandis que GPT-6 Astra se fait dépasser par Grok 4.6 sur ce terrain. Une configuration qui bouge vite, alors que Grok 4.7 est annoncé pour la mi-septembre. Pour les usages plus orientés contenu et performance rédactionnelle, les profils de Claude dans le marketing digital méritent d’être consultés.
Quel modèle d’IA avancée retenir ?
Le choix dépend moins du classement général que des conditions d’exploitation. Il y aura bien un modèle plus pertinent selon le contexte :
- Traitement de tâches longues et économiquement utiles : Claude Fable 5.1, grâce à ses 66 points et sa qualité de rédaction sur les livrables complexes.
- Automatisation de tâches répétitives : GPT-6 Astra, dont le coût par tâche est deux fois inférieur malgré un score plus bas.
- Pilotage d’interface et actions sur ordinateur : GPT-6 Astra domine les benchmarks disponibles, en gardant en tête que les mesures proviennent d’OpenAI.
- Agent de code exécuté toute la journée : Claude Fable 5.1 produit un meilleur score, mais la lecture de cache à 0,25 dollar chez Anthropic change totalement l’équation économique.
- Projets créatifs et supports de présentation : Claude Fable 5.1 conserve une avance significative sur la qualité des livrables.
L’innovation ne se mesure pas à un écart brut de points. Elle se joue dans la capacité à faire tourner un modèle sur ses propres données, avec ses propres contraintes de volume et de latence. Les deux modèles viennent de sortir, leurs chiffres évolueront encore avec les correctifs et les réglages des harnais d’exécution. Le meilleur arbitre reste un test interne, sur un échantillon représentatif de vos tâches, loin des benchmarks calibrés par les éditeurs. C’est ainsi que ce duel technologique, qui bouscule les idées reçues, finira par livrer sa conclusion : non pas un vainqueur universel, mais des usages distincts.
