Le 2 novembre 2026, trois équipes ont publié trois mesures de l’IA, et leurs résultats ne se superposent pas. Le meilleur modèle plafonne à 12 % chez l’une, frôle 100 % chez l’autre, et l’on découvre chez la troisième que même les plus forts plient dès qu’un coéquipier insiste.
Deux promesses qui ne parlent pas de la même chose
GDPx, publié par SemiAnalysis, prétend mesurer ce qui rapportera de l’argent : onze domaines à forte valeur, de la conception de puces au droit. Le meilleur modèle y obtient 12 %. Sur les tâches de finance et de droit, presque tous les modèles obtiennent un score nul.
LifeVal, présenté par OpenAI, vise l’inverse : l’aide du quotidien, de la garde d’enfants au budget en passant par les démarches. Les exemples publiés sont notés de 90,4 % à 100 %. Un plan de repas pour un parent diabétique y atteint 90,4 %.
D’un côté l’expertise rare, de l’autre la commodité de tous les jours. Les deux chiffres peuvent donc être exacts en même temps : un modèle capable de dresser un menu sans faute n’a aucune raison de savoir rédiger un contrat. Le classement des modèles change d’ailleurs selon le test. SemiAnalysis désigne Claude Opus 5.5 comme meilleur modèle polyvalent, Gemini 4 Carbon en biologie et de justesse en développement logiciel, GPT-6 Astra en science des matériaux.
Qui note, qui choisit les exemples
Chaque benchmark part d’une conviction sur ce qui compte. SemiAnalysis parie que les premiers grands revenus de l’IA viendront d’un petit nombre de secteurs, et écarte volontairement l’administration, l’immobilier et l’assurance. OpenAI s’appuie sur des enquêtes d’emploi du temps et sur un sondage auprès de 3 995 personnes pour viser l’usage de tous les jours. Les deux tests se réclament du même aîné : SemiAnalysis présente GDPx comme le successeur de GDPval, l’évaluation d’OpenAI sur les tâches professionnelles, tandis qu’OpenAI conçoit LifeVal comme son pendant pour la vie privée.
Les deux protocoles sont publiés, mais leurs limites se lisent entre les lignes. OpenAI note ses propres modèles et choisit elle-même les cinq exemples qu’elle montre. SemiAnalysis signale de son côté que des filtres de sécurité font baisser certains scores, ce qui complique la comparaison d’un modèle à l’autre. Sorti de son protocole, un chiffre se lit comme une note universelle alors qu’il ne vaut que pour ce test.
Quand un coéquipier insiste, les meilleurs plient
Le troisième test parle directement aux entreprises qui déploient des agents. Le Collaborative Intelligence Benchmark, conçu par des chercheurs de Stanford, d’Oxford et du MIT, évalue 18 modèles sur 240 tâches d’équipe, réparties en huit dimensions : résister à une pression dangereuse, signaler une fraude, partager l’information, gérer un conflit, reprendre une session compromise, entre autres. Les 24 851 exécutions ont été notées. Les auteurs publient 160 tâches avec le code et en gardent 80 privées, pour écarter tout score obtenu en s’entraînant sur le test lui-même.
Chaque tâche se joue en trois temps : le modèle travaille seul, puis dans une équipe sans incident, puis face à un coéquipier scripté qui crée un problème. Seules les tâches réussies en solo sont retenues. Un échec signale donc un défaut de travail en équipe, pas un manque de compétence.
Gemini 4 Argon arrive premier, avec 76,6 sur 100 au réglage par défaut et 82,2 en effort élevé. GPT-6 Astra suit de près à 76,5, puis GPT-6.1 Sol à 74,5 et Claude Opus 5.5 à 71,0. Tous perdent entre 20,2 et 46,6 points dès qu’un coéquipier crée un problème. Les modèles à poids ouverts restent derrière : Kimi K3.1 Pro obtient 59,9, DeepSeek V4 Pro 39,4 avec la plus forte chute, 46,6 points.
Les modèles de pointe réussissent au moins 93 % des tests sur le refus d’un raccourci dangereux et sur le signalement d’une fraude. Face à un conflit, la courbe s’effondre :
- seuls, ils trouvent le meilleur partage dans 100 % des cas ;
- avec un coéquipier normal, dans 84 % ;
- avec un coéquipier qui insiste, culpabilise et menace de partir, dans 14 %.
Ils demandent pourtant les besoins de l’autre dans 99 % des cas. Ils savent poser la bonne question, puis cèdent sur la réponse.
Votre propre test pèse plus qu’un classement
Les deux premiers tests mesurent ce que les modèles savent faire ; le troisième, ce qu’ils deviennent sous contrainte sociale. Aucun des trois ne mesure votre dossier, vos documents, vos interlocuteurs. Un agent chargé de relancer des fournisseurs ou de négocier un délai est exposé exactement au scénario du coéquipier qui insiste, et le score de 82,2 sur 100 ne dit rien de la façon dont il se comporte sur vos outils.
Un test maison, même modeste, en dit davantage : cinq tâches que vous réalisez réellement chaque semaine, trois essais chacune pour voir la variabilité, et au moins une situation où l’interlocuteur résiste. Notez ce qui casse, pas seulement la moyenne. Un modèle à 76,5 qui cède au premier désaccord peut valoir moins, pour votre usage, qu’un modèle à 71,0 qui tient sa position.
Le prix compte aussi. L’évaluation complète du test d’équipe va de 1,8 à 662 dollars selon le modèle, et GPT-6.1 Sol atteint 91 % du meilleur score pour 11 % de son coût. Un classement qui ignore le prix de l’exécution désigne rarement le bon choix de production.
Un test maison a lui aussi ses limites : il reflète vos tâches, donc vos angles morts. D’où l’intérêt de le relancer à chaque nouveau modèle, puisque, d’après ces trois publications, le premier de la classe change dès que la question change.
Vous avez aimé celui-ci ?
La newsletter du vendredi réunit les articles de la semaine, avec leurs sources.
Offert à l'inscriptionMa configuration Claude Code, avec mes skills, mes sous-agents et mes hooks, prêts à copier.
Sources
Ils m’ont fait confiance
« Il ne se contente pas de corriger les symptômes, il cherche à comprendre l'origine des problèmes et à sécuriser les modifications effectuées. J'ai réellement le sentiment d'avoir trouvé un développeur qui comprend à la fois la technique et les enjeux globaux du projet. »
Évaluation client · projet WordPress · septembre 2026
5,0/5 sur 22 évaluations
Faire appel à mes services →
