Trois modèles, trois calendriers, trois réalités
Trois éditeurs ont poussé leur modèle le plus ambitieux ces derniers mois, mais pas au même rythme. Google DeepMind a sorti Gemini 3.1 Pro en preview le 19 février 2026. Anthropic a publié Claude Opus 4.8 le 28 mai 2026. xAI (SpaceXAI) a lancé Grok 4.5 en juillet 2026. Aucun des trois ne domine sur tous les critères à la fois.
Pour une entreprise — à Paris, à San Francisco ou à Papeete — le bon choix ne se lit pas dans les benchmarks. La disponibilité réelle via API, le prix à l'usage et la stabilité en production pèsent autant que les scores. Tous les chiffres ci-dessous viennent des pages officielles des éditeurs, liées à chaque fois. Quand un chiffre n'est pas vérifiable, il n'est pas cité.
Maturité commerciale : le critère qu'on regarde en dernier et qui tranche en premier
Avant les scores, le statut de disponibilité.
- Claude Opus 4.8 est le plus mature : disponible en production via l'API Anthropic directe, AWS Bedrock, Google Vertex AI et Microsoft Foundry (documentation Anthropic). C'est le seul des trois à tourner simultanément sur les trois grands clouds.
- Gemini 3.1 Pro reste en preview. Google écrit noir sur blanc dans son annonce vouloir « valider ces mises à jour » avant une disponibilité générale. Accessible via l'API Gemini, AI Studio, Vertex AI et Gemini Enterprise — donc l'écosystème Google, et lui seul.
- Grok 4.5 est le plus récent. L'annonce officielle le donne accessible dans Grok Build, dans Cursor et depuis la console xAI. Il n'apparaît pas encore au catalogue des clouds tiers.
Ce décalage change la lecture de n'importe quel comparatif. Un score élevé ne vaut rien si le modèle n'est pas accessible dans votre région, ou si son API bouge tous les quinze jours.
Benchmarks : les mêmes modèles changent de classement selon le test
C'est le point le plus utile de ce comparatif, et le moins raconté. Dans son annonce, xAI publie cinq benchmarks de code opposant Grok 4.5 à Claude Opus 4.8 (en effort maximal). Le classement s'inverse d'un test à l'autre :
- SWE-bench Pro — Opus 4.8 : 69,2 % · Grok 4.5 : 64,7 %
- DeepSWE 1.1 — Opus 4.8 : 59 % · Grok 4.5 : 53 %
- Terminal-Bench 2.1 — Grok 4.5 : 83,3 % · Opus 4.8 : 78,9 %
- DeepSWE 1.0 — Grok 4.5 : 62,0 % · Opus 4.8 : 55,75 %
- SWE Marathon — Grok 4.5 : 29,0 % · Opus 4.8 : 26,0 %
Source : annonce Grok 4.5, où xAI précise que les chiffres des concurrents proviennent de leurs propres system cards. Deux modèles, cinq tests, trois victoires pour l'un et deux pour l'autre. Si vous cherchez un benchmark qui donne raison au modèle que vous préférez, vous le trouverez.
De son côté, Google annonce pour Gemini 3.1 Pro un score vérifié de 77,1 % sur ARC-AGI-2 (raisonnement sur des motifs logiques inédits), plus du double de Gemini 3 Pro, et 80,6 % sur SWE-bench Verified.
Attention au piège : « Verified », « Pro » et « Marathon » ne mesurent pas la même chose. SWE-bench Verified est le plus ancien et le plus proche de la saturation ; SWE-bench Pro utilise des dépôts réels activement maintenus, sans fuite de solution publique. Mettre 80,6 % (Verified) face à 69,2 % (Pro) ne dit rien : ce n'est pas le même examen. Toute comparaison chiffrée entre deux modèles n'a de sens que sur la même variante, mesurée dans le même harnais.
Dernier point de méthode : ces chiffres sont publiés par les éditeurs eux-mêmes. Ils sont utiles comme ordre de grandeur, pas comme arbitrage. Pour un regard tiers, l'index composite d'Artificial Analysis mesure les modèles avec un protocole unique — c'est ce type de source, indépendante de l'éditeur, qu'il faut privilégier.
Tarifs : l'écart est réel, mais le prix au token ne suffit pas
Les tarifs officiels, par million de tokens :
- Grok 4.5 : 2 $ en entrée / 6 $ en sortie, et 4 $ / 12 $ au-delà de 200 000 tokens de contexte (docs xAI).
- Gemini 3.1 Pro : 2 $ / 12 $ jusqu'à 200 000 tokens, puis 4 $ / 18 $ au-delà (tarifs Gemini API).
- Claude Opus 4.8 : 5 $ / 25 $, et 10 $ / 50 $ en mode rapide (annonce Anthropic).
À prix affiché, Claude Opus 4.8 coûte donc plus du double en entrée et plus de quatre fois plus en sortie que Grok 4.5. Notez les paliers au-delà de 200 000 tokens chez xAI comme chez Google : une facture calculée sur le tarif d'entrée de gamme sera fausse dès que vous chargez de gros documents.
Surtout, le prix au token n'est que la moitié de l'équation. Le vrai coût, c'est prix au token × nombre de tokens consommés. xAI publie sur ce point une mesure intéressante : sur une tâche SWE-bench Pro, Grok 4.5 produit en moyenne 15 954 tokens de sortie contre 67 020 pour Opus 4.8 en effort maximal. Un modèle plus cher qui répond plus court peut coûter moins qu'un modèle bon marché qui déroule. Ne comparez jamais des tarifs sans mesurer la consommation réelle sur vos propres tâches.
Fenêtre de contexte et longueur de réponse
Pour analyser des contrats, des rapports ou une base de connaissances, deux plafonds comptent — et on ne regarde souvent que le premier.
- En entrée : Claude Opus 4.8 et Gemini 3.1 Pro acceptent tous deux jusqu'à 1 million de tokens. Grok 4.5 plafonne à 500 000, ce qui reste large.
- En sortie : Gemini 3.1 Pro génère au maximum 64 000 tokens par réponse, Claude Opus 4.8 jusqu'à 128 000. Sur les deux, le plafond par défaut de l'API est bien plus bas que le maximum : il faut le régler explicitement, sinon vos longues réponses seront coupées sans prévenir.
Comment choisir concrètement
Une grille de décision qui ne dépend d'aucun benchmark :
- Vous mettez en production tout de suite, sur une infrastructure existante → Claude Opus 4.8, seul disponible sur AWS, Google Cloud et Microsoft à la fois. Si vos données sont déjà chez l'un d'eux, ce critère écrase tous les autres.
- Vous êtes déjà dans l'écosystème Google → Gemini 3.1 Pro, en gardant en tête son statut preview : une preview peut changer de comportement ou de tarif sans préavis. Acceptable pour un prototype, discutable pour un processus critique.
- Vous optimisez le coût sur du volume → Grok 4.5, à condition de mesurer la consommation réelle et de vérifier sa disponibilité dans votre région avant de vous engager.
- Vous traitez de très longs documents → Claude Opus 4.8 ou Gemini 3.1 Pro, tous deux à 1 million de tokens en entrée. Vérifiez aussi le plafond de sortie : un modèle qui lit tout mais ne peut pas restituer une synthèse longue ne résout pas votre problème.
- Vous opérez dans l'Union européenne → vérifiez la disponibilité au moment où vous décidez, pas au moment où vous lisez. Le déploiement de Grok 4.5 dans l'UE a été échelonné pour des raisons réglementaires, et la situation a évolué en cours de mois. La seule source qui fait foi est la console ou la documentation de l'éditeur, à la date du jour.
Le test en cinq étapes, avant de signer quoi que ce soit
Un comparatif ne remplace pas un essai. Voici le protocole minimal, faisable en une journée par une PME :
- 1. Constituez vingt cas réels. Pas des exemples inventés : vingt vraies demandes tirées de vos mails, tickets ou documents, dont trois volontairement tordues (fichier mal scanné, question ambiguë, cas limite).
- 2. Écrivez la réponse attendue avant de tester. Sinon vous validerez ce que le modèle produit au lieu de ce dont vous avez besoin. C'est l'erreur la plus fréquente.
- 3. Passez le même jeu de cas dans chaque modèle, avec le même prompt. Changer le prompt entre deux modèles invalide la comparaison.
- 4. Relevez trois chiffres par modèle : le taux de réponses exploitables sans retouche, le coût total réel (facture API divisée par vingt), et le temps de réponse médian. C'est votre benchmark — le seul qui parle de votre métier.
- 5. Refaites-le sur cinq cas dans un mois. Les modèles évoluent, les tarifs aussi. Un test qui n'est jamais rejoué devient une croyance.
Données et conformité : les questions à poser avant l'essai
Le cadre réglementaire européen sur l'IA impose des obligations aux fournisseurs de modèles à usage général — documentation technique, évaluations, transparence — et non un « label » que l'on pourrait exiger d'un éditeur. Ces obligations sont d'ailleurs ce qui explique les déploiements décalés selon les zones.
Pour une entreprise polynésienne, la conformité utile se joue en amont, dans trois questions à poser à l'éditeur, par écrit :
- Où mes données sont-elles hébergées et traitées ? La réponse conditionne tout le reste.
- Qui y accède, et pendant combien de temps sont-elles conservées ? Les durées de rétention varient d'un éditeur à l'autre et selon le contrat.
- Sont-elles utilisées pour entraîner les modèles ? Sur les offres entreprise, c'est généralement non — mais il faut le lire dans le contrat, pas le supposer.
Si vous traitez des données clients, de santé ou des pièces d'identité, cette étape passe avant le choix du modèle, pas après.
Un comparatif a une durée de vie de quelques semaines
Il faut le dire clairement : entre la sortie de Gemini 3.1 Pro en février et celle de Grok 4.5 en juillet, plusieurs autres modèles frontière sont arrivés — le tableau de benchmarks publié par xAI cite déjà des concurrents absents de ce comparatif, et le catalogue d'Anthropic a lui-même évolué depuis Opus 4.8. Tout classement figé est périmé avant d'être lu.
D'où la seule conclusion qui tienne dans le temps : ne choisissez pas un modèle, choisissez une méthode de test. Le jeu de vingt cas décrit plus haut vous resservira à chaque nouvelle sortie, quand les benchmarks du jour, eux, ne vous diront jamais si le modèle sait faire votre travail.
