Le 22 septembre 2026, Anthropic a présenté Claude Opus 5.5. Selon l’annonce, il se comporte comme Claude Fable 5.1 sur la plupart des travaux et coûte 40 % de moins qu’Opus 5. Deux jours plus tard, Carlos Santana, le vulgarisateur espagnol connu sous le nom de DotCSV, a publié une vidéo qui s’attardait à peine sur ces chiffres. Il s’intéressait à autre chose : au cours des deux derniers mois, les modèles de langage avaient fait un bond en création audiovisuelle. Animations, graphismes animés, scènes 3D ou pixel art réalisés en écrivant du code, sans recourir à un modèle qui génère de la vidéo.
Pour l’expliquer, il a dessiné une sigmoïde : une courbe en forme de S qui avance lentement, monte très vite sur un court tronçon et finit presque à plat. Son idée est que chaque type de tâche parcourt son propre S à un moment différent. Il situe le tronçon abrupt du langage à l’époque de GPT-3, celui de la programmation entre 2025 et début 2026, et celui de la création audiovisuelle ces dernières semaines.
L’observation correspond à ce que beaucoup d’entre nous ont vécu. Ce qui est intéressant, c’est de comprendre pourquoi cela se produit. Les ingrédients avec lesquels on construit les modèles progressent de façon assez régulière : plus de calcul, plus de données et de meilleures méthodes chaque année. D’où vient alors un tronçon où une tâche passe, en quelques mois, de « ça ne marche presque jamais » à « ça marche presque toujours » ? Il n’y a pas une cause unique. Il y en a au moins quatre, et il vaut la peine de les séparer, car chacune aide à anticiper où pourrait se trouver le prochain bond.
La capacité croît de façon continue ; chaque tâche répond avec sa propre courbe
Il faut d’abord distinguer deux choses que l’on désigne souvent de la même façon : la capacité générale d’un modèle et son résultat sur une tâche précise.
Epoch AI, une organisation qui suit l’évolution de l’IA à partir de données, construit son indice de capacités sur cette distinction. Elle suppose que chaque modèle a un niveau général qu’on ne peut pas observer directement, et que chaque test le convertit en score au moyen de son propre S. En dessous d’un certain niveau, le modèle ne réussit presque rien ; au-dessus, il réussit presque tout. D’un test à l’autre, deux choses changent : le niveau auquel se produit la montée, qui dépend de la difficulté du test, et sa pente. Quand la courbe est très raide, explique Epoch, « un peu plus d’intelligence rapporte beaucoup » et le test sature rapidement.
Vu ainsi, un bond n’exige pas que le modèle change de nature. Il suffit qu’une capacité qui croît assez régulièrement atteigne le tronçon de montée d’une tâche. Pour qui suit cette tâche, le changement paraît soudain. Pour qui regarde la capacité générale, c’est un pas de plus dans une tendance qui existait déjà.
Les tests de la dernière décennie le montrent avec des données. Dans le graphique suivant, chaque ligne est une capacité mesurée avec ses propres tests : reconnaître l’écriture manuscrite, des images ou la voix, répondre à des questions de compréhension écrite ou comprendre le langage. La valeur −100 correspond au premier résultat de l’IA enregistré pour ce test, et 0 au niveau humain de référence.
La reconnaissance de l’écriture manuscrite a mis une vingtaine d’années à atteindre le niveau humain. Les tests de compréhension écrite et de compréhension du langage, créés entre 2016 et 2018, l’ont atteint en deux ans environ. Chaque capacité a sa propre montée, et les plus récentes la parcourent de plus en plus vite. Le graphique explique la forme du phénomène. Reste à comprendre pourquoi certaines courbes sont si raides.
Première cause : une tâche longue est une chaîne d’étapes
Beaucoup de tâches ne sont pas une seule décision, mais plusieurs enchaînées. Si une seule erreur suffit à gâcher le résultat, la probabilité d’aller au bout sans faute est la fiabilité de chaque étape multipliée par elle-même autant de fois qu’il y a d’étapes.
Les chiffres changent beaucoup avec peu. Avec 90 % de réussite par étape, une tâche de 10 étapes réussit 35 % du temps, et une de 50 étapes, 0,5 %. Avec 99 % par étape, ces mêmes tâches réussissent 90 % et 61 % du temps. Améliorer de neuf points la fiabilité de chaque étape multiplie par plus de cent la réussite de la tâche longue.
La simplification exagère l’effet : un bon système détecte certaines erreurs et les corrige, ce qui revient à avoir moins d’étapes capables de ruiner le résultat. Mais le mécanisme existe et il a été mesuré. METR, une organisation qui évalue les modèles, rassemble des tâches logicielles, de la programmation à la recherche en apprentissage automatique, mesure combien de temps des experts mettent à les résoudre et vérifie quelle durée de tâche chaque modèle mène à bien une fois sur deux. Pour un même modèle, la réussite baisse à mesure que la tâche s’allonge, en suivant, une fois encore, une courbe en S.
Selon la mise à jour publiée par METR en janvier 2026, cette durée a doublé environ tous les six mois et demi entre 2019 et 2025, et environ tous les trois mois depuis 2024. METR prévient elle-même que l’estimation dépend des tâches incluses dans sa collection. Si l’horizon croît régulièrement, une tâche de durée fixe le franchit à un moment précis : pendant des années, elle ne réussit presque jamais et, en peu de temps, elle réussit presque toujours.
Une animation réalisée avec du code est un cas extrême de tâche enchaînée. Des dizaines d’éléments, de timings, de transitions et de mouvements de caméra doivent s’emboîter en même temps. Un objet qui sort du cadre ou une coupe à contretemps suffisent à rendre le résultat inutilisable. Il est raisonnable de s’attendre à ce qu’une telle tâche reste proche de zéro tant que ses éléments ne sont pas très fiables, puis monte vite quand ils le deviennent. C’est une inférence tirée du mécanisme, pas un résultat mesuré pour l’animation.
Deuxième cause : nous jugeons en réussite ou échec
En 2022, une équipe de Google et d’autres institutions a décrit les capacités émergentes : des tâches où les petits et moyens modèles répondaient au hasard et où, au-delà d’une certaine taille, la réussite s’envolait. Elles ressemblaient à des sauts qualitatifs qu’aucune tendance antérieure n’annonçait.
L’année suivante, Schaeffer, Miranda et Koyejo ont proposé une autre lecture. Beaucoup de ces tests n’acceptaient que la réponse exacte. Pour additionner deux nombres de quatre chiffres, par exemple, il fallait trouver tous les chiffres du résultat. Si le modèle s’améliore peu à peu sur chaque chiffre, la réponse complète reste fausse jusqu’à ce qu’ils soient tous justes, et alors le résultat bondit. C’est le même effet que la chaîne d’étapes. Quand ils ont évalué les mêmes réponses avec des mesures graduelles, qui notent à quel point la réponse est proche de la bonne, beaucoup de ces montées devenaient progressives.
Le débat n’est pas clos. D’autres travaux, comme celui de Du et d’autres auteurs en 2024, soutiennent que certaines capacités apparaissent quand le modèle franchit un vrai seuil dans son entraînement, et pas seulement parce qu’on mesure en réussite ou échec. Pour notre question, une conclusion suffit : la façon de mesurer peut transformer une amélioration graduelle en bond apparent.
Et les utilisateurs mesurent presque toujours ainsi. On ne juge pas une animation au pourcentage d’images correctes, mais en se demandant si on peut l’utiliser. Même si la qualité s’améliore peu à peu, ce qu’on vit, c’est le jour où elle commence à servir.
Troisième cause : les laboratoires entraînent ce qu’ils peuvent vérifier
Ce qu’on investit dans les modèles croît régulièrement. Epoch AI estime que le calcul utilisé pour entraîner les modèles de pointe a été multiplié par quatre ou cinq chaque année entre 2010 et 2024. Ce qui change d’une année à l’autre, c’est vers quelles tâches l’effort est dirigé.
Le 12 septembre 2024, OpenAI a présenté o1, un modèle entraîné par apprentissage par renforcement à grande échelle pour raisonner avant de répondre. L’apprentissage par renforcement consiste à laisser le modèle tenter de résoudre des problèmes et à renforcer les tentatives qui réussissent. Aux examens AIME 2024, une épreuve de mathématiques qui sert à sélectionner les meilleurs lycéens des États-Unis, GPT-4o résolvait en moyenne 12 % des problèmes ; o1, 74 % avec une seule tentative par problème.
Pour renforcer ce qui réussit, il faut savoir si cela a réussi. En janvier 2025, DeepSeek a publié la façon dont il avait entraîné DeepSeek-R1 : pour les problèmes de mathématiques, une règle vérifiait si la réponse finale était correcte ; pour ceux de programmation, un compilateur exécutait le code avec des cas de test. Pendant cet entraînement, sa première version est passée de 15,6 % à 71 % sur le même examen AIME.
La programmation réunit les deux conditions qui favorisent un tel effort. Le résultat peut être vérifié automatiquement, car les tests passent ou échouent. Et il y a de la demande : selon l’Anthropic Economic Index de mars 2026, la programmation reste l’usage le plus fréquent de Claude, et les tâches des professions informatiques et mathématiques représentent 35 % des conversations sur Claude.ai.
Le S de la programmation peut se voir avec des données. SWE-bench rassemble de vrais bugs de projets open source en Python : le modèle reçoit le dépôt et la description du problème, et doit modifier le code pour que passent les tests écrits par ses développeurs. Dans notre article sur l’histoire des benchmarks, nous montrons l’une de ces tâches.
En octobre 2023, le meilleur modèle évalué résolvait moins de deux problèmes sur cent. En deux ans, le meilleur résultat publié a dépassé 80 %. Les premiers tests de programmation demandaient d’écrire une fonction courte à partir d’une description précise. Ici, il faut trouver le bug dans le projet de quelqu’un d’autre, comprendre son code et le modifier sans rien casser. Cette progression coïncide avec les années où les laboratoires ont commencé à entraîner sur des tâches vérifiables automatiquement et à donner aux modèles des outils pour travailler comme des agents : ouvrir des fichiers, lancer des tests et réessayer.
Quatrième cause : certaines capacités sont faites d’autres capacités
La création audiovisuelle avec du code n’est pas une seule compétence. Elle demande d’écrire du code qui fonctionne et de tenir une tâche longue sans perdre le fil. Elle demande aussi de voir ce que ce code a produit et de le juger : le rythme fonctionne-t-il, la composition est-elle lisible, quelque chose détonne-t-il ? C’est ce qu’on appelle d’habitude le goût ou le jugement.
Une capacité composée dépend de son maillon le plus faible. Tant qu’une de ses parties reste en retrait, l’ensemble continue d’échouer, même si les autres s’améliorent depuis longtemps. Quand la dernière atteint le niveau nécessaire, l’ensemble semble apparaître d’un coup.
Notre hypothèse est que la création audiovisuelle en est là. La programmation et le travail sur des tâches longues avaient déjà parcouru une bonne partie de leur S. Ce qui semble s’être amélioré ces derniers mois, c’est la partie visuelle : juger ce qui a été généré et utiliser ce jugement pour le corriger. Si un modèle peut faire le rendu d’une scène, regarder le résultat et réparer ce qui ne va pas, la chaîne d’étapes cesse de se rompre à la première erreur.
C’est une hypothèse, mais elle ne repose plus seulement sur des anecdotes. Dans ses notes techniques sur Opus 5.5, Anthropic signale comme nouveauté par rapport à Opus 5 une lecture plus précise des graphiques, des diagrammes et des captures d’écran, surtout des graphiques denses et des images où la position de chaque élément compte. Dans son annonce, la lecture de graphiques passe de 83,4 % à 89,0 %. La même annonce cite un évaluateur qui a demandé à plusieurs modèles Claude de créer un jeu à partir d’une seule requête : Opus 5.5 a obtenu le meilleur score pour les graphismes et la finition. Le reste, ce sont des démonstrations de vulgarisateurs et d’utilisateurs, comme celles que nous avons réunies dans notre article sur les tests viraux, très révélatrices mais sans méthode commune.
Qu’un modèle voie mieux ne prouve pas que ce soit la cause du bond. Il existe au moins trois autres explications compatibles, et toutes jouent probablement un rôle. Anthropic présente Opus 5.5 comme un modèle conçu pour les tâches longues, et une animation est une chaîne de centaines d’étapes : un peu plus de fiabilité à chaque étape suffit, à elle seule, pour que la chaîne commence à aboutir. Une partie du progrès se fait sans regarder : dans le test du pélican en SVG, le modèle dessine d’un seul coup sans voir le résultat, et les dessins s’améliorent pourtant depuis des années. Et le goût s’entraîne aussi : si un laboratoire note la finition visuelle de ce que produisent ses modèles, leur jugement progresse même si leur vue ne change pas.
Si l’hypothèse est juste, elle expliquerait aussi pourquoi ce S arrive après celui de la programmation. Le code a des tests qui passent ou échouent ; le goût, non. Les laboratoires peuvent utiliser des modèles qui évaluent le résultat ou des critères écrits pour le noter, mais cette vérification est moins fiable qu’un test. Ce qui ne se vérifie pas facilement s’entraîne plus lentement.
La partie plate n’est pas toujours la fin
La dernière partie du S mérite autant d’attention que la montée. Quand une courbe s’aplatit, il peut se passer autre chose qu’un arrêt des progrès de la capacité.
Parfois, la limite est dans le test. Le 23 février 2026, OpenAI a cessé d’utiliser SWE-bench Verified. Le meilleur résultat était à peine passé de 74,9 % à 80,9 % en six mois. En examinant les problèmes que les modèles ne résolvaient pas, OpenAI a constaté qu’au moins 59,4 % de ceux audités avaient des tests défectueux qui rejetaient des solutions correctes. En outre, les modèles de pointe pouvaient reproduire certaines solutions de mémoire. Une partie du plateau mesurait les défauts du test, pas la limite de la capacité.
D’autres fois, la limite est dans notre perception. C’est déjà le cas avec le langage : les modèles continuent de progresser en écriture, mais presque plus personne ne se demande combien un nouveau modèle a progressé en rédaction. Les améliorations continuent ; ce qui s’épuise, c’est notre capacité à les remarquer dans une conversation.
Et, surtout, la fin d’un S est souvent le début d’un autre. Qu’une animation réussisse dans une démo est une chose ; qu’elle réussisse toujours, dans un processus où personne ne vérifie chaque image, en est une autre. Passer de 80 % à 99 % se remarque à peine en regardant un exemple, mais décide si quelque chose peut faire partie d’un travail qui se répète chaque jour. C’est encore la chaîne d’étapes : un processus de cinquante étapes fiable à 80 % ne réussit presque jamais ; à 99 %, il réussit six fois sur dix.
Que regarder pour anticiper le prochain bond
L’idée des sigmoïdes ne permet pas de dater les bonds, mais elle aide à se poser de meilleures questions. Plutôt que de demander quand l’IA atteindra une tâche, il vaut mieux regarder quatre choses :
- De combien d’étapes est faite la tâche et quelle est la fiabilité de chacune. Les tâches longues restent en retrait plus longtemps, puis montent plus vite.
- Comment on décide si c’est réussi. Si l’on juge en réussite ou échec, l’amélioration se remarquera d’un coup.
- Si le résultat peut être vérifié automatiquement. Ce qui peut être vérifié peut être entraîné à grande échelle, et c’est là que l’effort se dirigera d’abord.
- Quelle pièce manque. Dans une capacité composée, la partie la plus faible fixe le moment du bond.
Ce qui se passe avec la création audiovisuelle correspond à ce schéma : une tâche longue, jugée sur le fait qu’elle serve ou non, construite sur des capacités déjà fiables et à laquelle il manquait le regard. Les prochains S apparaîtront probablement dans des tâches qui réunissent cette combinaison. Et chaque fois que l’un d’eux atteindra sa partie plate, commencera la question qui compte le plus quand on utilise l’IA dans un vrai travail : non pas si elle peut le faire, mais si elle le fait toujours bien.
Sources
- DotCSV Lab : « CLAUDE OPUS 5.5 es TODA UNA REVOLUCIÓN AUDIOVISUAL (…sorry Astra) », 24 septembre 2026 (en espagnol)
- Anthropic : Introducing Claude Opus 5.5, 22 septembre 2026
- Anthropic : What’s new in Claude Opus 5.5, documentation
- Epoch AI : Epoch Capabilities Index
- Epoch AI : Training compute of frontier AI models grows by 4-5x per year
- Our World in Data : Test scores of AI systems on various capabilities relative to human performance
- Contextual AI : Plotting Progress in AI
- METR : Measuring AI Ability to Complete Long Tasks, 2025
- METR : Time Horizon 1.1, janvier 2026
- Wei et al. : Emergent Abilities of Large Language Models, 2022
- Schaeffer, Miranda et Koyejo : Are Emergent Abilities of Large Language Models a Mirage?, 2023
- Du et al. : Understanding Emergent Abilities of Language Models from the Loss Perspective, 2024
- OpenAI : Learning to reason with LLMs, 12 septembre 2024
- DeepSeek-AI : DeepSeek-R1, janvier 2025
- Anthropic Economic Index, mars 2026
- Jimenez et al. : SWE-bench, octobre 2023
- OpenAI : Introducing SWE-bench Verified, août 2024
- Anthropic : Claude 3.5 Sonnet sur SWE-bench
- Anthropic : Claude 3.7 Sonnet, 24 février 2025
- Anthropic : Claude Opus 4.5, 24 novembre 2025
- OpenAI : Why SWE-bench Verified no longer measures frontier coding capabilities, 23 février 2026
