Signal 1
La tâche est validée
L’utilisateur confirme explicitement que le travail est terminé, plutôt que de relancer, corriger ou abandonner. C’est le signal le plus direct, et le plus difficile à obtenir.
Outils et usages de l’IA
Comparaison des modèles pour piloter des agents IA en septembre 2026
Un agent ne se juge pas comme un assistant de conversation. Ce qui compte n’est plus l’élégance d’une réponse, mais la capacité à enchaîner des outils, à encaisser une commande qui échoue et à tenir compte d’une correction sans repartir de zéro. Ce sont exactement ces comportements que mesure le classement publié ce mois-ci.
Le classement Agent d’Arena repose sur 1 850 083 sessions réelles d’utilisateurs, portant sur 46 modèles, dans leur état au 15 septembre 2026. Il ne s’agit pas d’un test de laboratoire passé une fois et publié : les scores bougent au fil des sessions observées.
Cet article fait trois choses : expliquer ce que ce classement mesure réellement, en donner les résultats, et dire ce qu’il ne mesure pas. Ce dernier point est le plus utile si vous devez arbitrer un choix d’outil en entreprise.
La méthode
Cinq signaux, plutôt qu’une note d’examen.
La plupart des classements font passer un examen : une série de problèmes, une note. Celui-ci observe ce que les utilisateurs font après la réponse, ce qui change radicalement la nature de la mesure.
Signal 2
Le ton du retour
Le rapport entre les retours positifs et les reproches formulés en langage naturel. Mesure la satisfaction ressentie, qui ne se confond pas avec la réussite objective.
Signal 3
La capacité à être repris
Quand l’utilisateur corrige la trajectoire, le modèle intègre-t-il la correction ou repart-il sur sa propre idée ? C’est ce qui distingue un agent pilotable d’un agent qui vous échappe.
Signal 4
Le rattrapage après erreur
Une commande échoue : combien d’étapes faut-il pour revenir à un état sain ? Un agent qui s’entête après un échec consomme du temps et de la confiance.
Signal 5
Les outils inventés
La fréquence à laquelle le modèle appelle un outil qui n’existe pas dans son environnement. Ici, le meilleur score est le plus bas, et l’écart entre les premiers est infime.
Le classement
Les dix premiers, au 15 septembre 2026.
Le score global est exprimé en pourcentage. Les mentions Max, High et xHigh désignent des variantes de puissance du même modèle : un même nom peut donc apparaître plusieurs fois avec des résultats différents.
| Rang | Modèle | Éditeur | Score |
|---|---|---|---|
| 1 | Claude Fable 5.1 (Max) | Anthropic | 13,71 % |
| 2 | GPT 6 Astra (Max) | OpenAI | 11,54 % |
| 3 | Claude Opus 5 (High) | Anthropic | 10,25 % |
| 4 | Claude Opus 5 (Max) | Anthropic | 10,16 % |
| 5 | Claude Fable 5 (High) | Anthropic | 8,81 % |
| 6 | Claude Opus 4.8 (High) | Anthropic | 8,19 % |
| 7 | GPT 5.6 Sol (xHigh) | OpenAI | 7,10 % |
| 8 | Kimi K3 (Max) | Moonshot | 6,22 % |
| 9 | Claude Sonnet 5 (High) | Anthropic | 5,97 % |
| 10 | GPT 5.5 (xHigh) | OpenAI | 5,03 % |
Trois éditeurs se partagent ce haut de tableau : Anthropic occupe six places, OpenAI trois, et le chinois Moonshot une avec Kimi K3. L’absence de Google et de Meta dans les dix premiers mérite d’être notée, sans être surinterprétée : un classement fondé sur des sessions réelles dépend autant de la diffusion d’un modèle dans les outils agentiques que de ses capacités propres.
Le détail
Aucun modèle n’est premier sur les cinq signaux.
C’est le résultat le plus instructif du classement, et celui qu’un palmarès en une colonne fait disparaître. Le premier du général n’est en tête que sur un signal sur cinq.
Tâche validée
Claude Fable 5.1 (Max)
19,83 %, avec une marge d’incertitude de 2,75 points. Le meilleur taux de tâches explicitement confirmées comme terminées par l’utilisateur.
Retours positifs
GPT 6 Astra (Max)
32,79 %, mais avec une marge de 8,37 points, la plus large du tableau. La satisfaction exprimée est le signal le plus bruité des cinq.
Reprise en main
Claude Opus 4.8 (High)
11,06 %, marge de 2,22 points. Une version antérieure devance ici les modèles plus récents, ce qui rappelle que dernier sorti ne veut pas dire meilleur partout.
Rattrapage d’erreur
Claude Opus 5 (Max)
13,08 %, marge de 0,77 point, la plus resserrée. C’est le signal le plus stable, donc celui sur lequel on peut le plus s’appuyer pour décider.
Outils inventés
Grok 4.6 (xHigh) et plusieurs ex aequo
0,37 %, marge de 0,03 point. Le meilleur score est ici le plus bas, et un modèle absent du top 10 général y figure en tête.
Lecture
Ce que ces chiffres disent, et à quelle condition.
Les écarts sont réels en haut, discutables ensuite
Entre le premier à 13,71 % et le dixième à 5,03 %, l’écart n’a rien d’anecdotique. Entre le troisième à 10,25 % et le quatrième à 10,16 %, il s’agit de deux variantes du même modèle séparées par neuf centièmes de point : les traiter comme des rangs distincts n’a pas de sens pratique. La règle de lecture est simple : regardez les groupes, pas les positions.
Une marge d’incertitude n’est pas un détail de bas de page
Un score de 32,79 % assorti d’une marge de 8,37 points ne se compare pas de la même façon qu’un score de 13,08 % assorti d’une marge de 0,77. Dans le premier cas, la valeur réelle peut se situer n’importe où dans une fourchette large. Un classement qui publie ses marges rend service ; encore faut-il les lire.
Des sessions réelles, donc un biais d’exposition
Observer l’usage réel est la grande force de cette approche : on mesure ce qui se passe vraiment, pas ce qu’un modèle réussit sur des exercices préparés. C’est aussi sa limite. Un modèle peu disponible dans les outils agentiques génère peu de sessions, donc peu de données, et sa place dépend autant de sa diffusion que de ses qualités. Un classement d’usage n’est pas un classement de capacité.
Le palmarès de septembre n’est pas celui d’octobre
Ces résultats décrivent un état daté du 15 septembre 2026. Sur ce marché, une version intermédiaire suffit à redistribuer les places en quelques semaines. Choisir un fournisseur sur la foi d’un classement mensuel revient à choisir un immeuble sur la photo d’un jour de beau temps.
Les angles morts
Cinq critères décisifs que ce classement ignore.
Aucun de ces cinq points n’apparaît dans le score. Ce sont pourtant eux qui font échouer ou aboutir un déploiement en entreprise.
Angle mort 1
Le coût
Les variantes Max et xHigh sont les plus performantes et les plus chères. Sur un agent qui tourne en boucle, la facture se compte au volume de jetons consommés, pas à la qualité d’une réponse isolée. Un modèle deuxième à moitié prix gagne souvent l’arbitrage.
Angle mort 2
Le délai de réponse
Un agent qui réfléchit longuement passe très bien sur un travail de fond et très mal dans une interface où quelqu’un attend. Le classement ne mesure pas le temps, alors que c’est souvent le premier motif de rejet par les utilisateurs.
Angle mort 3
Les données et la conformité
Lieu d’hébergement, durée de conservation, réutilisation pour l’entraînement, engagements contractuels : ces questions ne relèvent pas de la performance mais décident souvent seules du fournisseur retenu.
Angle mort 4
L’écosystème d’outils
Un agent ne vaut que par ce qu’il peut atteindre. Connecteurs disponibles, serveurs MCP existants, qualité des intégrations avec vos logiciels : ce terrain pèse plus lourd que deux points de score.
Angle mort 5
Votre métier
Les sessions observées sont majoritairement techniques. Rien ne garantit que le classement se transpose à la rédaction juridique, au traitement de dossiers ou au support client. Sur votre cas, seul votre propre essai fait foi.
Questions fréquentes
Ce qu’on nous demande sur ces comparatifs.
Faut-il changer de modèle chaque mois ?
Non. Changer de modèle suppose de revalider les consignes, les garde-fous et les cas limites déjà éprouvés : le coût de ce travail dépasse presque toujours le gain de quelques points. Une revue tous les six mois, avec un jeu de cas à vous, suffit dans la très grande majorité des situations.
Que signifient les mentions Max, High et xHigh ?
Ce sont des niveaux de puissance proposés pour un même modèle. La variante la plus élevée raisonne davantage, coûte plus cher et répond plus lentement. Un même nom pouvant apparaître à plusieurs rangs, comparez toujours des variantes comparables avant de conclure.
Un score de 13 % sur la réussite, est-ce mauvais ?
Ce n’est pas un taux de réussite. Il s’agit d’un indicateur relatif, construit à partir de signaux observés dans les sessions, qui sert à classer les modèles entre eux. Le lire comme « l’agent réussit 13 % des tâches » serait un contresens.
Comment tester sérieusement sur son propre cas ?
Constituez une dizaine de tâches représentatives de votre activité, avec le résultat attendu écrit à l’avance. Faites-les passer à deux ou trois modèles, dans les mêmes conditions, et comptez les reprises nécessaires plutôt que votre impression. La méthode est détaillée dans notre article sur l’automatisation d’une tâche avec l’IA.
Aller plus loin
Piloter un agent, ça s’apprend avant de comparer.
Un bon modèle mal encadré produit moins de valeur qu’un modèle correct bien piloté. La formation Claude Cowork traite précisément ce sujet : déléguer des tâches complètes à un agent, poser les droits et les validations humaines, et mesurer le gain réel. Pour les équipes techniques, la formation Claude Code couvre les permissions, les serveurs MCP et l’intégration continue.
Ce que l’IA ne sait pas faire · Les meilleurs outils IA · Le catalogue des formations · Demander un devis
Source : classement Agent d’Arena, arena.ai/leaderboard/agent, données au 15 septembre 2026, portant sur 1 850 083 sessions et 46 modèles. Les scores évoluant au fil des sessions observées, vérifiez les valeurs à la source avant de les citer.