Les 8 meilleures alternatives à Claude Opus 5 en 2026

Pourquoi on regarde ailleurs que Claude Opus 5

Opus 5 est sorti le 24 juillet 2026 et c'est un modèle solide. Il est numéro un sur l'index, il offre une fenêtre de contexte de 1M sans surcharge pour les longs contextes, et Anthropic a laissé le prix à 5 $ et 25 $ par million de tokens, inchangé depuis Opus 4.5. Il n'y a aucun scandale ici. L'explication de Claude Opus 5 couvre ce qui a réellement changé, et la critique d'Opus 5 montre où le chiffre phare est moins flatteur.

Ce qui pousse les gens à regarder ailleurs est plus précis que « c'est mauvais », et cela se résume à trois choses.

La facture par tâche a augmenté même si le prix affiché n'a pas changé. AA mesure le coût par tâche de l'index à 2,34 $ pour Opus 5 en effort maximal. Son propre prédécesseur, Opus 4.8, atteint 2,03 $ avec le même prix affiché. Même prix par token, mais plus de tokens consommés. C'est la plainte la plus fréquente que j'entends, et elle est fondée. Le détail des prix d'Opus 5 modélise ce que cela représente sur une facture mensuelle.

Il est lent. AA mesure une sortie médiane de 55,7 tokens par seconde. Gemini 3.6 Flash atteint 213,5 sur la même mesure, soit 3,8 fois plus rapide. Pour tout ce qu'un humain attend en le regardant, cet écart, c'est le produit.

Il n'y a pas de poids. Anthropic n'a jamais publié de checkpoint Opus et ne montre aucun signe de le faire. Si votre exigence est de faire tourner le modèle sur votre propre matériel, dans votre propre région, sous vos propres règles de conservation, aucun modèle Claude n'y répond, à aucun prix. C'est la seule raison de la liste qu'Anthropic ne peut pas résoudre avec une remise, et c'est pourquoi deux modèles sous licence MIT figurent dans ce tour d'horizon.

Certains font déjà ce choix, et le compromis qu'ils décrivent est honnête plutôt qu'un gain gratuit :

"I'd assume open weight models hosted on openrouter aren't being run at a loss. As such, I've been experimenting with them lately and results are pretty promising. Requires slightly more patience and handholding than just cranking Opus 5 in Claude Code, but for the cost saving it's definitely worth it."

morgoo, Hacker News

Remarquez ce qui ne figure pas sur cette liste : la capacité. Personne à qui je parle ne quitte Opus 5 parce qu'il n'arrive pas à faire le travail.

Comment j'ai choisi ces huit modèles

Le piège d'un tour d'horizon comme celui-ci est de classer selon le benchmark qui flatte le récit, alors j'ai d'abord fixé la mesure et laissé l'ordre en découler.

Chaque modèle ici est noté par Artificial Analysis sur le même protocole, donc les scores sont comparables plutôt que rapportés par les fournisseurs eux-mêmes. J'ai relevé tous les chiffres de cet article le 5 août 2026. En plus du score d'intelligence, j'ai retenu le coût par tâche terminée d'AA, qui tarife les tokens de raisonnement réellement consommés par un modèle plutôt que le tarif qu'il facture pour eux. Ces deux chiffres divergent constamment, et cette divergence est la partie intéressante.

Chaque modèle devait aussi être accessible dès aujourd'hui, avec un prix publié et sans liste d'attente. J'ai lu les licences, car deux de ces modèles ont des poids ouverts et l'un d'eux est soumis à un seuil de revenus. Là où un fournisseur et AA se contredisaient sur un chiffre, je l'ai signalé plutôt que de choisir le plus flatteur. Un modèle que j'ai exclu pour cette raison est Qwen3.8-Max, qui excelle sur les classements de préférence humaine mais n'apparaît pas du tout sur le tableau d'AA, et ne peut donc pas être comparé sur le même axe que tout le reste ici.

Ce que je n'ai pas fait, c'est faire tourner six mois de trafic de production sur les huit. J'ai lu la documentation, les prix affichés et les mesures indépendantes, et j'ai limité mes affirmations à ce que ces sources soutiennent réellement.

Les meilleures alternatives à Claude Opus 5 en un coup d'œil

Les prix sont par million de tokens, en USD. Les scores, la vitesse et le coût par tâche sont des mesures Artificial Analysis prises le 5 août 2026.

« Connaissance » désigne l'AA-Omniscience Index, qui va de -100 à 100 et mesure si un modèle sait réellement les choses ou s'il les invente avec assurance. Lisez cette colonne deux fois. Le meilleur chiffre s'y élève à 40,2.

1. GPT-5.6 Sol

Idéal pour : rester à deux points d'Opus 5 pour environ la moitié du coût mesuré.

Le modèle phare d'OpenAI est passé en disponibilité générale le 9 juillet 2026 et conserve le prix de son prédécesseur, 5 $ en entrée et 30 $ en sortie par million. Sur le papier, c'est le plus cher des deux. En pratique, AA le mesure à 1,23 $ par tâche de l'index contre 2,34 $ pour Opus 5, car il termine le même travail avec moins de tokens de raisonnement. Mon explication de GPT-5.6 détaille toute la famille, et la page de tarification couvre les niveaux Terra et Luna en dessous.

Où il devance Opus 5. Coût par tâche, de 47 %. Vitesse de sortie, 70,6 tokens par seconde contre 55,7. Le délai avant le premier token en effort moyen est de 6,1 secondes, rapide pour un modèle de raisonnement.

Où non. Score d'index, 58,9 contre 60,7. La fiabilité des connaissances est l'écart le plus large : 21,7 contre 31,3 sur AA-Omniscience. Sur AA-Briefcase, qui mesure le travail agentique sur de longues durées, Sol en effort maximal obtient 1502 Elo tandis qu'Opus 5 en effort maximal obtient 1719. Si votre charge de travail est un long parcours d'agent plutôt qu'une réponse unique, c'est cet écart qui compte.

Tarifs. 5,00 $ entrée, 30,00 $ sortie, 0,50 $ cache hit, par million de tokens. Contexte de 1M.

Verdict. Le meilleur remplacement direct de cette page. Deux points d'index pour la moitié de la facture est un compromis que la plupart des équipes devraient accepter, à condition de vérifier l'écart de connaissance avec vos propres évaluations plutôt qu'avec les miennes.

2. Kimi K3

Idéal pour : le travail d'agent sur de longues durées pour un tiers du coût.

Le modèle phare de Moonshot AI a été lancé le 16 juillet 2026 : 2 800 milliards de paramètres dont 104 milliards actifs, une fenêtre de 1 048 576 tokens, et des poids publiés dans les délais deux semaines plus tard. AA le note à 57,1 et, plus utile encore, à 0,86 $ par tâche. Mon aperçu de Kimi K3 va plus loin, et il existe un tour d'horizon des alternatives dédié si c'est votre point de départ plutôt que votre destination.

Où il devance Opus 5. Prix par tâche, 2,7 fois plus bas. Poids publiés, ce qu'aucun modèle Claude n'offre. Sur AA-Briefcase, il obtient 1541 Elo, au-dessus des 1502 de GPT-5.6 Sol, et tient donc bon précisément sur les longs parcours d'agent où l'on s'attendrait à voir un modèle moins cher s'effondrer.

Où non. La vitesse de sortie est le point faible, à 37,1 tokens par seconde, la plus lente de ce tour d'horizon. La fiabilité des connaissances est de 18,4. Le raisonnement ne peut être désactivé à aucun niveau d'effort, et le palier d'entrée n'autorise que 3 requêtes par minute, ce qui prend beaucoup de gens au dépourvu.

Tarifs. 3,00 $ entrée, 0,30 $ cache hit, 15,00 $ sortie, par million de tokens. Pas de palier batch.

Verdict. Le meilleur rapport score/prix du top 4, et le choix quand votre agent tourne pendant des minutes plutôt que des secondes. Ne le placez simplement pas là où quelqu'un observe le curseur.

3. Claude Fable 5

Idéal pour : la seule chose où Opus 5 n'est pas le meilleur.

Le haut de gamme d'Anthropic est le seul modèle de ce tour d'horizon à obtenir un meilleur score qu'Opus 5 sur la fiabilité des connaissances : 40,2 contre 31,3, le meilleur chiffre du tableau. C'est aussi celui qui coûte le plus par tâche, 3,15 $, et son score d'index de 59,9 est légèrement inférieur aux 60,7 d'Opus 5. Ce n'est donc pas simplement le modèle le plus grand. Ma comparaison Opus 5 face à Fable 5 détaille où chacun l'emporte.

Les retours des utilisateurs vont dans les deux sens sur ce duo, ce qui correspond bien à un écart de 0,8 point vu de près :

"I also have preferred Opus 5 to Fable 5 for most things. Fable is way better than Opus 4.8 for me - it just produces much more complete work in one shot reliably. But when Opus 5 came out, I found that I was getting the same results as Fable, just faster and cheaper."

tilleryj, Hacker News

Où il devance Opus 5. Connaissance, de 8,9 points. Vitesse, 73,8 tokens par seconde contre 55,7. Même contexte de 1M, mêmes outils, même SDK, donc changer revient juste à modifier le nom du modèle.

Où non. Coût, 1,35 fois par tâche et 2 fois sur le prix affiché. Score d'index, de 0,8 point, ce qui reste dans la marge de bruit mais mérite d'être su avant de payer le double pour cela. AA-Briefcase place Fable 5 à 1574 Elo contre 1719 pour Opus 5 en effort maximal.

Tarifs. 10,00 $ entrée, 50,00 $ sortie, 1,00 $ cache hit, par million de tokens.

Verdict. Ce n'est pas un choix économique, ni une montée en gamme générale. Recourez-y quand une réponse fausse avec assurance coûte de l'argent réel et que vous avez déjà épuisé le retrieval comme solution.

4. Claude Sonnet 5

Idéal pour : rester chez Anthropic en dépensant moins, avec une réserve.

Sonnet 5 est le cran inférieur évident au sein de la famille : 2 $ en entrée et 10 $ en sortie par million, contexte de 1M, la même API. C'est aussi l'exemple le plus clair de pourquoi le prix affiché trompe. Les tokens de sortie sont 60 % moins chers que ceux d'Opus 5. Le coût par tâche terminée n'est que 27 % moins cher, à 1,72 $ contre 2,34 $, parce que Sonnet 5 a besoin de bien plus de tours pour y arriver. Mon article Opus 5 face à Sonnet 5 donne le nombre de tours.

Où il devance Opus 5. Vitesse de sortie, 83,0 tokens par seconde, le Claude le plus rapide ici. Moins cher à la fois sur le prix affiché et sur la tâche mesurée.

Où non. Un score d'index de 53,4 contre 60,7 est le plus grand écart de tous les modèles de la première moitié du tableau. La fiabilité des connaissances est de 15,3, moins de la moitié de celle d'Opus 5. Sur AA-Briefcase, il obtient 1385 Elo contre 1719.

Tarifs. 2,00 $ entrée, 10,00 $ sortie, 0,20 $ cache hit, par million de tokens, jusqu'au 31 août 2026. À partir du 1er septembre, ce sera 3,00 $ et 15,00 $. Tout modèle de coût basé sur le tarif actuel expire dans moins de quatre semaines.

Verdict. Une économie modeste pour une réelle baisse de capacité, et l'économie se réduit encore en septembre. Cela vaut le coup pour un travail à fort volume et faible enjeu. Basez vos calculs sur le tarif de septembre, pas sur l'actuel.

5. Gemini 3.6 Flash

Idéal pour : tout ce qui a une personne qui attend au bout de la ligne.

Le modèle Flash, cheval de bataille de Google, a été lancé le 21 juillet 2026 et c'est le plus rapide de ce tour d'horizon à 213,5 tokens par seconde, soit 3,8 fois Opus 5. Il coûte 0,56 $ par tâche. Tous les détails dans l'article sur Gemini 3.6 Flash, plus une liste d'alternatives séparée si vous faites vos achats dans la gamme de Google.

Où il devance Opus 5. Vitesse, de loin. Coût par tâche, 4,2 fois plus bas. Un tarif d'entrée unique pour le texte, l'image, la vidéo, l'audio et le PDF, ce qui est inhabituel et utile quand vos entrées sont hétérogènes. Une fiabilité des connaissances de 23,5 est correcte pour cette gamme de prix, et meilleure que les 21,7 de GPT-5.6 Sol.

Où non. Un score d'index de 50,1 est 10,6 points en dessous. AA-Briefcase le place à 962 Elo, donc les longs parcours d'agent ne sont pas son fort. La sortie plafonne à 65 536 tokens malgré la fenêtre d'entrée de 1M.

Tarifs. 1,50 $ entrée, 7,50 $ sortie, 0,15 $ cache hit, par million de tokens. Le batch coûte moitié moins.

Verdict. La bonne réponse chaque fois que la latence est le produit. Chat en direct, autocomplétion, tout ce qui est diffusé en flux vers un utilisateur. Pas la bonne réponse pour un agent sans supervision effectuant un travail à plusieurs étapes.

6. Grok 4.5

Idéal pour : réduire les dépenses sans sacrifier la mémoire.

Le modèle de xAI est ici le choix discret en matière de rapport qualité-prix. Il obtient 53,8 sur l'index à 0,36 $ par tâche, 6,4 fois en dessous d'Opus 5, et sa fiabilité des connaissances de 26,4 est le troisième meilleur chiffre de cette page, devant Gemini 3.6 Flash, GPT-5.6 Sol et tous les modèles à poids ouverts du tour d'horizon. Mon aperçu de Grok 4.5 couvre le tableau plus large.

Où il devance Opus 5. Coût par tâche, 6,4 fois. Vitesse de sortie, 61,3 tokens par seconde contre 55,7. Avec une entrée à 2 $ et une sortie à 6 $, c'est l'un des prix affichés les plus bas parmi les modèles fermés.

Où non. Un score d'index de 53,8 est 6,9 points en dessous. Le contexte plafonne à 500K, moitié moins que tout le reste ici, ce qui compte si vous lui donnez des dépôts entiers ou de longs historiques de tickets. AA-Briefcase le note à 1314 Elo.

Tarifs. 2,00 $ entrée, 6,00 $ sortie, 0,30 $ cache hit, par million de tokens.

Verdict. Sous-estimé sur l'axe qui compte le plus pour le travail de support. Si vous descendez de gamme et craignez que le modèle n'invente des choses, c'est le premier à tester.

7. GLM-5.2

Idéal pour : des poids ouverts rapides avec une licence que votre avocat ne remettra pas en question.

Le modèle phare de Z.ai est sous licence MIT, obtient 51,1 sur l'index, et tourne à 182,7 tokens par seconde, juste derrière Gemini 3.6 Flash. À 0,57 $ par tâche, il est 4,1 fois moins cher qu'Opus 5. Il y a plus de détails sur le déploiement dans mon article GLM-5.2 pour les entreprises.

Où il devance Opus 5. Poids ouverts sous MIT, la licence commerciale la plus nette qui existe et la seule exigence qu'aucun modèle Claude ne peut satisfaire. Vitesse, 3,3 fois. Coût, 4,1 fois. Contexte complet de 1M.

Où non. La fiabilité des connaissances est de 4,0, le chiffre le plus bas noté de ce tour d'horizon et très en dessous des 31,3 d'Opus 5. Le score d'index est 9,6 points en dessous. La sortie plafonne à 128K.

Tarifs. 1,35 $ entrée, 4,29 $ sortie, 0,23 $ cache hit, par million de tokens, sur l'API hébergée. L'auto-hébergement est gratuit en licence et coûteux en matériel, et mon tour d'horizon des agents IA open source couvre ce que cela implique réellement.

Verdict. La meilleure option à poids ouverts si vous voulez de la vitesse et une licence permissive. Traitez ce score de connaissance comme une contrainte dure : c'est un modèle auquel donner des documents, pas un modèle à interroger.

8. DeepSeek V4 Flash

Idéal pour : le plancher.

La version 0731 est entrée en bêta publique le 31 juillet 2026, et c'est le modèle sérieux le moins cher du tableau, d'un ordre de grandeur. AA le note à 49,9, dix points en dessous d'Opus 5, à 0,03 $ par tâche de l'index. Les poids sont sous MIT, environ 167 Go, avec 57 quantisations communautaires disponibles. Mon article sur DeepSeek V4 Flash et le détail des prix entrent dans les modes.

Où il devance Opus 5. Prix, 86 fois par tâche. Poids MIT. Contexte de 1M avec un plafond de sortie de 384K, le plus élevé ici. Vitesse de sortie de 122,7 tokens par seconde, plus du double d'Opus 5. Cache hits à 0,0028 $ par million.

Où non. Le score d'index est 10,8 points en dessous, et l'écart s'élargit si la configuration est mal réglée : le tableau de DeepSeek lui-même montre Flash à HLE 8,1 sans raisonnement et 34,8 en effort maximal. Mêmes poids, exécutions différentes. AA n'a pas noté la version 0731 sur Omniscience, il faut donc considérer sa fiabilité des connaissances comme non mesurée plutôt que bonne. Une surtaxe de 2x aux heures de pointe est annoncée sans date de début.

Tarifs. 0,14 $ entrée, 0,0028 $ cache hit, 0,28 $ sortie, par million de tokens.

Verdict. Imbattable sur le coût, et la raison d'être prudent n'est pas la qualité. Les conditions de l'API payante de DeepSeek restent silencieuses sur l'usage pour l'entraînement plutôt que de le limiter, il n'existe aucun DPA publié ni option de rétention zéro, et les données relèvent du droit chinois. C'est une question d'achat avant d'être une question technique.

L'écart entre ce que mesurent ces graphiques et ce que demandent vos utilisateurs

Anthropic a publié ses propres graphiques coût contre score au lancement, et ils racontent la même histoire sur chaque benchmark : la frontière a une pente douce, et grimper le dernier tronçon coûte cher.

Voici ce qu'aucun de ces éléments ne mesure. Chaque évaluation de cette page teste une capacité générale. Aucune d'elles ne teste si le modèle sait que votre offre entreprise inclut le SSO, ou que vous avez arrêté de livrer en Norvège en mars.

C'est pourquoi le réflexe « utilisez simplement un modèle plus intelligent » continue de décevoir ceux qui l'essaient :

"At work I am sitting on a small pile of incomplete/wrong/missing-the-point bug reports right now, all generated by Opus 5 on High effort. Even under good conditions, LLMs are still wrong quite a lot, and confidently so."

monitron, Hacker News

J'ai vu ce scénario se répéter assez souvent pour en reconnaître la forme. Un opérateur écrit dans les instructions de l'agent, en plein service, quelque chose comme :

"arrêtez de promettre aux clients des choses qu'on ne peut pas tenir. on ne peut pas garantir à ce client que sa commande arrivera vendredi"

C'est une vraie correction, venant d'une responsable support e-commerce qui observait une IA promettre des délais de livraison excessifs aux clients. Et voici ce qui la rend digne d'être citée dans un article sur le choix de modèle : aucun changement de modèle sur cette page ne corrige cela. Le modèle n'était pas confus. Il était fluide, sûr de lui, et ignorant d'un fait qui vivait dans les opérations de l'entreprise, pas dans ses poids.

Une autre équipe avec qui j'ai travaillé, un service support danois de télématique automobile sur Zendesk traitant environ 200 tickets par mois, a heurté le même mur par l'autre bout. Leur bot confirmait joyeusement la prise en charge de marques de voitures absentes de leur base de données, parce que l'article du centre d'aide disait qu'ils prenaient en charge « tous les modèles ». Le modèle a lu le document correctement. Le document était faux. Passer de 50 à 60 sur un index d'intelligence ne change rien à cela, ce qui est l'argument pour tester votre base de connaissances plutôt que le modèle.

C'est pourquoi la colonne AA-Omniscience compte plus que la colonne index pour le travail de support, et pourquoi même le meilleur chiffre qu'elle contient, le 40,2 de Fable 5, n'est pas une solution. La solution est architecturale : ancrer les réponses dans vos propres documents, citer la source, et se retenir quand la confiance est faible. C'est ce dont il est vraiment question dans la gestion de l'escalade IA, qui se situe une couche au-dessus du modèle que vous finissez par choisir. La mécanique du transfert lui-même est couverte dans les bonnes pratiques de transfert d'agent.

Si vous choisissez un modèle spécifiquement pour une file de support, ce qui décide du résultat, c'est la qualité du retrieval, le seuil de confiance, et la façon dont vous testez avant la mise en production. L'assurance qualité de l'IA en support couvre le volet des tests.

Pour le volet grounding, commencez par la prévention des hallucinations. Cette couche est aussi ce qui distingue un véritable agent d'un chatbot à règles, quelle que soit la qualité du modèle en dessous.

Essayer eesel

Choisir entre Opus 5 et ces huit alternatives est une vraie décision, et j'espère que le tableau ci-dessus la rend plus rapide à prendre. Mais ce n'est pas la décision qui déterminera si votre support IA fonctionne réellement.

eesel se situe au-dessus du modèle. Il apprend des tickets que votre équipe a déjà résolus, ancre chaque réponse dans votre centre d'aide et vos documents internes, et reste silencieux sur tout ce dont il n'est pas sûr plutôt que de deviner. Vous pouvez le faire tourner sur vos derniers milliers de tickets historiques avant qu'un seul client ne le voie, ce qui est le seul test qui vous dit vraiment quel sera votre taux de résolution. Il se connecte à Zendesk, Freshdesk, Gorgias, HubSpot et les autres en quelques minutes, et la tarification se fait par ticket résolu plutôt que par siège, donc la facture suit le travail réel. La plupart des équipes le dirigent d'abord vers la déflexion de niveau 1, là où l'automatisation du service client se rentabilise le plus vite.

Si vous comparez déjà les modèles sur le coût par tâche, le même calcul appliqué une couche plus haut donne le coût par résolution, et c'est le chiffre que votre équipe finance vous demandera. Il y a un détail plus complet dans le coût du service client IA, et si vous préférez commencer par des brouillons plutôt que par l'autonomie, le copilote IA pour le support est le point d'entrée le moins risqué.

Essayer eesel gratuitement, ou réservez une démo et je le ferai d'abord tourner sur l'historique de vos propres tickets.

Mon avis

Si je devais résumer cela en trois lignes.

Optez par défaut pour GPT-5.6 Sol si la raison de votre venue ici est la facture. Il accuse 1,8 point de retard sur l'index et coûte 47 % moins cher par tâche, ce qui est le meilleur compromis de la page, et son tarif de sortie plus élevé le fait paraître comme la mauvaise réponse jusqu'à ce que vous vérifiiez la mesure.

Optez par défaut pour Gemini 3.6 Flash si la raison est la latence, et pour DeepSeek V4 Flash si vous voulez que la facture disparaisse. Lisez d'abord les conditions de données de DeepSeek, car le silence qu'elles contiennent est le vrai coût.

Et restez sur Opus 5 si la raison de votre recherche est qu'il s'est trompé sur quelque chose. Changer de modèle vous déplace de quelques points sur une échelle de 100 points où le meilleur score est 40. Ancrer les réponses dans vos propres documents vous déplace considérablement plus que cela, et cela fonctionne quel que soit le modèle que vous finissez par appeler. Mon tour d'horizon des alternatives à Claude couvre la famille plus large si vous voulez continuer à chercher, et l'IA pour le service client couvre la couche qui fait réellement le travail.