Français
Les guerres de la programmation avec l’IA ont atteint le stade où tout le monde a un trophée et où personne ne peut expliquer pourquoi il y a autant de podiums. Claude Opus 4.6, GPT-5.4 et Gemini 3.1 Pro affichent tous des résultats impressionnants en mars 2026. Ce qui est frustrant, c’est que ces résultats ne donnent pas une réponse unique et nette à la question : « Quel abonnement devrais-je garder ? »
Cela ne prouve pas que les modèles sont identiques, ni que tous les écarts se situent dans une marge d’erreur mesurée. Cela signifie que choisir un assistant de programmation demande plus que de repérer le plus grand nombre sur une capture d’écran. La concurrence fonctionne. Malheureusement, elle n’a pas aboli les devoirs.
Les chiffres ne mentent pas, mais les intitulés comptent
SWE-bench Verified évalue la résolution de problèmes logiciels. Terminal-Bench évalue des tâches exécutées dans un terminal. ARC-AGI-2 utilise des énigmes de raisonnement abstrait. Ces examens ne sont pas interchangeables, et les outils, les instructions et l’effort alloué à un agent influencent aussi son score.
Quelques résultats illustratifs disponibles au 25 mars :
- SWE-bench Verified : la fiche de modèle de Google publiée en février indique 80,6 % pour Gemini 3.1 Pro et 80,8 % pour Opus 4.6. Des chiffres proches sur ce test constituent une observation utile, pas une déclaration d’égalité des modèles en tout.
- SWE-bench Pro, jeu de données public : OpenAI annonce 57,7 % pour GPT-5.4. Google annonce 54,2 % pour Gemini 3.1 Pro. Ce sont les résultats publiés par les fournisseurs respectifs, pas une nouvelle comparaison contrôlée réalisée pour cet article.
- Terminal-Bench 2.0 : OpenAI annonce 77,3 % pour GPT-5.3-Codex et 75,1 % pour GPT-5.4. Le tableau de Google présente séparément les résultats obtenus avec la configuration d’agent Terminus-2 et les meilleures configurations annoncées par les autres fournisseurs. Mélanger ces lignes dans une course supposément uniforme fait disparaître une nuance importante.
Les sources sont la fiche de modèle de Gemini 3.1 Pro et l’annonce de GPT-5.4 publiée par OpenAI le 5 mars. Considérez-les comme des éléments utiles assortis de notes de bas de page, pas comme une consigne d’acheter le vainqueur de chaque colonne.
Autre complication : en février, OpenAI a publié un audit de SWE-bench Verified qui relevait des problèmes de qualité des tests et de contamination des données d’entraînement. L’entreprise recommandait SWE-bench Pro tout en reconnaissant que Pro n’était pas parfait non plus. Voilà une raison d’examiner les tests, pas de remplacer un classement sacré par un autre.
Et ARC-AGI-2 ? Un résultat de raisonnement intéressant, certes. Une mesure directe de la capacité d’un assistant à corriger votre bug d’authentification ? Non. La vitrine à trophées a besoin d’étagères séparées.
Pourquoi il n’y a pas de vainqueur universel
Changer l’agent qui entoure un modèle peut modifier sa façon de chercher dans un dépôt, d’éditer des fichiers, de lancer des tests et de se remettre de ses erreurs. Les réglages de raisonnement, les limites de temps et le contexte disponible comptent aussi. Le nom d’un modèle ne décrit pas, à lui seul, l’ensemble du système de travail.
Une sélection utile en mars comprend Opus 4.6 pour les tâches de programmation exigeantes, GPT-5.4 et GPT-5.3-Codex pour la programmation et les flux de travail avec des agents, ainsi que Gemini 3.1 Pro comme autre candidat sérieux. C’est une sélection à évaluer, pas un partage permanent dans lequel une entreprise posséderait l’architecture, une autre les terminaux et une troisième le raisonnement.
Une grande fenêtre de contexte peut être utile, mais faire entrer davantage de fichiers dans une consigne ne garantit pas la compréhension de toutes les interactions d’un dépôt. La question pratique est de savoir si l’assistant trouve le code pertinent et apporte une modification correcte que l’on peut examiner. Une fenêtre d’un million de tokens est une capacité, pas un diplôme.
La guerre des prix est un argument plus utile
Lors du lancement de février, Anthropic affichait Opus 4.6 à 5 dollars par million de tokens en entrée et 25 dollars par million de tokens en sortie. Comparez cela au palier de 2 dollars en entrée et 12 dollars en sortie pour les requêtes Gemini 3.1 Pro jusqu’à 200 000 tokens dans la tarification de l’API Google.
Cette comparaison donne à Opus un tarif d’entrée 2,5 fois plus élevé et un tarif de sortie environ 2,08 fois plus élevé. Pas dix fois plus élevé. L’entrée et la sortie ne sont pas non plus interchangeables : une longue consigne accompagnée d’une réponse courte ne donne pas la même facture qu’une consigne courte suivie de pages de code généré.
Ce sont des tarifs de tokens d’API, pas des prix d’abonnements mensuels à un chat. La mise en cache, les paliers de contexte long, les remises pour le traitement par lots, l’utilisation d’outils et la quantité de raisonnement généré peuvent modifier la facture. Le chiffre qui compte en pratique se rapproche davantage du coût par résultat accepté : combien a-t-il fallu dépenser pour obtenir une modification qui réussit les vérifications pertinentes et mérite d’être conservée ?
Un modèle bon marché qui nécessite plusieurs tentatives infructueuses peut coûter cher. Un modèle haut de gamme utilisé pour classer une liste par ordre alphabétique peut devenir une fonction de tri d’un coût impressionnant. Aucun de ces résultats n’a besoin d’une explication fondée sur une guerre de marques.
Les poids ouverts changent les options, pas la facture d’électricité
Qwen3-Coder-Next est un modèle de programmation à poids ouverts qui compte 80 milliards de paramètres au total et 3 milliards de paramètres actifs. Le nombre de paramètres actifs aide à décrire ses calculs ; il ne signifie pas que le modèle complet a les besoins de stockage d’un téléchargement de trois milliards de paramètres.
L’annonce de M2.5 par MiniMax fait état de 80,2 % sur SWE-bench Verified et décrit les offres standard et Lightning, plus rapide. Là encore, c’est le résultat publié par le développeur, avec les mêmes réserves concernant le test que pour les scores des modèles fermés ci-dessus.
Pouvoir exécuter les poids soi-même est précieux pour le contrôle et l’expérimentation. Cela ne revient pas à les faire tourner gratuitement sur n’importe quel ordinateur personnel. Le matériel, la mémoire, l’électricité, l’installation des logiciels et la maintenance existent toujours. Le GPU n’accepte pas « mais les poids étaient gratuits » comme moyen de paiement.
L’idée du routage : choisir selon la tâche
Une configuration à plusieurs modèles confie des travaux différents à des modèles différents, ou essaie un autre modèle lorsqu’une première tentative échoue. L’analyse du routage par IDC prévoit que d’ici 2028, 70 % des entreprises de premier plan axées sur l’IA utiliseront des architectures avancées à plusieurs outils pour gérer le routage. C’est une prévision concernant un groupe précis, pas la preuve que 70 % de toutes les entreprises le font déjà.
La logique est simple : on n’utilise pas une masse pour accrocher un cadre. Une expérience raisonnable pourrait confier les rédactions simples à un modèle moins cher et réserver une configuration plus puissante aux modifications difficiles. Mais « économique », « milieu de gamme » et « haut de gamme » sont des choix pour une charge de travail, pas des postes attribués définitivement à certaines marques.
Une minuscule démonstration de routage peut être facile à coder. Un système fiable a aussi besoin d’une évaluation utile, de solutions de repli raisonnables et d’un moyen de remarquer quand l’option économique produit discrètement un travail moins bon. Il n’existe pas d’économie automatique de 60 à 85 % sans perte de qualité, et rien n’impose à chaque développeur individuel de construire un routeur.
Ce que cela signifie pour les laboratoires d’IA
Même sans égalité universelle des capacités, les prix et le produit qui entoure le modèle comptent. La profondeur d’intégration. Les outils pour développeurs. L’assistance. La façon dont l’API gère les pics à trois heures du matin. L’adéquation de l’assistant avec la façon dont une équipe examine et teste le code. Tout ce qui ne tient pas proprement dans une barre de graphique de résultats.
Les trois entreprises peuvent trouver des résultats à mettre en avant dans une annonce de lancement. Cela ne donne pas la même portée à toutes les affirmations marketing et ne rend pas chaque modèle aussi adapté que les autres. Cela fait de la lecture des petites lignes une compétence étonnamment pratique pour les développeurs.
Ce qu’il faut essayer sur votre propre travail
Si vous choisissez un assistant de programmation en mars 2026, commencez par quelques tâches représentatives plutôt que par une allégeance :
- Un bug dont la cause est connue et qu’un test détecte.
- Une fonctionnalité qui touche plusieurs fichiers liés.
- Une tâche qui fait intervenir vos véritables outils de terminal et les conventions du projet.
- Un travail courant pour lequel une option moins chère pourrait suffire.
Comparez l’exactitude, l’effort de révision, le temps et le coût total. Consignez le modèle et les réglages de l’agent pour savoir ce que vous avez réellement testé. Pour davantage de contexte sur les outils spécialisés, consultez notre article sur le propre modèle de programmation de Cursor (en anglais).
Le résultat utile des guerres de la programmation avec l’IA n’est pas un vainqueur permanent. C’est la permission d’arrêter de débattre du meilleur modèle et de demander lequel fonctionne le mieux pour ce travail précis. Votre dépôt a le droit de ne pas être du même avis qu’Internet.
Traduction française de l’article original en anglais du 2026-03-25. Traduction réalisée avec l’aide de l’IA le 2026-11-02 ; les références temporelles restent celles de l’original.
