Claude Opus 5 : Anthropic divise par deux le prix de l’IA de pointe — ce que ça change pour les agents IA de votre PME

Le 24 juillet 2026, Anthropic a lancé Claude Opus 5, au tarif de 5 $ par million de tokens en entrée et 25 $ par million en sortie — inchangé par rapport au précédent Opus 4.8, mais deux fois moins cher que son grand frère Fable 5 (10 $/50 $ par million de tokens), tout en se plaçant à un ou deux points de Fable 5 sur les benchmarks de code et d’agents comme SWE-bench. VentureBeat et CNBC dressent le même constat : une intelligence proche du haut de gamme à un tarif intermédiaire. Pour toute PME qui fait déjà tourner des agents IA en production, ou qui a mis un projet de côté parce que le coût par requête rendait le calcul trop juste, c’est la troisième fois en 2026 que le prix du modèle sous-jacent bouge assez pour mériter un nouveau calcul.

Ce qui change concrètement depuis le 24 juillet

• →Le tarif reste à 5 $/25 $ par million de tokens en entrée/sortie — identique à Opus 4.8 — mais Opus 5 approche désormais les performances de Fable 5 sur des tâches réelles de code et de raisonnement, pour moitié moins cher.
• →Un nouveau curseur « effort » (faible, moyen, élevé) permet de choisir, tâche par tâche, combien de raisonnement le modèle mobilise avant de répondre — une passe rapide et économique pour les requêtes simples, une passe plus lente et plus coûteuse pour les cas qui l’exigent.
• →L’économie affichée n’est pas l’économie réelle : des tests indépendants de développeurs montrent qu’Opus 5 consomme davantage de tokens par tâche que Fable 5, ramenant le gain réel sur la facture à environ 20 %, et non 50 % — à vérifier sur vos propres usages avant de rebudgétiser.
• →Opus 5 est livré sans conservation obligatoire des données côté API, un détail que les acheteurs en entreprise soumis à des exigences de confidentialité ou de conformité regarderont de plus près que les scores de benchmark.

Pourquoi un curseur de coût, pas seulement un modèle moins cher

Le curseur « effort » n’est pas un argument marketing — il reflète un arbitrage documenté dans le fonctionnement de ces modèles. Une étude de 2024 de Charlie Snell, Jaehoon Lee, Kelvin Xu et Aviral Kumar, Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters, montre que laisser un modèle « réfléchir plus longtemps » au moment de répondre — plutôt que de simplement utiliser un modèle plus gros — peut égaler ou dépasser la précision d’un modèle bien plus volumineux sur des problèmes difficiles, pour une fraction du coût, à condition que ce calcul supplémentaire ne soit dépensé que là où la tâche en a réellement besoin. C’est exactement ce qu’un curseur d’effort permet à une entreprise de décider elle-même : rapide et bon marché pour les requêtes courantes, lent et soigné pour celles où une erreur coûte cher.

Ce que ça change pour votre PME

Chaque agent que nous mettons en production fait déjà ce choix par cas d’usage, pas par contrat : un agent de tri d’emails entrants tourne sur une passe rapide et peu coûteuse, car une mauvaise classification se corrige à peu de frais, tandis qu’un agent de veille réglementaire résumant un texte de loi, ou un agent de support client traitant une réclamation, justifie une passe plus lente et plus prudente, car une erreur y coûte plus cher que les tokens économisés. Si vous avez mis un projet d’agent IA de côté cette année parce que le coût par requête prévu rendait le retour sur investissement trop juste, le calcul mérite d’être refait maintenant — sur vos propres volumes, pas sur le chiffre affiché dans l’annonce. Et si vos agents traitent déjà des informations sensibles — contrats, dossiers clients, données financières —, l’absence de conservation obligatoire des données est un argument de plus pour revoir quel niveau de modèle chacun de vos agents utilise réellement.

Avant de rebudgétiser : quatre vérifications concrètes

• →Sortez votre volume mensuel actuel de tokens par agent (entrée et sortie séparément) avant de comparer le tarif au million de tokens d’Opus 5 à ce que vous payez aujourd’hui — le prix affiché seul ne dit rien de votre facture réelle.
• →Testez la même tâche aux trois niveaux d’effort (faible, moyen, élevé) sur un échantillon de requêtes réelles, et mesurez à la fois la qualité de la réponse et le nombre de tokens réellement consommés à chaque niveau.
• →Pour tout agent touchant à des données confidentielles ou réglementées, vérifiez si les conditions d’Opus 5 sur la non-conservation des données changent votre accord de traitement des données ou votre documentation RGPD.
• →Ne relancez pas un projet mis en attente sur la seule foi de l’annonce : refaites le calcul de retour sur investissement sur vos volumes réels avant de conclure que la donne a vraiment changé.

Le chiffre à retenir de ce lancement n’est pas 5 $ ou 25 $ par million de tokens — c’est que le coût de faire tourner un agent IA continue de bouger, dans les deux sens, plusieurs fois par an désormais. Une PME qui revoit l’économie de ses agents à chaque nouveau modèle garde une longueur d’avance sur celles qui fixent un budget une fois pour toutes et n’y reviennent jamais.