Claude Opus 4.5 lancé avec une baisse de prix de 66 % pour l'IA d'entreprise
Anthropic a lancé Claude Opus 4.5 le 24 novembre 2025, dévoilant son modèle d'intelligence artificielle le plus performant avec une baisse de prix de 66 % pour les utilisateurs de l'API. Ce nouveau modèle phare est conçu pour gérer l'ingénierie logicielle, les agents autonomes et l'analyse approfondie à des coûts d'exploitation nettement réduits. Pour les équipes informatiques d'entreprise et les services en ligne, cette version réduit considérablement le coût en jetons du réusinage de code automatisé, de la recherche complexe et des tâches d'arrière-plan à fort volume.
Ce que cela change pour les équipes d'ingénierie logicielle
Le modèle réduit les coûts d'API de plus de 66 % par rapport aux générations précédentes tout en diminuant la consommation de jetons sur les tâches d'ingénierie complexes. Les tarifs chutent à 5 $ par million de jetons d'entrée et 25 $ par million de jetons de sortie, contre 15 $ et 75 $ pour les modèles phares antérieurs. Les entreprises utilisant des agents de programmation autonomes et des flux de recherche approfondie peuvent désormais exécuter des opérations de production à fort volume pour une fraction de leurs budgets précédents. Les testeurs rapportent que la consommation de jetons pour le réusinage à étapes multiples et la migration de code a été divisée par deux, tandis que les erreurs d'appel d'outils ont chuté de 50 % à 75 %. Dans la modélisation financière et l'automatisation d'Excel, la précision des tâches a progressé de 20 %, tandis que le temps d'exécution est passé de deux heures à trente minutes.
Date de sortie et infrastructure cloud
Anthropic a fixé la date de sortie officielle de Claude Opus 4.5 au 24 novembre 2025, le déployant sur les principales plateformes cloud. Le modèle est immédiatement disponible sur l'API développeur, Claude.ai, Amazon Web Services, Google Cloud et Microsoft Azure via Microsoft Foundry. Dans le cadre d'une expansion stratégique d'infrastructure, Microsoft s'est engagé à investir jusqu'à 5 milliards de dollars et NVIDIA jusqu'à 10 milliards de dollars en fonds propres. Anthropic utilisera 30 milliards de dollars en capacité de calcul Azure et en matériel NVIDIA pour entraîner et héberger des systèmes d'IA de pointe.
Accès à l'API et aux outils développeurs
Les développeurs peuvent accéder au système via l'API en utilisant l'identifiant de modèle claude-opus-4-5-20251101. Le modèle est également disponible en aperçu public dans GitHub Copilot pour les utilisateurs de VS Code. Les outils d'espace de travail plus larges incluent des intégrations avec Claude pour Chrome, Claude pour Excel et des applications de bureau, ainsi que des limites de contexte élargies pour les abonnements d'entreprise. Un nouveau paramètre d'effort offre aux équipes d'ingénierie un contrôle direct sur la profondeur de raisonnement, leur permettant d'abaisser la latence de traitement pour les requêtes simples ou d'augmenter la profondeur de recherche pour les tâches logicielles et de bases de données multicouches.
Performances d'évaluation et de programmation
Lors des tests internes et externes, le système a obtenu des résultats de pointe sur les évaluations d'ingénierie logicielle et de tâches autonomes. Sur l'évaluation SWE-bench Multilingual, le modèle arrive en tête pour 7 des 8 langages de programmation. Sur les tests de programmation Aider Polyglot, il a enregistré un gain de 10,6 % par rapport à Sonnet 4.5, tout en obtenant des scores supérieurs de 29 % sur Vending-Bench. Lors d'un examen d'embauche interne destiné aux candidats au poste d'ingénieur en performance, le modèle a obtenu un score plus élevé, dans la limite de deux heures impartie, que n'importe quel candidat humain dans l'histoire de l'entreprise.
"Claude Opus 4.5 gère les tâches de programmation à long terme plus efficacement que n'importe quel modèle que nous avons testé." — Sean Ward, CEO & Co-founder
Capacités de performance comparées à Sonnet 4.5
Le modèle phare surpasse Sonnet 4.5 dans la planification à long terme, la coordination multi-agents et le réusinage de code complexe. Sur Terminal Bench, le modèle a réalisé un gain de performance de 15 % par rapport à Sonnet 4.5 lors de l'utilisation du mode de planification de Warp. Les agents de bureau autonomes propulsés par le système ont atteint leur niveau de qualité maximal en quatre itérations, alors que les systèmes concurrents n'ont pas réussi à atteindre cette qualité après dix itérations. Les premiers retours des entreprises indiquent que le modèle évite les impasses lors de sessions de programmation autonome de trente minutes et maintient sa cohérence lors de la rédaction narrative à long contexte et du débogage multi-systèmes.
Questions et réponses
Combien coûte le modèle par million de jetons ?
Le tarif est de 5 $ par million de jetons d'entrée et de 25 $ par million de jetons de sortie. Cela représente une réduction de prix de 66 % par rapport aux modèles phares précédents qui coûtaient 15 $ par million de jetons d'entrée et 75 $ par million de jetons de sortie.
Quelles sont les principales fonctionnalités pour les flux de travail d'entreprise ?
Le système introduit un paramètre d'effort pour contrôler le temps de raisonnement, une planification améliorée des tâches multi-étapes et un réusinage solide du code sur plusieurs bases de code. Il diminue les erreurs de build, de lint et d'appel d'outils de 50 % à 75 % tout en offrant des intégrations étendues dans GitHub Copilot, Microsoft Azure et les logiciels bureautiques.
Comment Claude Opus 4.5 se compare-t-il à Sonnet 4.5 ?
Le modèle phare atteint une amélioration de 10,6 % sur Aider Polyglot et un gain de 15 % sur Terminal Bench par rapport à Sonnet 4.5. Il utilise jusqu'à 65 % de jetons en moins pour résoudre des problèmes de programmation complexes, accomplit des flux de travail multi-étapes en moins d'itérations et résout des bogues multi-systèmes complexes que les modèles précédents ne pouvaient traiter de manière fiable.
Le regard de MOZGII
Comment nous le construirions
Nous acheminerions les tâches complexes de restructuration de code et de débogage multi-systèmes via des appels API avec des paramètres d'effort dynamiques. Pour l'analyse statique standard ou les requêtes de base de données simples, nous réglerions l'effort de raisonnement à un niveau bas afin de limiter la latence de traitement. Pour les migrations de code en plusieurs étapes, nous augmenterions la profondeur de recherche et transmettrions directement le contexte du dépôt dans l'invite. Une couche de routage dirigerait les tâches courantes vers des modèles plus légers tout en réservant les niveaux d'effort plus élevés aux longues sessions autonomes.
Nous placerions des ingénieurs humains dans le circuit pour vérifier les demandes de fusion générées par les agents de codage en arrière-plan. Le système flanche lorsque les agents autonomes se trouvent dans une impasse ou interprètent mal la logique métier implicite au sein des anciens dépôts. Pour éviter les dépenses imprévues lors de sessions de trente minutes, nous imposerions des budgets de jetons stricts par exécution. Des développeurs séniors inspecteraient les résultats de la restructuration automatisée avant de fusionner le code dans les branches principales.
Nous suivrions le taux d'achèvement des tâches par dollar dépensé comme principal indicateur pour évaluer le coût des jetons par rapport au temps d'ingénierie économisé. Une fois que la restructuration automatisée du code fonctionnerait de manière fiable avec moins d'erreurs de compilation, nous étendrions cette configuration pour automatiser les tâches de modélisation financière dans les tableurs.
Sources
D’où viennent les faits de cet article.