Anthropic lance Claude Opus 4.6 avec une fenêtre de contexte de 1 million de tokens
Anthropic a officialisé la date de sortie de Claude Opus 4.6 le 5 février 2026, déployant son modèle d'IA le plus puissant avec une intégration native d'Office. Cette mise à jour introduit en version bêta une fenêtre de contexte de 1 million de tokens pour traiter des bases de code et des dossiers de recherche complexes. Accessible via API et sur le Web, le modèle optimise les flux de travail d'entreprise sans modifier sa grille tarifaire de base.
Ce que la fenêtre de contexte de 1M de tokens apporte aux données d'entreprise
Anthropic introduit une fenêtre de contexte de 1 million de tokens en version bêta pour son modèle phare, marquant la première fois qu'un système de classe Opus gère une telle capacité. Sur l'API, le système s'appuie sur la compaction de contexte pour résumer sa propre mémoire opérationnelle, permettant à des tâches d'agents de longue durée de s'exécuter en continu sans dépasser les limites. Les équipes de développement logiciel et de recherche institutionnelle peuvent ainsi charger des bases de code intégrales, des historiques financiers ou des dossiers juridiques multi-sources dans une seule session active. Thomson Reuters a indiqué que cette performance à long contexte permet aux systèmes d'entreprise d'analyser des volumes d'information nettement plus vastes avec une grande cohérence dans les flux de recherche complexes.
Performances et benchmarks face aux modèles concurrents
Sur l'évaluation GDPval-AA, qui mesure le travail intellectuel à valeur économique dans le domaine juridique et financier, le nouveau moteur surpasse GPT-5.2 d'OpenAI d'environ 144 points Elo. Dans la comparaison entre Claude Opus 4.6 et 4.5 sur cette même suite de tests, la version actualisée devance son prédécesseur de 190 points Elo. Le modèle enregistre également le meilleur score de l'industrie sur Terminal-Bench 2.0 pour la programmation autonome complexe, devance l'ensemble de ses concurrents sur BrowseComp pour la recherche en ligne, atteint 90,2 % sur BigLaw Bench et affiche une progression de 10 points de pourcentage sur les tests Box d'entreprise, passant de 58 % à 68 %.
Intégration native d'Office et outils d'automatisation des flux de travail
Anthropic a considérablement amélioré Claude dans Excel et publié une version préliminaire de Claude dans PowerPoint, étendant ainsi ses fonctionnalités natives de productivité bureautique. Intégrée au sein de Cowork, l'IA exécute de manière autonome des tâches multiples sur des feuilles de calcul, des présentations et des documents sans nécessiter d'instructions permanentes. Dans Figma Make, le modèle traduit dès la première tentativa des conceptions multicouches complexes en code applicatif fonctionnel. Les ingénieurs logiciels peuvent constituer des équipes d'agents dédiées dans Claude Code pour exécuter en parallèle des tâches à plusieurs niveaux, tandis que les développeurs gèrent la latence opérationnelle et les dépenses d'API grâce au paramètre de contrôle /effort, permettant de basculer entre des niveaux de raisonnement moyen et élevé.
Quels changements pour les équipes d'ingénierie d'entreprise ?
Pour les éditeurs de logiciels, cette version réduit la supervision manuelle en permettant à des sous-agents autonomes de réaliser de la programmation à long terme, de la revue de code et du débogage système sur de vastes répertoires. Les évaluations menées par des partenaires révèlent des gains d'efficacité opérationnelle marqués sur plusieurs plateformes, notamment Asana, Notion, Windsurf et Cursor. Cognition signale un taux de détection de bugs plus élevé dans Devin Review, tandis que Bolt.new confirme que le modèle a généré un moteur physique complet en une seule passe. Rakuten indique que le système a résolu de façon autonome 13 tickets GitHub et réorienté 12 autres vers les collaborateurs adéquats sur six répertoires en une seule journée. Enfin, lors de tests de cybersécurité menés par NBIM sur 40 investigations, le modèle a obtenu les meilleurs résultats dans 38 cas, mobilisant jusqu'à neuf sous-agents et plus de 100 appels d'outils par exécution.
Disponibilité du modèle et tarifs pour les développeurs
La sortie officielle a eu lieu le 5 février 2026, avec un accès immédiat sur claude.ai, l'API Claude et les principales plateformes cloud. Anthropic maintient sa tarification à 5 $ par million de tokens en entrée et 25 $ par million de tokens en sortie, soit des tarifs identiques aux versions précédentes. Les développeurs peuvent appeler le moteur directement via l'API grâce à l'identifiant de modèle claude-opus-4-6. Selon la fiche système d'Anthropic, le modèle conserve un profil de sécurité égal ou supérieur aux modèles concurrents de premier plan, affichant de très faibles taux de comportements non alignés lors des évaluations de sécurité.
Questions et réponses
Quelles sont les nouveautés de Claude Opus 4.6 ?
La mise à jour introduit en version bêta une fenêtre de contexte de 1 million de tokens, des capacités de compaction de contexte pour les sessions prolongées, l'orchestration d'équipes d'agents dans Claude Code, ainsi que des outils natifs pour Excel et PowerPoint. Elle ajoute un mode de réflexion adaptatif avec des paramètres d'effort configurables pour équilibrer la qualité des résultats, la vitesse d'exécution et le coût en tokens.
Comment le modèle se compare-t-il à GPT-5.2 ?
Sur le benchmark GDPval-AA consacré au travail intellectuel à valeur économique, le modèle dépasse GPT-5.2 d'environ 144 points Elo. Il surpasse également le modèle phare d'OpenAI sur Terminal-Bench 2.0 pour la programmation autonome complexe et devance l'ensemble des modèles concurrents sur Humanity's Last Exam.
Le regard de MOZGII
Comment nous le construirions
Pour concevoir un moteur de recherche d'entreprise autour d'une grande fenêtre de contexte, nous commencerions par des fichiers sources structurés et une gestion stricte des jetons. Nous injecterions des bases de code entières et des répertoires documentaires dans la session à long contexte, tout en conservant une base de données externe pour le stockage des documents bruts. Nous transmettrions les demandes de tâches via l'API en utilisant le paramètre d'effort pour réduire le raisonnement lors des requêtes simples et l'augmenter pour les recherches complexes multisources. Nous utiliserions la compaction de contexte pour résumer les longues exécutions d'agents avant d'atteindre les limites de jetons.
Nous placerions des réviseurs humains aux points de contrôle opérationnels clés. Bien que des sous-agents autonomes puissent attribuer des tâches ou examiner des demandes de modifications, des ingénieurs humains valideraient les fusions de code et les décisions financières. Le système défaillirait si le contexte compacté omettait des cas limites essentiels ou si des sous-agents tournaient en boucles parallèles sans converger vers une solution. Nous établirions des contrôles de coût et de latence au niveau de la passerelle API afin de plafonner la consommation de jetons par exécution. L'unique indicateur à surveiller serait le taux de réalisation des tâches sans intervention humaine.
Ensuite, nous construirions un superviseur d'orientation dynamique. Ce module analyserait les tickets d'assistance entrants, les demandes de modifications et les synthèses de recherche avant de les transmettre au modèle. Il choisirait automatiquement entre une génération en une seule passe et une orchestration de plusieurs sous-agents selon la complexité de la tâche. Cela permettrait de maintenir une faible latence opérationnelle tout en préservant la capacité de raisonnement pour les flux de travail complexes.
Sources
D’où viennent les faits de cet article.