Anthropic a sorti Claude Opus 5 le 24 juillet. Un million de tokens de contexte, jusqu’à 128 000 tokens en sortie, à 5 dollars le million en entrée et 25 le million en sortie.
Le chiffre intéressant est la fenêtre de contexte, et pas pour la raison qu’on avance d’habitude.
À quoi sert un million de tokens
La démonstration standard consiste à déposer une base de code entière dans un prompt. Utile pour l’ingénierie, moins parlant pour nous.
Voici la version agence. Un an de données de campagne sur quatre plateformes, la charte de marque du client, les douze derniers rapports mensuels et la transcription du comité trimestriel, le tout dans un seul contexte. Pas de couche de recherche documentaire, pas de stratégie de découpage, pas de base vectorielle à maintenir.
C’est cette dernière partie qui constitue le vrai basculement. Avant, faire raisonner un modèle sur l’historique complet d’un client supposait de construire une infrastructure. Quelqu’un devait découper les documents, choisir un modèle d’embedding, régler la recherche, puis déboguer pourquoi le modèle ratait systématiquement le seul paragraphe qui comptait. Une fenêtre suffisamment grande rend toute une catégorie de travail d’ingénierie optionnelle.
Optionnelle, pas obsolète. La recherche documentaire reste gagnante sur le coût à grande échelle, et elle reste gagnante quand le corpus est vraiment volumineux. Mais pour un compte client unique, le calcul s’est inversé.
À retenir. Une fenêtre plus grande supprime un problème de recherche documentaire. Elle ne supprime pas un problème de qualité de données. Des entrées contradictoires produisent toujours des absurdités assurées, simplement sur davantage de pages.
Où atterrit le coût
À 5 dollars le million de tokens en entrée, remplir la fenêtre complète une fois coûte environ 5 dollars. Ça paraît anecdotique jusqu’à ce que vous le fassiez en boucle.
Un agent qui relit le contexte complet à chaque étape d’un workflow en dix étapes dépense 50 dollars rien qu’en entrée, pour une exécution, pour un client. Multipliez par un portefeuille de comptes et une cadence quotidienne, et le modèle qui semblait bon marché devient la première ligne de votre budget outils.
C’est la contrainte pratique qui remplace l’ancienne. Nous concevions autour des limites de contexte. Nous concevons désormais autour de l’économie du contexte. La discipline est la même : mettre ce dont la tâche a besoin, pas tout ce que vous possédez.
L’IA POUR VOTRE ÉQUIPE
Mettez les nouveaux modèles au travail sur de vrais comptes
On forme les équipes marketing aux workflows qui tiennent en production, et on construit ceux qui demandent de l’ingénierie.
Trois choses testées la première semaine
Les promesses abstraites de capacité ne coûtent rien. Voici les trois usages que nous avons réellement menés, avec ce qui en est sorti.
La revue de compte sur l’année entière. Nous lui avons donné douze mois de données de campagne sur quatre plateformes plus les notes de réunion, en demandant ce qui avait changé et pourquoi. Il a trouvé un schéma qui nous avait échappé : une baisse sur un canal coïncidant avec une modification de page d’atterrissage que personne n’y avait reliée, parce que les deux événements vivaient dans des rapports différents et étaient séparés de huit semaines. C’est exactement le lien qu’un contexte résumé fait disparaître.
Le contrôle de voix de marque sur un lot de contenus. Vingt articles dans un seul contexte, avec la charte du client, avec pour consigne de signaler les dérives de ton. Moins concluant qu’espéré. Il repère les violations évidentes de façon fiable, et se montre nettement plus faible sur la dérive subtile qu’un bon relecteur attrape, qui est précisément la partie où nous voulions de l’aide.
Le brouillon de rapport à partir des exports bruts. Aucun pré-traitement, juste les exports de plateformes et une demande de premier jet. Bonne structure, arithmétique juste, et une erreur assurée sur une métrique parce que deux exports utilisaient des fenêtres d’attribution différentes et qu’il en a choisi une sans le dire. Cet échec mérite d’être retenu : le modèle ne sait pas que vos données se contredisent, il résout la contradiction en silence.
Le point commun des trois : un grand contexte aide surtout là où la valeur vient du repérage de liens sur une longue période, et aide le moins là où la tâche demande un jugement sur la qualité.
Est-ce la fin de la recherche documentaire
Réponse courte : non, et la question est mal posée.
La recherche documentaire garde l’avantage sur trois points. Le coût, quand on interroge le même corpus de façon répétée, puisqu’on n’en paie qu’une fraction à chaque fois plutôt que l’ensemble. L’échelle, quand le corpus dépasse réellement le million de tokens, ce qui est le cas de la plupart des bases documentaires ayant quelques années. Et la traçabilité, puisqu’un système de recherche montre quelle source a produit une réponse, là où une lecture en contexte complet donne une réponse venue de partout à la fois.
Ce qui a changé, c’est le seuil. Un an de données marketing d’un client ne justifie plus de construire une infrastructure. Une archive de cinq ans sur quarante clients, si.
Notre règle désormais : si le corpus entier tient confortablement et n’est lu qu’une ou deux fois, il va dans le contexte. S’il est lu tous les jours, ou s’il ne tient pas, on garde la couche de recherche.
Ce que nous avons changé dans notre propre workflow
Trois choses, immédiatement.
Les revues trimestrielles prennent désormais l’année entière en une passe. Avant, nous résumions chaque mois, puis nous résumions les résumés, et nous perdions le détail qui rendait un schéma visible. Maintenant toute la période entre d’un coup, et le modèle repère la chose qui s’est produite en mars et s’est répétée en septembre.
Nous avons cessé de maintenir une couche de recherche documentaire pour l’analyse d’un compte. C’était une infrastructure qui existait pour contourner une limite qui ne s’applique plus à cette échelle.
Nous avons resserré ce qui entre dans le contexte, pas relâché. C’est contre-intuitif et c’est le point important. Une fenêtre plus large donne envie de tout coller. Ce tout comprend les exports contradictoires, la convention de nommage abandonnée et le rapport auquel personne ne croit. Le modèle lira l’ensemble et fera la moyenne.
Une fenêtre de contexte plus grande n’autorise pas à arrêter de réfléchir à ce qu’on y met. Elle offre une plus grande occasion d’y mettre la mauvaise chose. MyDigipal
La frontière qui n’a pas bougé
Tout ce que nous disions sur la délégation reste valable. Le modèle prépare, une personne confirme tout ce qui est irréversible. Publier, envoyer, dépenser, supprimer.
Opus 5 tient mieux les longues séquences autonomes, ce qui rend cette frontière plus importante et non moins. Un modèle qui travaille vingt minutes sans repasser par vous produit davantage de travail entre deux points de contrôle, donc la relecture doit être délibérée plutôt qu’un coup d’oeil.
Nous en parlions quand Opus 4.8 a introduit les dynamic workflows, et le principe a tenu au changement de version. Ce qui a changé, c’est le volume de production que vous relisez, pas la nécessité de le relire.
Si vous branchez des modèles sur des workflows qui touchent des données clients ou du budget publicitaire, les contrôles de sécurité décrits en juin comptent davantage à ce niveau de capacité, pas moins.
Sources : Claude Opus 5 face à Fable 5, benchmarks et tarifs - Claude Opus 5, benchmarks et guide complet - Chronologie des sorties de modèles Claude
