Fin août, un chiffre a circulé dans tous les cercles tech : 89,5 % contre 89,1 %. Ce sont les scores de GPT-5.6 Sol et de Claude Opus 5 sur Terminal-Bench 2.1, le test qui mesure la capacité d'une IA à coder de façon autonome. Un écart de 0,4 point. Autant dire rien.
Si vous ne codez pas, ce paragraphe peut sembler du jargon. Il ne l'est pas : cette course détermine déjà quel outil équipe les développeurs qui construisent les applications, sites et services que vous utilisez tous les jours.
Terminal-Bench, en clair
Un agent de code, c'est un programme qui reçoit une consigne ("corrige ce bug", "ajoute une fonctionnalité de paiement") et qui l'exécute seul : il lit le code existant, écrit les modifications, lance les tests, corrige ses propres erreurs. Pas de développeur qui tape ligne par ligne à côté.
Terminal-Bench 2.1 met ces agents face à de vraies tâches d'ingénierie logicielle dans un terminal, comme s'ils étaient un développeur junior livré à lui-même. Le score reflète la part de tâches réussies de bout en bout, sans intervention humaine.
Sur ce test, GPT-5.6 Sol (en mode de raisonnement le plus poussé, appelé "xhigh") termine premier avec 89,5 %. Claude Opus 5 (en mode "max") suit à 89,1 %. Les deux modèles réussissent donc neuf tâches sur dix, dans un terminal, sans aide.
Pourquoi un écart aussi mince change la donne
Il y a encore deux ans, un tel test aurait vu des écarts de 15 à 20 points entre les meilleurs modèles. Aujourd'hui, les deux agents les plus avancés du marché se tiennent à moins d'un demi-point. Ça signale une chose simple : la capacité brute à écrire du code correct cesse d'être ce qui différencie les outils.
Ce qui reste à départager :
• le prix par tâche accomplie,
• la vitesse de réponse,
• la qualité d'intégration avec les outils déjà en place dans une équipe (IDE, CI/CD, gestion de tickets),
• la capacité à comprendre le contexte d'un projet existant plutôt qu'un exercice isolé.
Autrement dit, choisir un agent de code en 2026 ressemble de moins en moins à choisir "le plus intelligent" et de plus en plus à choisir celui qui coûte le moins cher pour un niveau de qualité équivalent, et qui s'insère le mieux dans le flux de travail d'une équipe.
Ce que ça change concrètement
Pour une entreprise qui développe un site ou une application, ce resserrement des scores a un effet direct sur le budget : le rapport de force entre fournisseurs pousse les prix vers le bas, pendant que la qualité reste comparable. C'est déjà visible ailleurs dans l'industrie, avec des modèles annoncés à des tarifs inférieurs de 20 à 80 % à leurs versions précédentes pour des performances égales ou supérieures.
Pour un développeur, indépendant ou salarié, ça veut dire que la question n'est plus "quelle IA choisir pour être meilleur", mais "quelle IA choisir pour aller plus vite sans sacrifier la qualité, à un coût qui reste sous contrôle".
Pour toute personne qui pilote un projet web sans coder elle-même, retenez ceci : les délais de développement que vous négociez avec vos prestataires vont continuer à se raccourcir, parce que l'outil qui écrit une bonne partie du code va plus vite et coûte moins cher qu'il y a un an.
Et la suite ?
Un écart de 0,4 point ne tient jamais longtemps. Le prochain modèle de l'un ou l'autre camp reprendra probablement la tête d'ici quelques semaines. La vraie question à suivre n'est plus "qui gagne le benchmark", mais comment les équipes de développement réorganisent leur façon de travailler autour d'agents qui réussissent déjà neuf tâches de code sur dix tout seuls.