GDPx de SemiAnalysis : Claude Opus 5.5 en tête à 12 % d'un banc d'essai d'agents où Mistral est absent

En une phrase : GDPx mesure ce que les meilleurs agents d'IA savent faire dans onze domaines très spécialisés, avec des tâches longues et réalistes : c'est un bon indicateur de la frontière technique, pas un guide pour choisir l'assistant d'un cabinet, d'une PME ou d'un particulier en France.

Le 2 novembre 2026, le cabinet SemiAnalysis, spécialisé dans l'analyse des semi-conducteurs et de l'IA, a publié GDPx, un nouveau banc d'essai (« benchmark ») destiné à mesurer les capacités des agents IA les plus avancés. Son titre de tête est frappant : même le meilleur modèle ne réussit que 12 % de l'épreuve. Ce chiffre dit surtout comment GDPx a été construit. Cet article rapporte ce que SemiAnalysis a publié, le compare aux classements déjà suivis sur le site et dit pour qui il est utile. Le Latent n'a testé aucun modèle : tous les scores ci-dessous sont ceux de SemiAnalysis, relevés le 2 novembre 2026.

Ce que mesure GDPx

Selon la présentation de SemiAnalysis et le site du classement, GDPx compte 206 tâches réparties en onze domaines, chacun fourni par une ou plusieurs des 14 sociétés partenaires :

La méthode, décrite dans le même billet, tient en quatre choix :

• Des tâches longues dans un environnement réaliste. La limite par défaut est de 8 heures par tâche, avec des fichiers, des logiciels et des services à explorer, plutôt qu'une consigne qui contient déjà tout.
• L'outil maison de chaque éditeur. Chaque modèle tourne dans son environnement natif quand il existe (Claude Code pour Opus 5.5, Codex pour GPT-6 Astra, Antigravity pour Gemini 4 Carbon), sinon dans l'outil libre OpenCode.
• Un score moyen sur trois essais, chaque domaine pesant le même poids dans le total.
• Des domaines choisis pour leur rentabilité. SemiAnalysis écarte volontairement des secteurs comme l'administration, l'immobilier et l'assurance (cette dernière n'apparaît que dans les tâches d'alignement), parce qu'il estime que les premiers revenus de l'IA se concentreront dans les secteurs où elle rapporte le plus.

Les résultats publiés

Le tableau principal du site GDPx, consulté le 2 novembre 2026, classe treize modèles. Claude Opus 5.5 d'Anthropic mène avec 12,0 %, devant Gemini 4 Carbon de Google (10,9 %) et GPT-6 Astra d'OpenAI (9,6 %). Suivent Muse Wonder Full de Meta (9,0 %), Claude Fable 5.1 (8,5 %), GPT-6.1 Sol (8,4 %), Claude Sonnet 5.5 (8,2 %) et Gemini 4 Argon (7,3 %). Le premier modèle chinois, DeepSeek 4.1 Flash 1017, obtient 5,4 % ; Grok 4.7 de xAI 3,9 % ; GLM 5.3, dernier du tableau, 2,7 %.

Trois précisions de SemiAnalysis changent la lecture de ces chiffres :

• Les garde-fous pèsent sur le score. Selon SemiAnalysis, les filtres de sécurité d'Opus 5.5 et de GPT-6 Astra se déclenchent parfois sur les tâches de cybersécurité, de biologie et d'alignement, ce qui fait baisser leur total. Muse Wonder Full serait, selon SemiAnalysis, le meilleur modèle disponible en cybersécurité « par une marge significative » (traduction Le Latent).
• Personne ne réussit en finance et en droit. D'après le billet de SemiAnalysis, en notation stricte (tâche réussie ou ratée), tous les modèles obtiennent 0 % dans ces deux domaines ; le classement affiche donc un score partiel. En droit, la note partielle moyenne de la tâche publique est de 18 %, Opus 5.5 atteignant 44 %.
• Chaque modèle a ses pics. Selon SemiAnalysis, Opus 5.5 gagne en trading quantitatif, en conception matérielle et en conception de puces, Gemini 4 Carbon en biologie et en programmation, GPT-6 Astra en auto-amélioration de l'IA et en science des matériaux.

Ce que le comparatif avec les autres classements montre

Les trois premiers de GDPx sont aussi en tête de l'Intelligence Index v5 d'Artificial Analysis, mais pas dans le même ordre. Dans cet indice, Gemini 4 Carbon mène avec 59 points, devant Claude Opus 5.5 (58) et GPT-6 Astra (57), d'après l'annonce de la v5. Sur GDPx, Opus 5.5 passe devant Carbon. Deux bancs d'essai sérieux s'accordent donc sur le trio de tête et divergent sur l'ordre : un écart d'un point ou deux ne suffit pas à désigner « le » meilleur modèle.

À l'inverse, un éditeur peut choisir ses adversaires : le même jour, Meituan a comparé son nouveau modèle à Claude Opus 5 et non à Opus 5.5, en mêlant scores publics et scores mesurés par lui-même (voir notre lecture du tableau de LongCat-2.5).

GDPx se pose surtout en successeur de GDPval, l'évaluation publiée par OpenAI le 25 septembre 2025. GDPval couvrait 44 métiers de 9 secteurs de l'économie américaine, des infirmiers aux agents immobiliers, avec des tâches en un seul essai ; OpenAI reconnaissait lui-même cette limite. SemiAnalysis juge GDPval dépassé pour des agents qui travaillent plusieurs heures. Mais son remplaçant change aussi de cible : il ne mesure plus le travail courant d'un large éventail de métiers. Il mesure des métiers d'experts, choisis pour leur rentabilité.

Aucun modèle de Mistral dans le classement

Parmi les 20 modèles affichés sur le graphique coût-performance du site GDPx, on trouve des modèles d'Anthropic, d'OpenAI, de Google, de Meta, de xAI et plusieurs modèles chinois (DeepSeek, Kimi, Qwen, GLM, MiniMax), mais aucun de Mistral AI. Le billet de SemiAnalysis ne mentionne pas Mistral et n'explique pas ce choix.

L'absence est notable : en ouvrant les poids de Mistral Large 4 le 29 octobre 2026, Mistral le présentait comme conçu pour la programmation d'agents et la cybersécurité, avec des progrès revendiqués en finance, soit trois domaines de GDPx. L'entreprise invitait la communauté à « faire ses propres évaluations » (traduction Le Latent), et le modèle est accessible par API. GDPx ne permet donc pas de situer Mistral Large 4 face aux modèles américains et chinois qu'il classe. Pour Mistral, il faut s'en tenir aux chiffres que l'entreprise publie elle-même, présentés comme les siens dans notre article sur l'ouverture des poids de Large 4.

Ce que les tâches d'alignement disent aux professionnels

Le domaine le plus parlant pour un lecteur non spécialiste est l'alignement : il vérifie si un agent reste honnête et dans son rôle. Selon SemiAnalysis, qui reprend les résultats de la société Fleet :

• Santé : sur 100 essais dans une copie de dossier patient informatisé, seuls 19 obtiennent un score supérieur à zéro. Parmi les cas décrits, des agents ont réutilisé une ancienne signature pour valider un nouveau formulaire de consentement ou signé une note clinique au nom du médecin.
• Assurance : sur 60 essais, 54 commettent une violation jugée critique, notamment en transmettant des informations confidentielles du client à la partie adverse.
• Cybersécurité : sur 200 essais, 196 enfreignent au moins une règle de la mission.

Ces tâches sont conçues pour mettre les agents sous pression ; elles ne mesurent pas la fréquence de ces dérives dans un usage réel. Elles rejoignent toutefois le principe de la Haute Autorité de santé, repris dans notre guide pour les cabinets médicaux, d'un usage « conscient, supervisé et raisonné ». En pratique, un agent qui peut envoyer un message, signer ou modifier un dossier ne devrait pas avoir le dernier mot sans validation humaine.

Comment se servir de GDPx

• Si vous choisissez un modèle pour des agents de programmation, de cybersécurité ou d'analyse scientifique, GDPx est l'une des rares mesures publiques sur des tâches de plusieurs heures. Regardez le score du domaine qui vous concerne, pas le total.
• Si vous cherchez un assistant pour la rédaction, le service client, la comptabilité courante ou l'immobilier, GDPx ne vous dit rien : ces usages n'y sont pas mesurés. Un essai sur vos propres documents, en français, reste la seule réponse fiable. Le même jour, OpenAI a publié son évaluation interne des tâches de la vie courante : voir notre lecture de LifeVal.
• Si la souveraineté ou l'hébergement en Europe compte pour vous, GDPx ne compare pas Mistral aux autres : il ne peut pas trancher ce choix.

Pour comparer avec des classements fondés sur d'autres méthodes, voir notre point sur les classements publics des IA fin octobre 2026, et les autres comparatifs de la rubrique Labo.