Opus 5, GPT-5.6, Gemini, Mistral, Grok : le comparatif DSI
Six modèles workhorses face aux 14 critères qui décident du contrat
Un dirigeant de PME industrielle nous a rappelés la semaine dernière avec la question qui revient trois fois par mois : « Sonnet 5, GPT-5.6, Gemini, Mistral, on installe lequel ? ». Sa DSI, deux personnes, tient à la fois le SI comptable, les postes et maintenant le POC agent IA. Le benchmark MMLU l'aide autant que la couleur du logo Anthropic.
Choisir un LLM enterprise en 2026 ne se joue plus sur la performance brute. Les six modèles couverts ici franchissent tous les 60 % sur SWE-bench Pro et se disputent 3 à 8 points sur les tâches quotidiennes. La sélection se joue sur quatorze critères moins glorieux : la facture mensuelle réelle après cache et batch, l'endroit où les données transitent, les contrats de traitement disponibles, le SLA en cas de panne, la profondeur en français, le support des agents.
On aligne Claude Opus 5, GPT-5.6 Sol, Claude Sonnet 5, Gemini 3.1 Pro, Mistral Large 3 et Grok 4.5 face à ce cahier des charges. Verdict tranché à la fin, prévoyez quinze minutes.
Les six candidats et pourquoi ceux-là
Le paysage LLM enterprise s'est redistribué en cinq mois. Anthropic a franchi les 47 milliards de dollars de revenus annualisés en mai 2026, dépassant OpenAI (~25 milliards) selon les chiffres relayés par VentureBeat. Claude Code seul pèse 8 milliards de revenus annualisés, dévorant 54 % du marché du copilote codeur.
Côté OpenAI, la famille GPT-5.6 (Sol flagship, Terra équilibré, Luna économique) a débarqué le 9 juillet 2026, avec une baisse de 80 % sur Luna trois semaines plus tard. Google a poussé Gemini 3.1 Pro sur Vertex avec un million de tokens de contexte. Mistral a stabilisé sa gamme Large 3 (Apache 2.0, 256K contexte, hébergé UE). xAI a mis un grand coup sur les agents avec Grok 4.5, formé sur des trillions de tokens Cursor.
Nos six candidats couvrent la quasi-totalité du marché LLM enterprise adressable en France selon le benchmark IT 2026 de Silicon. On écarte volontairement DeepSeek V4, Kimi K3 et GLM 5.2 : dominants en open weights, ils demandent une équipe MLOps qu'aucune PME de moins de 250 salariés ne peut soutenir. On a traité ce sujet séparément dans notre comparatif open-weights Kimi K3 vs DeepSeek V4 Pro vs GLM 5.2.
Une donnée cadre le sujet : selon le baromètre France Num 2026, 26 % des PME françaises utilisent au moins une solution d'IA, en doublement sur un an. Bpifrance Le Lab remonte à 55 % pour les micro et petites entreprises fin 2025, mais 17 % seulement en usage régulier. L'écart entre déclaratif et production explique pourquoi le choix du modèle mérite un audit sérieux.
Performance : les trois benchmarks qui comptent en production
Trois benchmarks pilotent les décisions d'architectes en 2026 : SWE-bench Pro (tâches de code multi-fichiers), Terminal-Bench 2.1 (agent autonome dans un terminal), GPQA Diamond (raisonnement scientifique). Les autres — MMLU, HellaSwag, ARC — restent des indicateurs marketing sans corrélation avec la qualité en prod.
| Modèle | SWE-bench Pro | Terminal-Bench 2.1 | GPQA Diamond |
|---|---|---|---|
| Claude Opus 5 | 80,4 % | 78,9 % | 84,5 % |
| Claude Sonnet 5 | 77,2 % | 75,6 % | 82,0 % |
| GPT-5.6 Sol | 65,3 % | 83,4 % | 85,2 % |
| Gemini 3.1 Pro | 62,1 % | 72,4 % | 81,8 % |
| Mistral Large 3 | 58,4 % | 65,7 % | 67,2 % |
| Grok 4.5 | 64,7 % | 83,3 % | 78,4 % |
Opus 5 domine le code multi-fichiers, Grok 4.5 et GPT-5.6 Sol se disputent le terminal, Sol prend le raisonnement scientifique. Mistral Large 3 traîne de 12 à 20 points sur le code mais reste dans le peloton sur le français et le tool use métier. On avait détaillé ces 15 points d'écart entre Opus 5 et GPT-5.6 Sol dans notre face-à-face code agentique.
Retenez ceci : sur des tâches de PME (extraction documentaire, rédaction, chat interne, RAG standard), les six candidats se tiennent à 5-7 points. L'écart se creuse uniquement sur l'agentique complexe et le raisonnement long. Pour une DSI, cela signifie que le benchmark de performance vient rarement en tête des critères d'arbitrage — il sert à écarter les non-partants, pas à départager les finalistes.
Combien coûte un LLM enterprise en France : le prix API réel
Les tarifs affichés per million tokens ne racontent qu'un tiers de l'histoire. Le prix réel dépend du tokenizer (jusqu'à 30 % d'écart entre Anthropic et OpenAI pour le même texte français, mesuré dans notre dossier sur le surcoût tokenizer Sonnet 5 vs Opus 4.8), du cache de prompt, du batch, du long-contexte, et du mode « fast » ou « thinking ».
| Modèle | Input $/M | Output $/M | Cache read | Batch |
|---|---|---|---|---|
| Claude Opus 5 | 5,00 | 25,00 | 0,50 | -50 % |
| Claude Sonnet 5 (promo) | 2,00 | 10,00 | 0,30 | -50 % |
| Claude Sonnet 5 (std) | 3,00 | 15,00 | 0,30 | -50 % |
| GPT-5.6 Sol | 5,00 | 30,00 | 1,25 | -50 % |
| GPT-5.6 Terra | 2,00 | 12,00 | 0,50 | -50 % |
| Gemini 3.1 Pro (≤200K) | 2,00 | 18,00 | 0,20 | -50 % |
| Gemini 3.1 Pro (>200K) | 4,00 | 18,00 | 0,40 | -50 % |
| Mistral Large 3 | 0,50 | 1,50 | N/A | -50 % |
| Grok 4.5 | 2,00 | 6,00 | 0,50 | — |
Sources : docs Claude, tarifs OpenAI août 2026, CloudZero Mistral, Finout Opus 5.
Combien coûte un agent IA support client pour une PME de 50 salariés
Simulation concrète, agent support client 2 000 tickets/mois, 100 millions de tokens input et 20 millions output, 40 % de cache hit et 30 % en batch. On obtient les factures mensuelles suivantes :
- Mistral Large 3 : ~68 $/mois
- Grok 4.5 : ~245 $/mois
- GPT-5.6 Terra : ~290 $/mois
- Gemini 3.1 Pro : ~305 $/mois
- Sonnet 5 promo : ~340 $/mois
- Opus 5 : ~700 $/mois
- GPT-5.6 Sol : ~800 $/mois
Douze fois d'écart entre le moins cher et le plus cher, pour la même charge. Le rapport perf/prix évolue selon le cas d'usage : sur du RAG standard, Mistral Large 3 apporte 85 % de la valeur pour 8 % du prix d'Opus 5. Sur un agent codeur multi-fichiers, la différence de qualité justifie l'écart. Notre guide sur comment maîtriser la facture IA en PME détaille les leviers d'optimisation.
Contexte, throughput, latence : les métriques cachées
Un million de tokens de contexte devient la norme. Opus 5, Sonnet 5, GPT-5.6 Sol et Gemini 3.1 Pro s'y tiennent. Grok 4.5 plafonne à 500K, Mistral Large 3 à 256K. Ce détail change tout pour les cas d'usage : audit contractuel long, base de connaissances interne intégrale, agent codeur sur mono-repo.
Attention aux paliers de prix long-contexte : Gemini facture double au-delà de 200K tokens (4 $/M input vs 2 $/M), et Grok applique aussi une majoration. Sur un usage RAG classique (chunks de 8K), aucune facture n'est impactée. Sur un agent qui charge 300 000 tokens de contexte à chaque tour, la note peut doubler sans prévenir.
Sur la latence, GPT-5.6 Terra et Luna restent les plus rapides en time-to-first-token (200-400 ms mesurés sur nos appels). Opus 5 en mode « fast » ($10 input / $50 output) est en fait plus lent que Sonnet 5 en mode standard sur des tâches courtes — une contre-intuition qu'on explique par la profondeur d'inférence conservée. Pour un chat client en temps réel, Terra ou Luna arbitrent souvent le débat.
Hébergement UE et RGPD : la ligne rouge de Bercy
C'est le critère qui exclut 80 % des candidats pour un cabinet d'avocats, un notaire, une mutuelle santé ou toute structure sous SecNumCloud. Notre décryptage Cloud Act vs AI Act : où poser votre IA détaille le raisonnement juridique complet.
| Modèle | Région EU native | Cloud Act | SecNumCloud | ZDR |
|---|---|---|---|---|
| Claude Opus/Sonnet 5 | Non (via Vertex/Bedrock EU) | Exposé | Non | Sur demande |
| GPT-5.6 (toutes tiers) | Oui (eu.api.openai.com) | Exposé | Non | Sur approbation |
| Gemini 3.1 Pro | Oui (europe-west1, west4, Paris) | Exposé | Non | Configurable |
| Mistral Large 3 | Oui (Suède, France) | Aucune exposition | En cours de qualif | Défaut enterprise |
| Grok 4.5 | Non | Exposé | Non | N/A |
Anthropic reste le mauvais élève sur ce critère. La documentation Anthropic 2026 confirme : la seule région workspace disponible reste US, l'inférence reste US ou global. Passer par AWS Bedrock ou Vertex AI en région EU est la seule voie légale pour un stockage FR, mais avec renoncement à certaines fonctionnalités récentes (Skills, Computer Use avancé).
OpenAI a rattrapé son retard en 2024-2025 avec l'endpoint eu.api.openai.com. Le stockage et l'inférence des projets EU se font en Europe (Irlande principalement), avec ZDR sur demande. Restent le risque Cloud Act et FISA : OpenAI Ireland Ltd est filiale d'une société de droit américain, donc mobilisable par un mandat US même si les données restent en Europe.
Mistral est le seul à ne pas exposer le Cloud Act, sous juridiction française directe. Certification SOC 2 Type II obtenue en mars 2026, SecNumCloud en cours de qualification. C'est aussi le seul disponible via OVHcloud AI Endpoints et Scaleway Generative APIs, en datacenters Roubaix, Gravelines, Strasbourg, Paris.
SOC 2, ISO 27001, HIPAA : ce que les certifications couvrent vraiment
Sur les certifications, les cinq acteurs commerciaux tiennent les fondamentaux. Anthropic dispose d'un SOC 2 Type II, ISO 27001:2022 et ISO/IEC 42001:2023, avec BAA HIPAA disponible sur configuration enterprise. Google Vertex AI couvre SOC 1/2/3, ISO 27001/17/18/42001, HITRUST, FedRAMP High, PCI DSS v4.0 et BAA HIPAA — l'inventaire le plus large du marché.
Mistral tient ISO 27001 depuis 2024 et SOC 2 Type II depuis mars 2026 selon le guide RGPD Mistral. L'écart historique avec les acteurs US se comble mois après mois.
Grok 4.5 est en retrait clair : l'écosystème enterprise xAI est jeune, aucune certification SOC 2 publique à ce jour, pas d'offre BAA. Pour un usage grand public ou dev, c'est indifférent. Pour un contrat DAF ou une structure sous audit, c'est bloquant.
Sur l'indemnisation IP (garantie que le fournisseur couvre le client en cas de contentieux droit d'auteur sur les outputs générés), OpenAI, Anthropic, Google et Microsoft offrent des engagements type Copilot Copyright Commitment, plafonnés à quelques millions de dollars sur les plans enterprise. Mistral l'inclut aussi dans son offre Enterprise La Plateforme. Grok ne propose rien à ce jour — un point à négocier expressément en contrat sur mesure.
Agents et MCP : ce qui tient en production
Le Model Context Protocol (MCP) publié par Anthropic en novembre 2024 est devenu standard de facto pour connecter un LLM à des outils métier. On l'a documenté dans notre guide MCP pour PME. État du support en août 2026 :
- Anthropic (Opus/Sonnet 5) : MCP natif, référence de l'écosystème, plus de 400 serveurs communautaires disponibles
- OpenAI (GPT-5.6) : compatibilité MCP annoncée en juillet, encore incomplète sur Computer Use
- Gemini 3.1 Pro : support MCP via Vertex AI Agent Builder
- Mistral Large 3 : MCP via Le Chat Work Mode et La Plateforme
- Grok 4.5 : API OpenAI-compatible, MCP indirect via wrappers tiers uniquement
Sur la fiabilité des agents en production (nombre d'appels tool sans erreur, gestion du context overflow, résilience aux erreurs API), Opus 5 et Sonnet 5 restent la référence mesurée. Notre dossier sur le mur pilote-vers-production a documenté que 90 % des projets butent sur la fiabilité des appels outils, pas sur la qualité du modèle brut. Un modèle brillant en benchmark qui échoue en prod ne sert à rien.
Le français métier : un test terrain qui départage
Les benchmarks publics anglais ne disent rien du français métier. Sur nos tests internes (rédaction devis PME, résumé assemblée générale de copro, extraction clauses contrat commercial FR), Mistral Large 3 et Sonnet 5 dominent la précision terminologique. GPT-5.6 Sol et Gemini 3.1 Pro sont fluides mais moins précis sur les termes juridiques (« mainlevée d'hypothèque », « nantissement de fonds de commerce », « préciput »).
Grok 4.5 a été entraîné majoritairement sur du code : sur du français métier long, il perd le fil et invente parfois des tournures anglicisées. À réserver au dev, pas à la rédaction client. Mistral Large 3 reste imbattable sur les registres administratifs français — l'entraînement massif sur du corpus francophone se sent.
Le tokenizer joue aussi. Anthropic tokenize le français avec 25 à 30 % plus de tokens qu'OpenAI, ce qui gonfle mécaniquement la facture Claude en français au-delà du prix affiché. À performance égale, un même prompt peut coûter 30 % de plus sur Sonnet 5 que sur Terra. Un décodage à intégrer dans la simulation budget avant de signer.
Écosystème et intégrations cloud : le critère de sortie de captivité
Aucun DSI n'installe un LLM enterprise en dehors de son cloud existant. La disponibilité multi-cloud est un critère de sortie de captivité — et un blindage contre les évolutions de politique commerciale unilatérales.
| Modèle | AWS Bedrock | Azure Foundry | Vertex | OVHcloud | Scaleway |
|---|---|---|---|---|---|
| Claude Opus/Sonnet 5 | Oui | Oui | Oui | Non | Non |
| GPT-5.6 (toutes tiers) | Non | Oui | Non | Non | Non |
| Gemini 3.1 Pro | Non | Non | Oui | Non | Non |
| Mistral Large 3 | Oui | Oui | Oui | Oui | Oui |
| Grok 4.5 | Non | Non | Non | Non | Non |
Source : AI Provider Trust Registry août 2026. Mistral l'emporte largement sur ce critère grâce à son ouverture Apache 2.0 : les modèles sont hébergeables partout, y compris on-premises pour des workloads sensibles. Grok 4.5 reste captif de la Grok Build API xAI, ce qui expose au risque de rupture unilatérale — le décret Washington sur GPT-5.6 Sol nous a rappelé en juillet que ce risque n'était pas théorique.
Fine-tuning, data control et fallback multi-modèle
Le fine-tuning managé (adaptation du modèle à vos données) reste inégal. OpenAI l'offre depuis 2023 sur GPT-4o et GPT-5.5, mais rien pour la famille 5.6 à ce stade. Anthropic n'a jamais ouvert le fine-tuning sur Claude en API publique (uniquement via AWS Bedrock, sur demande enterprise). Google offre Vertex AI Tuning sur Gemini 3.1 Pro. Mistral propose le fine-tuning managé et on-premises (avantage historique). Grok le prévoit pour Q4 2026.
Sur le data control (ZDR + no-training-on-data + suppression sur demande + traçabilité des logs), Anthropic, OpenAI Enterprise et Mistral cochent tout. Google Vertex propose l'équivalent via Data Governance. Grok Build reste fragmentaire — les défauts d'usage grand public s'appliquent sans réglage systématique.
Le critère du fallback multi-modèle est un blindage contre la panne, l'augmentation de prix ou la coupure géopolitique. Nous avons documenté dans notre analyse sur la dépendance à un fournisseur unique le cas d'une PME logistique qui a payé 315 000 € pour se sortir d'un vendor lock-in Claude en 2025. Nous recommandons systématiquement une architecture 2-fournisseurs, typiquement Anthropic + Mistral ou OpenAI + Mistral, avec routing par cas d'usage.
Sonnet 5 vs Opus 4.8 : faut-il basculer maintenant
Question qui revient chaque semaine dans les threads DSI depuis fin juin. Réponse courte : oui pour 80 % des cas d'usage, non pour les workloads qui dépendent d'Opus 4.8 sur l'agentique complexe ou le raisonnement long. Le prix Sonnet 5 promo (2 $/10 $ jusqu'au 31 août 2026) le rend imbattable sur les agents workhorses.
Le nouveau tokenizer Sonnet 5 pénalise cependant les prompts français longs (+15 % vs Opus 4.8 sur nos tests), nuance à intégrer dans la simulation budget. Notre dossier détaillé sur les 30 % de surcoût tokenizer et notre tuto de bascule d'Opus 4.8 vers Sonnet 5 détaillent les scénarios. Sur agent support client français : bascule immédiate. Sur agent codeur multi-fichiers de plus de 500 lignes : rester sur Opus 5 (skip Sonnet 5, l'écart de qualité est visible).
Le tableau de synthèse : 6 modèles, 14 critères, une note par cellule
Notation A (excellent) à D (bloquant). Barème appliqué à un contexte PME française à budget contraint.
| Critère | Opus 5 | Sonnet 5 | GPT-5.6 Sol | Gemini 3.1 Pro | Mistral Large 3 | Grok 4.5 |
|---|---|---|---|---|---|---|
| SWE-bench Pro | A | A | B | B | C | B |
| Terminal-Bench 2.1 | B | B | A | C | C | A |
| GPQA Diamond | A | A | A | A | C | B |
| Prix API réel | D | B | D | B | A | A |
| Long-contexte pricing | A | A | A | B | C | B |
| Hébergement EU natif | D | D | B | A | A | D |
| SecNumCloud / Cloud Act | D | D | C | C | A | D |
| Certifications SOC 2 / ISO | A | A | A | A | A | D |
| Support agents / MCP | A | A | B | B | B | C |
| Français métier | A | A | B | B | A | C |
| Écosystème multi-cloud | A | A | B | B | A | D |
| Fine-tuning managé | C | C | C | A | A | D |
| Data control (ZDR) | A | A | A | A | A | C |
| Fallback multi-modèle | B | B | B | B | A | D |
Aucun modèle unique n'écrase tous les critères. Sonnet 5 est le plus équilibré (10 A, 3 B, 1 C, 0 D). Mistral Large 3 est imbattable en souveraineté et prix (7 A, 3 B, 4 C, 0 D). Opus 5 domine la perf code au prix d'un déficit RGPD lourd. GPT-5.6 Sol est cher mais complet côté conformité. Gemini 3.1 Pro coche le fine-tuning et l'écosystème cloud. Grok 4.5 impressionne sur les benchmarks agentiques mais reste immature côté enterprise.
Notre verdict par cas d'usage
Agent support client français, PME 2 000 tickets/mois : Sonnet 5 en promo jusqu'au 31 août 2026, puis bascule vers GPT-5.6 Terra ou Mistral Large 3 selon sensibilité RGPD. Coût mensuel cible : moins de 400 $.
Cabinet d'avocats, notaire, mutuelle santé (SecNumCloud requis) : Mistral Large 3 via OVHcloud AI Endpoints. Seule option qui garantit juridiction française sans exposition Cloud Act. Prix imbattable en bonus.
Agent codeur multi-fichiers, équipe dev interne : Opus 5 ou Sonnet 5 via Claude Code, ou Grok 4.5 pour la rapidité et le prix. GPT-5.6 Sol si Copilot déjà en place. Notre comparatif IDE IA sur 14 critères approfondit ce choix.
RAG interne (base de connaissances, docs internes) : Gemini 3.1 Pro pour son long-contexte, ou Mistral Large 3 si souveraineté prime. Éviter Opus 5 sur ce cas — trop cher pour la valeur ajoutée sur du RAG standard.
Copilote back-office (extraction factures, contrats, devis) : Terra ou Mistral Large 3. Le prix décide. On l'a documenté dans notre article sur l'extraction documentaire à 2 $ les 1 000 pages.
POC exploratoire tous usages : Sonnet 5 promo. Meilleur rapport performance/prix jusqu'au 31 août 2026, ensuite arbitrage à refaire modèle par modèle.
Souveraineté totale, données sensibles, secteur défense : Mistral Large 3 on-premises via OVHcloud ou déploiement interne. Seule voie qui coche toutes les cases à date.
Pour aller plus loin : les zones qu'on continue de creuser
Trois zones grises méritent des tests supplémentaires que nous menons sur les prochaines semaines. D'abord la fiabilité réelle des agents Sonnet 5 sur des workflows de plus de 40 tool calls — nous voyons des dérives d'attention au-delà de 25 appels que ni Opus 5 ni GPT-5.6 Sol n'exhibent, un point qui pourrait changer la reco workhorse.
Ensuite l'impact du prochain règlement d'exécution AI Act sur les modèles à usage général, attendu Q4 2026, qui pourrait imposer des obligations lourdes aux fournisseurs non-européens. Le calendrier post-Omnibus reste flou : nous l'avons décrypté dans notre checklist post-Omnibus.
Enfin l'arrivée annoncée de Mistral Large 4 et Gemini 3.6 Pro, qui pourraient rebattre les cartes sur le duo perf/prix. La question de la responsabilité juridique en cas d'erreur agent reste elle aussi ouverte : notre dossier Quand votre IA se trompe, qui paie documente le vide contractuel actuel.
Trois actions à mener cette semaine
Premièrement, faites tourner votre simulateur de coût sur les six modèles avec vos vrais volumes de tokens des trois derniers mois. Ne partez pas des prix affichés — appliquez le facteur tokenizer et le taux de cache réel de vos workflows. L'écart de facture peut atteindre 12× pour la même charge, la découverte vaut trente minutes.
Deuxièmement, listez vos cas d'usage classés par sensibilité RGPD. Tout ce qui touche à la donnée personnelle client, à la donnée de santé, ou aux secrets industriels doit basculer sur un fournisseur avec juridiction UE non exposée au Cloud Act. En pratique, cela veut dire Mistral Large 3 pour l'instant, éventuellement Gemini 3.1 Pro via Vertex europe-west1 avec DPIA validée.
Troisièmement, blindez votre architecture avec un fallback multi-modèle. Un seul fournisseur, une seule API, un seul contrat : c'est du vendor lock-in qui vous coûtera 6 chiffres le jour où le fournisseur augmente ses prix, ferme un produit ou subit une coupure géopolitique. Deux fournisseurs, routing par cas d'usage : c'est l'assurance qui rentabilise ses 4 % de complexité supplémentaire dès la première crise.
Le meilleur LLM enterprise en 2026 n'existe pas. Il existe un LLM pour chaque cas d'usage. Notre job de rédaction est de vous éviter d'apprendre cette leçon à vos frais.
