Retour à la tendance du jour: Le patron d'Intel prévient : des milliards d'assistants IA seront durs à contrôler
Classement Poly · tiré de la tendance du jour

Classement de fiabilité des agents IA 2026 : le top 10 des agents à qui confier une tâche

Le suivi de l'Université de Princeton juge le plus récent Claude Opus 4.7 plus précis qu'Opus 4.5 (79,0% contre 74,6%), mais légèrement moins fiable (0,86 contre 0,87) : les agents sont devenus plus capables sans devenir beaucoup plus prévisibles.

  • N° 1 : Claude Code (Claude Opus 5.5)
  • 10 places

01Liste finale

Les IA de pointe ont chacune dressé leur propre liste de dix, de façon indépendante. Voici un résultat facile à vérifier : chaque place a une raison, une source et la liste des IA qui l'ont retenue.

Ordre : du plus grand au plus faible accord entre les IA.

Une pastille vive signifie que cette IA a mis l'élément dans sa liste. Une pastille terne, qu'elle ne l'a pas fait.

  1. 1

    Claude Code (Claude Opus 5.5)

    La meilleure amélioration nette sur Arena (20,14%), avec des modes d'autorisation documentés et un retour en arrière. Mais Auto est désormais le mode de départ, et les événements d'audit en entreprise ne couvrent pas les appels d'outils.

    L’ont inclus: ChatGPT, Meta, Grok, StepFun, Kimi, DeepSeek. Ne l’ont pas inclus: Nemotron, Wenxin.

    Dans leurs listes: ChatGPT: 1 · Meta: 4 · Grok: 1 · StepFun: 1 · Kimi: 1 · DeepSeek: 1

    Ce qu'a noté chaque IA 6
    • ChatGPTplace 1

      Le signal de réussite de tâche le plus fort observé rencontre des contrôles humains exceptionnellement concrets : 20,75% de réussite confirmée, plus des modes d'autorisation, des différences visibles et un retour en arrière.

      Source ↗
    • Metaplace 4

      21,15% de réussite confirmée, n° 1 global sur 2,7 M de sessions – 42,91% de bilan net positif, mais 6,79 $ et 18,7 min

      Source ↗
    • Grokplace 1

      Meilleure amélioration nette sur Arena, 20,14% au global, et un interrupteur d'autorisation qui peut encore l'arrêter.

      Source ↗
    • StepFunplace 1

      Le seul agent classé n° 1 sur un classement réel de millions de sessions, qui vous remet encore un fichier d'autorisations lisible avant de toucher à votre disque.

      Source ↗
    • Kimiplace 1

      L'agent le plus fiable mesuré par l'Université de Princeton (cohérence des résultats de 73%, le meilleur score jamais obtenu) livre aussi les freins les plus applicables : des règles de refus qui s'activent avant tout mode d'autorisation, et des listes blanches par commande – testées, et pas seulement annoncées.

    • DeepSeekplace 1

      Le modèle le plus fiable de HAL se trouve ici, mais sa piste d'audit perd encore les appels d'outils des sous-agents.

    6 IA l’ont placé ici
    Source ↗
  2. 2

    ChatGPT Work (anciennement ChatGPT agent)

    Demande confirmation avant d'acheter, d'envoyer ou de supprimer, et vous rend la main sur les connexions sensibles. Aucun taux de réussite au niveau du produit n'existe, et le navigateur Atlas d'OpenAI a cédé à un détournement sans aucun clic.

    L’ont inclus: ChatGPT, Meta, Grok, Kimi, DeepSeek. Ne l’ont pas inclus: Nemotron, StepFun, Wenxin.

    Dans leurs listes: ChatGPT: 4 · Meta: 1 · Grok: 5 · Kimi: 2 · DeepSeek: 3

    Ce qu'a noté chaque IA 5
    • ChatGPTplace 4

      La protection vraiment utile, c'est le relais : l'utilisateur peut reprendre la main sur le navigateur pour les connexions sensibles, au lieu de donner son mot de passe à l'agent.

      Source ↗
    • Metaplace 1

      20,77% de réussite confirmée dans le chat, 3,68 $ et 10,4 min par tâche médiane – le premier agent le plus sûr, qui demande avant les étapes clés, testé

    • Grokplace 5

      L'ancien mode Agent a disparu ; son remplaçant est présenté comme demandant confirmation avant un achat, un envoi ou une suppression.

    • Kimiplace 2

      Il fait tourner tout dans une machine virtuelle jetable dans le cloud et est entraîné à demander avant toute action aux conséquences réelles – et les modèles d'OpenAI occupent les cinq premières places de l'Alignment Index d'Arena pour ne pas prendre d'action non autorisée.

      Source ↗
    • DeepSeekplace 3

      17/20 aux tests de navigateur, mais son meilleur dossier d'audit est un module entreprise, pas la version par défaut.

      Source ↗
    5 IA l’ont placé ici
    Source ↗
  3. 3

    Agents Google Gemini (Gemini 4 Carbon, Computer Use, Gemini CLI)

    La meilleure capacité de pilotage sur Arena (19,32%), pour 1,69 $ par tâche. Mais les contrôles d'injection de prompt sur les captures d'écran sont livrés désactivés, et le bac à sable de Gemini CLI doit être configuré par l'utilisateur.

    L’ont inclus: ChatGPT, Meta, Grok, StepFun, Kimi. Ne l’ont pas inclus: Nemotron, DeepSeek, Wenxin.

    Dans leurs listes: ChatGPT: 3 · Meta: 3 · Grok: 4 · StepFun: 3 · Kimi: 3

    Ce qu'a noté chaque IA 5
    • ChatGPTplace 3

      Seulement 1,69 $ par tâche médiane et 18,04% de réussite confirmée ; le point critique est que certaines protections de sécurité locales doivent être configurées.

      Source ↗
    • Metaplace 3

      Meilleure pilotabilité à 19,32% et hallucination la plus faible à 0,51% dans le top 5, avec 16,72% de réussite confirmée pour 1,69 $

      Source ↗
    • Grokplace 4

      Meilleure pilotabilité du classement en direct, 19,32%, tandis que les contrôles d'injection par capture d'écran sont désactivés par défaut.

      Source ↗
    • StepFunplace 3

      Carbon est 3e en réussite confirmée, à 18,02% pour 1,69–1,80 $ la tâche, et c'est le seul agent grand public qui s'arrête pour demander avant d'envoyer des messages ou d'acheter.

      Source ↗
    • Kimiplace 3

      À égalité pour le meilleur score de fiabilité mesuré par l'Université de Princeton (85%) – pourtant la même étude constate qu'il n'évite les erreurs catastrophiques que 25% du temps, ce qui explique pourquoi son agent de navigation vous oblige à le regarder travailler.

      Source ↗
    5 IA l’ont placé ici
    Source ↗
  4. 4

    OpenAI Codex

    Son bac à sable est imposé par le système d'exploitation : réseau coupé par défaut, et validation requise pour sortir de l'espace de travail. Ses modèles sont en retrait sur Arena : GPT-6 Astra 14,70% contre 20,14% pour Opus 5.5.

    L’ont inclus: ChatGPT, Grok, StepFun, DeepSeek. Ne l’ont pas inclus: Meta, Nemotron, Kimi, Wenxin.

    Dans leurs listes: ChatGPT: 7 · Grok: 2 · StepFun: 2 · DeepSeek: 2

    Ce qu'a noté chaque IA 4
    • ChatGPTplace 7

      La tâche observée médiane coûte 0,98 $ au lieu de 6,16 $ pour Astra, tandis que le même produit Codex peut imposer des limites d'espace de travail et de réseau.

      Source ↗
    • Grokplace 2

      Le bac à sable est un mur au niveau du système d'exploitation : un modèle qui veut le réseau peut donc encore se voir refuser l'accès.

      Source ↗
    • StepFunplace 2

      Astra est 4e en réussite confirmée, tandis que Sol fait un travail presque identique à 0,56 $ la tâche – tous deux derrière un bac à sable que vous pouvez verrouiller et un cadran d'approbation à trois niveaux.

      Source ↗
    • DeepSeekplace 2

      Livré avec le réseau coupé et un prix de tâche de 1,92 $ – contrôle et coût dans un seul agent de codage.

    4 IA l’ont placé ici
    Source ↗
  5. 5

    Devin (Cognition)

    Fonctionne dans des machines virtuelles isolées, avec validation avant déploiement. Mais les permissions GitHub sont à l'échelle de l'organisation, aucune piste d'audit externe n'est documentée, et les scores de codage tiers vont de 61,7% à 70,4% selon le classement.

    L’ont inclus: Meta, StepFun, Kimi, DeepSeek. Ne l’ont pas inclus: ChatGPT, Grok, Nemotron, Wenxin.

    Dans leurs listes: Meta: 5 · StepFun: 6 · Kimi: 7 · DeepSeek: 7

    Ce qu'a noté chaque IA 4
    • Metaplace 5

      75,8% sur SWE-bench Verified officiel, 96,4% sur vals.ai neutre – Pro à 20 $/mois, profils de sécurité dans une machine virtuelle gérée

    • StepFunplace 6

      Autonomie avec retour en arrière : des machines isolées dont vous pouvez faire un instantané – mais un calcul tiers place une tâche fusionnée autour de 9–10 $, donc le contrôle est bon et la facture ne l'est pas.

      Source ↗
    • Kimiplace 7

      Le « logiciel d'ingénierie IA » original apparaît désormais dans des bancs d'essai tiers à 61,7% sur de vraies tâches d'ingénierie, pour 7,90 $ la tâche – correct, mais son autonomie exige encore qu'un humain relise chaque fusion.

      Source ↗
    • DeepSeekplace 7

      70,4% sur DeepSWE pour 1,40 $ – mais des autorisations au niveau de l'organisation et aucun journal d'audit public.

    4 IA l’ont placé ici
    Source ↗
  6. 6

    Microsoft Copilot Studio et agents Microsoft 365 Copilot

    La meilleure traçabilité de gouvernance (audit Purview, Entra ID par agent), mais ZDNet a jugé ses agents premium « sûrs d'eux et mauvais », et Copilot dans Edge a été victime du détournement sans clic.

    L’ont inclus: ChatGPT, Meta, StepFun, DeepSeek. Ne l’ont pas inclus: Grok, Nemotron, Kimi, Wenxin.

    Dans leurs listes: ChatGPT: 6 · Meta: 10 · StepFun: 7 · DeepSeek: 9

    Ce qu'a noté chaque IA 4
    • ChatGPTplace 6

      Un agent d'entreprise peut être plus facile à encadrer qu'à évaluer : Purview enregistre les événements d'administration et d'interaction, mais cela ne prouve pas qu'une tâche a été réussie.

      Source ↗
    • Metaplace 10

      25 000 crédits Copilot pour 200 $/mois – 2 $ par conversation ou 0,10 $ par action, journal d'audit en entreprise, validation humaine

      Source ↗
    • StepFunplace 7

      La meilleure histoire de gouvernance en entreprise du groupe – et l'un des trois agents de navigation cassés par un détournement « PleaseFix » sans clic.

      Source ↗
    • DeepSeekplace 9

      Identité et audit de référence – et un test pratique qui a conclu, avec aplomb, que le résultat était mauvais.

    4 IA l’ont placé ici
    Source ↗
  7. 7

    Manus

    Vous autorisez chaque session de navigation et l'arrêtez en fermant l'onglet. Sur les tâches web difficiles, il réussit entièrement dans 8,0% des cas, et son score GAIA annoncé de 86,5% a été mesuré indépendamment à 73,4%.

    L’ont inclus: Meta, StepFun, Kimi, DeepSeek. Ne l’ont pas inclus: ChatGPT, Grok, Nemotron, Wenxin.

    Dans leurs listes: Meta: 6 · StepFun: 4 · Kimi: 6 · DeepSeek: 10

    Ce qu'a noté chaque IA 4
    • Metaplace 6

      Agent autonome généraliste dans une machine virtuelle Ubuntu dans le cloud – 300 crédits gratuits par jour, SOC 2 Type 2, mais détournement SilentBridge CVSS 9,8 en février 2026

    • StepFunplace 4

      Vous autorisez chaque session de navigateur et arrêtez l'agent en fermant l'onglet – rare agent grand public dont le bouton d'arrêt est un vrai bouton, et non un réglage.

      Source ↗
    • Kimiplace 6

      Revendique un score GAIA de 86,5% qu'aucun banc d'essai indépendant n'a reproduit – des tests tiers le placent à 73,4%, et ses contrôles d'agent sont en retard sur ses ambitions.

      Source ↗
    • DeepSeekplace 10

      Une fenêtre d'annulation de 10 secondes est utile ; mais 8% de réussite complète sur les tâches web difficiles ne suffisent pas pour lui faire confiance seul.

      Source ↗
    4 IA l’ont placé ici
    Source ↗
  8. 8

    Agent Cursor

    Bon en codage, mais une injection de prompt lui a fait écrire un fichier .cursor/mcp.json malveillant, sans demande de confirmation. Deux failles de sécurité de 2026 (CVE) : un contournement d'authentification critique et une évasion du bac à sable.

    L’ont inclus: Meta, StepFun, DeepSeek. Ne l’ont pas inclus: ChatGPT, Grok, Nemotron, Kimi, Wenxin.

    Dans leurs listes: Meta: 7 · StepFun: 10 · DeepSeek: 6

    Ce qu'a noté chaque IA 3
    • Metaplace 7

      Outil du quotidien pour 57% des équipes en production – agent en arrière-plan à 20 $/mois, saisie en ligne rapide, mode d'autorisation « Demander »

      Source ↗
    • StepFunplace 10

      Une injection de prompt a amené son agent à écrire un fichier .cursor/mcp.json malveillant sans demande d'approbation – la raison la plus claire, à elle seule, pour laquelle le contrôle prime sur la capacité dans ce classement.

    • DeepSeekplace 6

      69,3% pour 0,44 $ – mais deux CVE de 2026 montrent qu'une vitesse bon marché peut élargir la surface d'attaque.

    3 IA l’ont placé ici
    Source ↗
  9. 9

    Perplexity Comet

    Navigation autonome dans vos sessions déjà connectées, sans véritable étape de confirmation. Trail of Bits l'a audité, Brave l'a détourné en pleine tâche, et l'attaque sans clic PleaseFix a fonctionné contre lui.

    L’ont inclus: Meta, StepFun. Ne l’ont pas inclus: ChatGPT, Grok, Nemotron, Kimi, DeepSeek, Wenxin.

    Dans leurs listes: Meta: 9 · StepFun: 9

    Ce qu'a noté chaque IA 2
    • Metaplace 9

      Agent de recherche qui cite ses sources – cité comme le meilleur pour les tâches de recherche, dans un mélange de 26,5% de service client et 24,4% de recherche

    • StepFunplace 9

      Trail of Bits en a modélisé les menaces, et Brave l'a détourné : une navigation agentique qui agit dans vos sessions connectées sans barrière de confirmation stricte.

      Source ↗
    2 IA l’ont placé ici
    Source ↗
  10. 10

    Agent de codage GitHub Copilot

    Marque chaque entrée d'audit avec actor_is_agent et conserve les journaux pendant 180 jours ; 68,0% des 2 194 demandes de fusion (pull requests) étudiées ont été acceptées. Une seule IA l'a couvert.

    L’ont inclus: DeepSeek. Ne l’ont pas inclus: ChatGPT, Meta, Grok, Nemotron, StepFun, Kimi, Wenxin.

    Dans leurs listes: DeepSeek: 4

    Ce qu'a noté chaque IA 1
    • DeepSeekplace 4

      L'agent qui journalise au nom de qui il agit – actor_is_agent dans chaque entrée d'audit – mais son taux d'acceptation des PR est de 68%, pas le plus haut.

      Source ↗
    1 IA l’ont placé ici
    Source ↗

Plus sur le trio de tête ↓

02Plus sur le trio de tête

Le classement est ci-dessus. Voici plus sur les trois premières places : ce qu'elles sont, pourquoi elles sont là et ce qu'il faut savoir.

Les trois se mesurent différemment : Claude Code affiche une amélioration nette Arena de 20,14%, les agents Gemini une facilité de pilotage Arena de 19,32%, et ChatGPT Work n'a aucun taux de réussite à l'échelle du produit.

1Claude Code (Claude Opus 5.5)

N° 1 — Claude Code (Claude Opus 5.5). Dans les listes de 6 IA sur 8 ; place médiane : 1. Les IA le placent en tête pour la meilleure amélioration nette Arena, avec des modes d'autorisation et un retour en arrière qui vous donnent un vrai contrôle.

Le saviez-vous ?

  • Le retour en arrière de Claude Code ne défait pas tout. Il ne suit que les modifications faites avec les outils d'édition de fichiers de Claude. Les changements faits par des commandes shell, comme la suppression ou le déplacement de fichiers, ne sont pas couverts. Les points de contrôle survivent toutefois d'une session à l'autre.

    Source ↗
Ce que c'est
Un agent de programmation qui travaille dans votre terminal et modifie vos fichiers.
Son atout
Il affiche la meilleure amélioration nette Arena, avec des modes d'autorisation clairs et un retour en arrière.
Pour qui
Convient aux développeurs qui le surveillent ; pas à laisser tourner seul, car le mode Auto est le mode de départ.

Wikipédia · Wikidata

Pourquoi il est là

  • Opus 5.5 coûte 4 $ par million de tokens en entrée et 20 $ par million en sortie, soit environ 20% de moins qu'Opus 5. Un coût d'usage plus bas aide son score de valeur pratique.

    Source ↗
Histoire

  • Claude Code a démarré en février 2025 comme aperçu de recherche limité, sorti en même temps que le modèle Claude 3.7 Sonnet.

    Source ↗
À garder en tête

  • Si l'intention est floue ou si le contexte manque, le mode auto peut encore approuver des actions dangereuses et bloquer des actions inoffensives. Chaque action passe une étape de vérification supplémentaire, ce qui peut ajouter des délais et consommer davantage de tokens au fil du temps.

    Source ↗

  • Anthropic recommande de faire tourner le mode auto dans des environnements isolés, surtout pour du code sensible. En pratique, traitez-le comme un assistant à surveiller, pas à laisser sans surveillance.

    Source ↗
Pour aller plus loin

  • Ouvrez la page des modes d'autorisation pour voir ce que chaque mode permet à Claude Code de faire sans demander. Lisez d'abord la partie sur le mode Auto, car c'est désormais le mode de départ.

    Source ↗

Vidéo: Every Claude Code Concept Explained for Normal People (en anglais) · Simon Scrapes

Comparer le trio de tête ↓

2ChatGPT Work (anciennement ChatGPT agent)

N° 2 — ChatGPT Work (anciennement ChatGPT agent). Dans les listes de 5 IA sur 8 ; place médiane : 3. Les IA apprécient qu'il demande avant d'acheter, d'envoyer ou de supprimer, et qu'il vous rende la main pour les connexions sensibles.

Le saviez-vous ?

  • Quand l'agent de ChatGPT a besoin d'une connexion, il se met en pause et vous demande de prendre le contrôle de son navigateur virtuel. Pendant que vous le contrôlez, ChatGPT ne capte pas les mots de passe ni les données sensibles que vous saisissez. Seule votre première demande compte dans la limite d'utilisation.

    Source ↗
Ce que c'est
L'agent d'OpenAI qui effectue pour vous des tâches sur le web, dans un navigateur hébergé dans le cloud.
Son atout
Il demande d'abord avant les étapes risquées et vous laisse prendre le relais pour les connexions.
Pour qui
Convient aux débutants prudents qui veulent des contrôles ; pas à ceux qui ont besoin de taux de réussite éprouvés.

Wikidata

Pourquoi il est là

  • Des chercheurs en sécurité ont montré deux attaques contre le navigateur Atlas d'OpenAI qui ne demandaient aucun clic de l'utilisateur. Un seul commentaire piégé sur X pouvait le détourner. OpenAI a accusé réception du signalement le 17 février 2026.

    Source ↗

  • Les consignes propres à Atlas le font s'arrêter et demander avant d'envoyer un message à votre place. Les chercheurs ont passé « deux jours » à essayer de dépasser son bouton d'achat final. C'est pourquoi il figure en tête pour le contrôle par l'utilisateur.

    Source ↗
Histoire

  • L'agent Operator d'OpenAI est sorti en janvier 2025. En juillet 2025, OpenAI a publié ChatGPT agent, capable d'exécuter des tâches en plusieurs étapes.

    Source ↗
À garder en tête

  • Le testeur a constaté que l'agent restait souvent bloqué à répéter les mêmes actions et perdait du temps, par exemple lorsque les clics étaient retardés. Il suivait aussi les consignes trop à la lettre, si bien qu'une personne devait parfois intervenir.

    Source ↗
Pour aller plus loin

  • Lisez comment le navigateur hébergé dans le cloud vous demande de confirmer avant un achat, une réservation ou un paiement, et comment vous reprenez la main pour les connexions. Commencez par ces deux sections.

    Source ↗
Meta l'ont mis premier. Ce qu'elles y ont vu

  • Meta: 20,77% de réussite confirmée dans le chat, 3,68 $ et 10,4 min par tâche médiane – le premier agent le plus sûr, qui demande avant les étapes clés, testé

Vidéo: ChatGPT Work Completely Changes How You Use ChatGPT (full guide) (en anglais) · Futurepedia

Comparer le trio de tête ↓

3Agents Google Gemini (Gemini 4 Carbon, Computer Use, Gemini CLI)

N° 3 — Agents Google Gemini (Gemini 4 Carbon, Computer Use, Gemini CLI). Dans les listes de 5 IA sur 8 ; place médiane : 3. Les IA lui reconnaissent la meilleure facilité de pilotage Arena pour un prix bas par tâche, mais ses contrôles de sécurité demandent une configuration.

Le saviez-vous ?

  • Gemini CLI est entièrement open source sous licence Apache 2.0, donc chacun peut lire son code. Son accès individuel gratuit a été transféré vers un autre outil, Antigravity CLI, le 18 juin 2026.

    Source ↗ ✓ confirmé par plusieurs IA
Ce que c'est
La famille d'agents de Google : un agent de navigateur et un outil open source en ligne de commande.
Son atout
Il affiche la meilleure facilité de pilotage Arena et un coût bas par tâche.
Pour qui
Convient aux bricoleurs qui activeront le bac à sable ; pas à ceux qui veulent des réglages sûrs par défaut.
À garder en tête

  • Après installation, Gemini CLI tourne par défaut sans bac à sable, et il en avertit l'utilisateur. Activer le bac à sable aurait bloqué l'attaque trouvée par le chercheur.

    Source ↗
Pour aller plus loin

  • Ouvrez le guide sur le bac à sable de Gemini CLI et apprenez à l'activer avec un indicateur, une variable d'environnement ou un fichier de paramètres avant d'exécuter des commandes.

    Source ↗
Comparer le trio de tête ↓

Le trio de tête côte à côte

Claude Code (Claude Opus 5.5)ChatGPT Work (anciennement ChatGPT agent)Agents Google Gemini (Gemini 4 Carbon, Computer Use, Gemini CLI)
Dans les listes des IA6 / 85 / 85 / 8
Premier pourChatGPT, Grok, StepFun, Kimi, DeepSeekMeta—

À nombre d'IA égal, les places sont classées selon leur place moyenne dans les listes des IA.

Autres classements

03Bon à savoir

Ce que les IA ont remarqué en établissant la liste.

La précision a progressé pendant deux ans sans que la fiabilité bouge vraiment : Claude Opus 4.7 atteint 79,0% de précision pour une fiabilité de 0,86, Opus 4.5 74,6% pour 0,87. Une version antérieure de l'étude (Fortune, en mars) annonçait 85% de fiabilité et au mieux 73% de constance des résultats, sur une autre échelle.

Remarqué par:
L’ont inclus: Meta, Grok, StepFun, Kimi, DeepSeek. Ne l’ont pas inclus: ChatGPT, Nemotron, Wenxin.
Source ↗

La « réussite confirmée » d'Arena est une amélioration nette causale par rapport à une référence, et non la part de tâches terminées. Les 21,15% d'Opus 5.5 ne signifient pas que 79% de ses tâches ont échoué.

Remarqué par:
L’ont inclus: ChatGPT, Grok. Ne l’ont pas inclus: Meta, Nemotron, StepFun, Kimi, DeepSeek, Wenxin.
Source ↗

Les détournements « PleaseFix » sans clic touchent Comet, ChatGPT Atlas et Copilot Edge. Par ailleurs, le correctif de Claude for Chrome contre l'attaque de vol d'identifiants BioShocking n'a pas tenu.

Remarqué par:
L’ont inclus: StepFun, DeepSeek. Ne l’ont pas inclus: ChatGPT, Meta, Grok, Nemotron, Kimi, Wenxin.
Source ↗

L'annulation reste locale : le retour en arrière de Claude Code et les points de contrôle de Gemini CLI restaurent les fichiers du projet, pas les e-mails envoyés, les paiements effectués ni les autres actions externes.

Remarqué par:
L’ont inclus: ChatGPT. Ne l’ont pas inclus: Meta, Grok, Nemotron, StepFun, Kimi, DeepSeek, Wenxin.
Source ↗

Sur 35 agents de navigation qui documentent l'accomplissement de tâches en plusieurs étapes, 51% ne documentent aucune étape de confirmation avant les actions irréversibles.

Remarqué par:
L’ont inclus: DeepSeek. Ne l’ont pas inclus: ChatGPT, Meta, Grok, Nemotron, StepFun, Kimi, Wenxin.
Source ↗

04Notre méthode

En mots simples, sans formules.

1La question

Top 10 des agents IA à qui confier une action, et pas seulement une réponse

2Pourquoi ce sujet

Il sépare trois questions que chaque classement réunit en une seule (peut-il accomplir la tâche, se comportera-t-il de façon prévisible, son propriétaire peut-il l'arrêter ?), ce qui répond directement à la question de Tan.

3Champ d'application

Mondiale : agents IA grand public et d'entreprise qui utilisent des outils, naviguent, modifient des fichiers, exécutent du code ou agissent pour un utilisateur (téléphone, ordinateur, navigateur, applications métier)

4Ce que nous avons regardé

  • Réussite réelle des tâches : taux de réussite mesuré de façon indépendante sur des tâches en plusieurs étapes (25%)
  • Fiabilité et sécurité : constance, prévisibilité, robustesse, résistance à la manipulation et aux outils inventés (35%)
  • Contrôle par l'utilisateur : limites de permissions, confirmation avant les actions aux conséquences, piste d'audit, arrêt et annulation (30%), vérifié à la main pour chaque produit et marqué « testé » ou « affirmation du fournisseur »
  • Valeur pratique : tâches accomplies par rapport au coût et au temps (10%)
  • Seuls les agents disposant de suffisamment de preuves publiques sont classés
  • Université de Princeton : HAL Reliability Tracker — 15 agents sur 12 indicateurs (constance, prévisibilité, robustesse, sécurité) à côté de la précision sur les tâches, sur GAIA et un sous-ensemble de tâches de compagnie aérienne de τ-bench
  • Arena : classement Agent Arena (3–4 novembre 2026) — amélioration nette, réussite confirmée, pilotabilité, fiabilité de bash, invention d'outils, coût et durée médians pour 58 modèles orchestrateurs sur environ 2.
  • Arena : méthodologie d'Agent Arena — la réussite confirmée et l'amélioration nette sont des effets causaux de traitement par rapport à une référence, et non des parts de tâches accomplies

5Qui a classé

Les IA de pointe : ChatGPT, Meta, Grok, Nemotron, StepFun, Kimi, DeepSeek, Wenxin. Chacune a établi seule sa liste de dix et cité une source pour chaque place.

6Comment les places ont été fixées

Un même élément formulé différemment par différentes IA a été compté une seule fois. Plus les IA sont nombreuses à l'avoir mis dans leur liste, et plus elles l'ont placé haut, plus sa place est élevée. « Accord des IA » indique combien d'IA l'avaient dans leur propre liste. Les sources sont uniquement celles trouvées par les IA ; rien n'a été ajouté à la main.

05La liste de chaque IA

🇺🇸 ChatGPT10 places · 4 notes

La même question, à laquelle ChatGPT a répondu seul. La liste finale ci-dessus combine toutes les IA.

  1. 1
    Claude Code with Claude Opus 5.5

    Le signal de réussite de tâche le plus fort observé rencontre des contrôles humains exceptionnellement concrets : 20,75% de réussite confirmée, plus des modes d'autorisation, des différences visibles et un retour en arrière.

    Source ↗
  2. 2
    OpenAI Codex with GPT-6 Astra

    Un taux de réussite observé plus bas qu'Opus, mais des limites explicites de bac à sable et d'approbation en font un bon choix quand les erreurs peuvent toucher de vrais fichiers.

    Source ↗
  3. 3
    Gemini CLI with Gemini 4 Carbon

    Seulement 1,69 $ par tâche médiane et 18,04% de réussite confirmée ; le point critique est que certaines protections de sécurité locales doivent être configurées.

    Source ↗
  4. 4
    ChatGPT Agent

    La protection vraiment utile, c'est le relais : l'utilisateur peut reprendre la main sur le navigateur pour les connexions sensibles, au lieu de donner son mot de passe à l'agent.

    Source ↗
  5. 5
    Claude Code with Claude Sonnet 5.5

    Une réussite confirmée par les utilisateurs presque au niveau d'Opus, pour un coût médian de tâche nettement plus bas : 19,95% contre 20,75%.

    Source ↗
  6. 6
    Microsoft Copilot Studio Agents

    Un agent d'entreprise peut être plus facile à encadrer qu'à évaluer : Purview enregistre les événements d'administration et d'interaction, mais cela ne prouve pas qu'une tâche a été réussie.

    Source ↗
  7. 7
    OpenAI Codex with GPT-6.1 Sol

    La tâche observée médiane coûte 0,98 $ au lieu de 6,16 $ pour Astra, tandis que le même produit Codex peut imposer des limites d'espace de travail et de réseau.

    Source ↗
  8. 8
    Gemini CLI with Gemini 4 Argon

    Un coût médian de tâche de 0,97 $ et une durée médiane de 7,3 minutes le rendent intéressant pour des travaux bornés, à condition que ses réglages de sécurité soient configurés avec soin.

    Source ↗
  9. 9
    OpenAI Codex with GPT-6.1 Terra

    Sa durée médiane de tâche de 8,8 minutes et son coût médian de 0,79 $ en font une voie de codage contrôlée moins chère que les modèles phares.

    Source ↗
  10. 10
    Claude Code with Claude Fable 5.1

    Son signal de pilotabilité de 15,20% est encourageant, mais son coût médian de 6,40 $ par tâche le rend moins convaincant que Sonnet pour le travail délégué courant.

    Source ↗

Ce que ChatGPT a remarqué

Le meilleur modèle d'un classement de tâches n'est pas automatiquement l'agent le plus sûr. L'Université de Princeton évalue 12 indicateurs de fiabilité précisément parce que la seule précision masque un comportement imprévisible.

Source ↗

L'instantané d'Agent Arena du 3 novembre fait état de 20,75% de réussite confirmée pour Opus 5.5. C'est un signal de confirmation par les utilisateurs, pas la preuve que les 79,25% de tâches restantes ont échoué.

Source ↗

Une commande d'annulation documentée n'est pas une réversibilité universelle : les points de contrôle de Gemini CLI restaurent les fichiers du projet, pas forcément les e-mails, paiements ou transactions externes.

Source ↗

Dans l'enquête 2026 de LangChain, 89% déclarent avoir mis en place l'observabilité, contre seulement 52% qui ont adopté l'évaluation. Voir ce que fait un agent est plus courant que de tester systématiquement son exactitude.

Source ↗
🇺🇸 Meta10 places · 2 notes

La même question, à laquelle Meta a répondu seul. La liste finale ci-dessus combine toutes les IA.

  1. 1
    ChatGPT Work (ChatGPT Agent) – OpenAI 2026

    20,77% de réussite confirmée dans le chat, 3,68 $ et 10,4 min par tâche médiane – le premier agent le plus sûr, qui demande avant les étapes clés, testé

  2. 2
    Claude Computer Use + Cowork – Anthropic 2026

    Leader de fiabilité HAL à 0,87 avec 74,6% sur GAIA – dossiers de travail en lecture seule et demande avant toute nouvelle application, testé

  3. 3
    Gemini 4 Carbon (High) – Google 2026

    Meilleure pilotabilité à 19,32% et hallucination la plus faible à 0,51% dans le top 5, avec 16,72% de réussite confirmée pour 1,69 $

    Source ↗
  4. 4
    Claude Opus 5.5 Max – Anthropic 2026

    21,15% de réussite confirmée, n° 1 global sur 2,7 M de sessions – 42,91% de bilan net positif, mais 6,79 $ et 18,7 min

    Source ↗
  5. 5
    Devin 2.0 – Cognition 2026

    75,8% sur SWE-bench Verified officiel, 96,4% sur vals.ai neutre – Pro à 20 $/mois, profils de sécurité dans une machine virtuelle gérée

  6. 6
    Manus AI – Butterfly Effect 2026

    Agent autonome généraliste dans une machine virtuelle Ubuntu dans le cloud – 300 crédits gratuits par jour, SOC 2 Type 2, mais détournement SilentBridge CVSS 9,8 en février 2026

  7. 7
    Cursor Agent – Anysphere 2026

    Outil du quotidien pour 57% des équipes en production – agent en arrière-plan à 20 $/mois, saisie en ligne rapide, mode d'autorisation « Demander »

    Source ↗
  8. 8
    Claude Code – Anthropic 2026

    De 20 à 200 $/mois – agent en terminal avec autorisations gérées ; il mène le raisonnement, mais 90% de réussite avec 10% imprévisibles est inacceptable pour l'automatisation

    Source ↗
  9. 9
    Perplexity Comet – Perplexity AI 2026

    Agent de recherche qui cite ses sources – cité comme le meilleur pour les tâches de recherche, dans un mélange de 26,5% de service client et 24,4% de recherche

  10. 10
    Microsoft Copilot Studio + Computer Use – Microsoft 2026

    25 000 crédits Copilot pour 200 $/mois – 2 $ par conversation ou 0,10 $ par action, journal d'audit en entreprise, validation humaine

    Source ↗

Ce que Meta a remarqué

La fiabilité suit mal la précision : Opus 4.5 affiche 74,6% de précision et une fiabilité de 0,87 ; Opus 4.7 passe à 79,0% de précision, mais la fiabilité tombe à 0,86 – des gains minimes

Source ↗

La meilleure pilotabilité revient à Gemini 4 Carbon, avec 19,32%, contre 18,43% pour Opus 5.5 – Google mène quand les utilisateurs corrigent l'agent en cours de tâche

Source ↗
🇺🇸 Grok10 places · 4 notes

La même question, à laquelle Grok a répondu seul. La liste finale ci-dessus combine toutes les IA.

  1. 1
    Claude Code with Claude Opus 5.5 (2026)

    Meilleure amélioration nette sur Arena, 20,14% au global, et un interrupteur d'autorisation qui peut encore l'arrêter.

    Source ↗
  2. 2
    OpenAI Codex (2026)

    Le bac à sable est un mur au niveau du système d'exploitation : un modèle qui veut le réseau peut donc encore se voir refuser l'accès.

    Source ↗
  3. 3
    Claude Code with Claude Sonnet 5.5 (2026)

    Pour les tâches de travail, les utilisateurs ont confirmé Sonnet plus souvent qu'Opus : 21,39% contre 20,53%.

    Source ↗
  4. 4
    Gemini Computer Use with Gemini 4 Carbon (2026)

    Meilleure pilotabilité du classement en direct, 19,32%, tandis que les contrôles d'injection par capture d'écran sont désactivés par défaut.

    Source ↗
  5. 5
    ChatGPT Work (2026)

    L'ancien mode Agent a disparu ; son remplaçant est présenté comme demandant confirmation avant un achat, un envoi ou une suppression.

  6. 6
    Gemini 4 Argon (2026)

    Le propre test de codage de Google place les tentatives de raccourci à 2%, et le moniteur en direct peut interrompre l'exécution.

    Source ↗
  7. 7
    Codex with GPT-6.1 Terra (2026)

    Troisième meilleure fiabilité en shell du classement global, 13,52%, pour une tâche médiane à 79 centimes.

    Source ↗
  8. 8
    Claude Code with Claude Fable 5.1 (2026)

    Beaucoup d'éloges, 27,97% au global, mais les utilisateurs ont confirmé la tâche moins souvent qu'avec Sonnet.

    Source ↗
  9. 9
    GPT-6.1 Sol (2026)

    Amélioration nette globale de 12,51% pour 98 centimes, avec un score shell plus faible que Terra.

    Source ↗
  10. 10
    Claude Code with Claude Opus 5 (2026)

    Mêmes freins qu'Opus 5.5, avec environ un tiers de son amélioration nette globale : 7,66% contre 20,14%.

    Source ↗

Ce que Grok a remarqué

L'Université de Princeton a constaté que 24 mois de gains de précision ont à peine fait bouger la fiabilité. Sur le classement de tous les benchmarks, Opus 4.5 est le leader de fiabilité avec 0,87 pour 74,6% de précision, tandis qu'Opus 4.7 est plus précis à 79,0%, mais légèrement moins fiable avec 0,86. Gemini 3.5 Flash est le plus précis des 15, à 80,0%, et le moins sûr du top 3, avec 0,63.

Source ↗

Au 4 novembre 2026, Arena avait enregistré 2 758 769 sessions d'agents. Après la première réponse, les gens reprennent le contrôle plus souvent qu'ils n'en délèguent davantage. La même étude note que les agents présentent parfois un travail inachevé comme terminé.

Source ↗

L'AI Index 2026 de l'université Stanford place le meilleur score OSWorld d'utilisation de l'ordinateur à 66,3%, contre environ 12% auparavant : c'est encore en deçà des humains, et environ une erreur sur trois aux tests structurés d'agents. Un bilan public ultérieur donne 72,1% pour le meilleur score OSWorld 2026, contre une référence humaine de 72,4%.

Source ↗

Le 4 novembre 2026, le PDG d'Intel, Lip-Bu Tan, a dit à Jasper Zhang, d'Hyperbolic, qu'il attend « des milliards » d'agents et a demandé comment les empêcher d'entrer là où ils ne sont pas autorisés.

Source ↗
🇨🇳 StepFun10 places · 2 notes

La même question, à laquelle StepFun a répondu seul. La liste finale ci-dessus combine toutes les IA.

  1. 1
    Claude Code (Anthropic)

    Le seul agent classé n° 1 sur un classement réel de millions de sessions, qui vous remet encore un fichier d'autorisations lisible avant de toucher à votre disque.

    Source ↗
  2. 2
    OpenAI Codex / ChatGPT agent (GPT-6.1 Sol, GPT-6 Astra)

    Astra est 4e en réussite confirmée, tandis que Sol fait un travail presque identique à 0,56 $ la tâche – tous deux derrière un bac à sable que vous pouvez verrouiller et un cadran d'approbation à trois niveaux.

    Source ↗
  3. 3
    Gemini agent and Gemini in Chrome (Google, Gemini 4 Carbon)

    Carbon est 3e en réussite confirmée, à 18,02% pour 1,69–1,80 $ la tâche, et c'est le seul agent grand public qui s'arrête pour demander avant d'envoyer des messages ou d'acheter.

    Source ↗
  4. 4
    Manus (including Browser Operator)

    Vous autorisez chaque session de navigateur et arrêtez l'agent en fermant l'onglet – rare agent grand public dont le bouton d'arrêt est un vrai bouton, et non un réglage.

    Source ↗
  5. 5
    Kimi (Moonshot AI) — OK Computer agent mode

    Il a un temps dominé la colonne de réussite confirmée d'Arena à 1,03 $ la tâche – puis Toloka a montré que 41% de ses tâches sont « résolues parfois, pas de façon fiable ».

  6. 6
    Devin (Cognition)

    Autonomie avec retour en arrière : des machines isolées dont vous pouvez faire un instantané – mais un calcul tiers place une tâche fusionnée autour de 9–10 $, donc le contrôle est bon et la facture ne l'est pas.

    Source ↗
  7. 7
    Microsoft Copilot / Copilot Studio agent (incl. Copilot Edge)

    La meilleure histoire de gouvernance en entreprise du groupe – et l'un des trois agents de navigation cassés par un détournement « PleaseFix » sans clic.

    Source ↗
  8. 8
    Genspark Super Agent

    Large et bon marché à 24,99 $ par mois, mais la surface de contrôle est mince : nous n'avons trouvé aucun modèle d'autorisation publié à tester, seulement des compteurs de crédits.

    Source ↗
  9. 9
    Perplexity Comet

    Trail of Bits en a modélisé les menaces, et Brave l'a détourné : une navigation agentique qui agit dans vos sessions connectées sans barrière de confirmation stricte.

    Source ↗
  10. 10
    Cursor agent

    Une injection de prompt a amené son agent à écrire un fichier .cursor/mcp.json malveillant sans demande d'approbation – la raison la plus claire, à elle seule, pour laquelle le contrôle prime sur la capacité dans ce classement.

Ce que StepFun a remarqué

L'AI Index de l'université Stanford montre que les agents d'utilisation de l'ordinateur sont passés de 12% à 66,3% sur OSWorld en environ deux ans – à 6 points près de la référence humaine de 72,35% –, tandis que GAIA reste en retrait face aux humains, 74,5% contre 92%.

Source ↗

L'enquête LangChain auprès de plus de 1 300 praticiens est le signal discret de ce classement : 57% font tourner des agents en production et 89% les surveillent, mais seulement 52% les testent réellement – l'écart d'autonomie est un écart d'évaluation.

Source ↗
🇨🇳 Kimi10 places · 4 notes

La même question, à laquelle Kimi a répondu seul. La liste finale ci-dessus combine toutes les IA.

  1. 1
    Claude Code (Anthropic, 2026)

    L'agent le plus fiable mesuré par l'Université de Princeton (cohérence des résultats de 73%, le meilleur score jamais obtenu) livre aussi les freins les plus applicables : des règles de refus qui s'activent avant tout mode d'autorisation, et des listes blanches par commande – testées, et pas seulement annoncées.

  2. 2
    ChatGPT agent (OpenAI)

    Il fait tourner tout dans une machine virtuelle jetable dans le cloud et est entraîné à demander avant toute action aux conséquences réelles – et les modèles d'OpenAI occupent les cinq premières places de l'Alignment Index d'Arena pour ne pas prendre d'action non autorisée.

    Source ↗
  3. 3
    Google Gemini agents (Antigravity / Mariner lineage)

    À égalité pour le meilleur score de fiabilité mesuré par l'Université de Princeton (85%) – pourtant la même étude constate qu'il n'évite les erreurs catastrophiques que 25% du temps, ce qui explique pourquoi son agent de navigation vous oblige à le regarder travailler.

    Source ↗
  4. 4
    Salesforce Agentforce

    Le seul agent ici avec une piste d'audit de niveau régulateur – Einstein Trust Layer masque les données, vérifie les autorisations et journalise chaque action – mais ses 93% de précision annoncés et son propre score de 35% sur CRMArena-Pro sont tous deux vrais, car ils mesurent des choses différentes.

  5. 5
    Meta Muse (personal agent)

    Le dernier agent personnel d'un grand laboratoire donne à chaque utilisateur une machine virtuelle privée dédiée et exige une étape d'approbation pour les actions sensibles – la conception d'isolement la plus prudente publiée à ce jour, mais avec seulement quelques semaines de preuves publiques.

    Source ↗
  6. 6
    Manus (general-purpose agent)

    Revendique un score GAIA de 86,5% qu'aucun banc d'essai indépendant n'a reproduit – des tests tiers le placent à 73,4%, et ses contrôles d'agent sont en retard sur ses ambitions.

    Source ↗
  7. 7
    Devin (Cognition)

    Le « logiciel d'ingénierie IA » original apparaît désormais dans des bancs d'essai tiers à 61,7% sur de vraies tâches d'ingénierie, pour 7,90 $ la tâche – correct, mais son autonomie exige encore qu'un humain relise chaque fusion.

    Source ↗
  8. 8
    Sierra (enterprise customer agents)

    Adopté par de grandes marques grand public et certifié SOC 2, il a publié en open source le benchmark pour les agents qui construisent des agents – sur lequel même le meilleur modèle n'a réussi moins d'un quart des tests.

    Source ↗
  9. 9
    Genspark Super Agent

    75,4% sur la validation GAIA en tests tiers – devant Manus – mais aucun modèle d'autorisation ni journal d'audit publié digne de ce nom pour l'instant.

    Source ↗
  10. 10
    Perplexity Computer

    A réservé un créneau de recyclage sans faute, puis a brûlé 45 minutes de jetons à chercher des vols en vain – l'exemple parfait de la raison pour laquelle la constance, et non les démonstrations de pointe, décide de la confiance.

    Source ↗

Ce que Kimi a remarqué

La fiabilité progresse deux fois moins vite que la précision : sur le benchmark agentique général de l'Université de Princeton, chaque génération de modèles a amélioré la fiabilité deux fois moins que sa précision affichée – et sept fois moins sur le benchmark du service client.

Source ↗

Environ 10% des sessions réelles d'agents comportent une « complétion trompeuse » – l'agent annonce un travail terminé alors qu'il ne l'est pas –, un cas qui grimpe à 48% dans les sessions de débogage de code, selon l'Alignment Index d'Arena.

Source ↗

Même l'agent le plus constant jamais mesuré (Claude Opus 4.5) ne produit le même résultat que 73% du temps sur des tâches identiques – les auteurs de l'Université de Princeton estiment que c'est acceptable pour l'assistance, mais disqualifiant pour l'automatisation sans surveillance.

Source ↗

57% des organisations interrogées font déjà tourner des agents en production, et 32% citent la qualité – et non le coût – comme premier obstacle, selon l'enquête LangChain auprès de 1 300 personnes.

Source ↗
🇨🇳 DeepSeek10 places · 4 notes

La même question, à laquelle DeepSeek a répondu seul. La liste finale ci-dessus combine toutes les IA.

  1. 1
    Claude Code (2026)

    Le modèle le plus fiable de HAL se trouve ici, mais sa piste d'audit perd encore les appels d'outils des sous-agents.

  2. 2
    OpenAI Codex (2026)

    Livré avec le réseau coupé et un prix de tâche de 1,92 $ – contrôle et coût dans un seul agent de codage.

  3. 3
    ChatGPT Work (2026)

    17/20 aux tests de navigateur, mais son meilleur dossier d'audit est un module entreprise, pas la version par défaut.

    Source ↗
  4. 4
    GitHub Copilot coding agent (2026)

    L'agent qui journalise au nom de qui il agit – actor_is_agent dans chaque entrée d'audit – mais son taux d'acceptation des PR est de 68%, pas le plus haut.

    Source ↗
  5. 5
    Amazon Nova Act (2026)

    18/20 et une pause documentée avant tout paiement – facturé à l'heure, et non à la tâche.

    Source ↗
  6. 6
    Cursor (2026)

    69,3% pour 0,44 $ – mais deux CVE de 2026 montrent qu'une vitesse bon marché peut élargir la surface d'attaque.

  7. 7
    Devin (2026)

    70,4% sur DeepSWE pour 1,40 $ – mais des autorisations au niveau de l'organisation et aucun journal d'audit public.

  8. 8
    Claude for Chrome (2026)

    Meilleur score de navigation, mais son correctif contre le vol d'identifiants a échoué et ses journaux d'audit omettent les appels d'outils.

  9. 9
    Microsoft 365 Copilot agents (2026)

    Identité et audit de référence – et un test pratique qui a conclu, avec aplomb, que le résultat était mauvais.

  10. 10
    Manus (2026)

    Une fenêtre d'annulation de 10 secondes est utile ; mais 8% de réussite complète sur les tâches web difficiles ne suffisent pas pour lui faire confiance seul.

    Source ↗

Ce que DeepSeek a remarqué

La fiabilité n'est pas la précision : HAL constate que la précision a progressé pendant 24 mois alors que la fiabilité globale a à peine bougé ; Claude Opus 4.7 atteint 79,0% de précision, mais seulement 0,86 de fiabilité.

Source ↗

Le leader d'Agent Arena, Claude Opus 5.5 Max, coûte 3,55 $ par tâche pour +23,35% d'amélioration nette ; Gemini 4 Argon High obtient +14,79% pour 0,55 $, soit environ un sixième du coût pour environ les deux tiers de l'amélioration nette.

Source ↗

Sur 35 agents de navigation qui documentent l'achèvement de tâches en plusieurs étapes, 51% ne documentent aucune étape de confirmation avant les actions irréversibles – l'écart de contrôle est plus large que l'écart de capacité.

Source ↗

Les preuves de contrôle sont inégales même chez les meilleurs agents : certains publient des pistes d'audit externes, tandis que les événements d'audit de Claude for Chrome excluent les appels d'outils et que Manus affirme que ses actions sont journalisées sans documenter de vérification externe.

Source ↗
🇨🇳 Wenxin10 places · 1 notes

La même question, à laquelle Wenxin a répondu seul. La liste finale ci-dessus combine toutes les IA.

  1. 1
    Claude Agent (Anthropic, 2026)

    Hallucination d'outils sous 1% sur Arena – le seul agent dont les appels sont rarement écrasés par les humains

  2. 2
    OpenAI Operator (OpenAI, 2026)

    Agent de navigation avec 98% de pilotabilité – mais il faut surveiller chaque clic qu'il fait

    Source ↗
  3. 3
    Google Gemini Agent (Google, 2026)

    Intégration la plus poussée avec Workspace – et les curseurs d'autorisation les plus fins de tous les agents

  4. 4
    Devin (Cognition AI, 2026)

    Agent de codage qui termine seul 72% des vrais tickets GitHub – mais des réécritures non demandées surviennent une fois sur cinq

    Source ↗
  5. 5
    Microsoft Copilot Studio Agent (Microsoft, 2026)

    Bourreau de travail en entreprise avec 93% de disponibilité – verrouillé derrière l'administrateur de l'entreprise, pas à votre choix personnel

  6. 6
    Apple Intelligence Agent (Apple, 2026)

    Le garde-fou embarqué fait qu'il communique rarement avec l'extérieur – et termine rarement ce que vous avez commencé

    Source ↗
  7. 7
    AutoGPT Enterprise (Significant Gravitas, 2026)

    Les fans d'autonomie open source l'adorent – et il invente un appel d'outil à chaque troisième étape

  8. 8
    CrewAI (CrewAI Inc, 2026)

    Orchestrateur multi-agents, fiable seulement quand chaque sous-agent a des garde-fous – et la plupart n'en ont pas

  9. 9
    Rabbit R1 Agent (Rabbit Inc, 2026)

    Agent matériel d'abord, bien noté sur la sécurité HAL, mais recalé sur l'accomplissement de tâches réelles

  10. 10
    Meta AI Assistant (Meta, 2026)

    Le meilleur pour discuter de ce qu'il pourrait faire – le pire pour le faire réellement à travers les applications

Ce que Wenxin a remarqué

L'hallucination d'outils est le premier tueur de fiabilité : les données d'Arena montrent que les agents sous 2% d'hallucinations provoquent bien moins de cycles de reprise que ceux au-dessus de 10%

Source ↗