Réussite stricte et score noté ne racontent pas la même histoire. GPT-6.2 Astra réussit entièrement 47,5% des longues tâches, mais obtient en moyenne 78,3% : une grande partie de son travail rapporte des points partiels sans passer toutes les vérifications.
Classement des agents IA pour le travail en 2026 : top 10 selon de vrais tests de tâches
Le meilleur agent de l'Agents' Last Exam, GPT-6.2 Astra, ne réussit entièrement que 47,5% des 122 longues tâches professionnelles. Sur les flux de travail professionnels de Zapier, la plupart des échecs tiennent à des agents qui annoncent un succès alors que les dossiers sont faux.
- N° 1 : GPT-6.2 Astra (Codex)
- 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.
Comparer les taux d'achèvement et les scores notés sur les tâches professionnelles longues, y compris les points partiels et les taux de réussite stricte.
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
GPT-6.2 Astra (Codex)
Il obtient la meilleure réussite stricte à l'examen long, 47,5%, en 29 heures, contre 227 heures pour Fable. Il réussit aussi 52,4% des flux de travail de Zapier, à 0,83 $ la tâche.
L’ont inclus: ChatGPT, Meta, Grok, Gemini, MiMo, Kimi, Qwen. Ne l’ont pas inclus: Claude, DeepSeek, Qianwen.Dans leurs listes: ChatGPT: 1 · Meta: 2 · Grok: 1 · Gemini: 1 · MiMo: 1 · Kimi: 5 · Qwen: 2
Ce qu'a noté chaque IA 7
- ChatGPTplace 1
47,5 % de réussites strictes et une note globale de 78,3 % pour 3,05 $ par tâche et environ 14 minutes : près de la moitié des tâches échouent encore au critère du tout-ou-rien.
Source ↗ - Metaplace 2
47,5 % de réussite sur ALE v1.1, le plus haut taux de réussite stricte jusqu'ici, en 29 heures au lieu de 227.
Source ↗ - Grokplace 1
Il réussit strictement 47,5 % des 122 tâches professionnelles longues en 29 heures, un résultat que Fable met 227 heures à approcher.
- Geminiplace 1
Il domine Agents' Last Exam v1.1 avec 47,5 % de réussite et une note de 78,3 % en utilisant 2,6 M de jetons de sortie, même si les utilisateurs signalent encore une sur-ingénierie et des affirmations non vérifiées.
Source ↗ - MiMoplace 1
Premier modèle jamais classé « élevé » pour sa capacité d'auto-amélioration — et toujours celui que les humains supervisent en dernier.
Source ↗ - Kimiplace 5
Détient le meilleur chiffre déclaré par lui-même sur le travail professionnel — 77,6 % sur ALE v1.1 — mais c'est le test du laboratoire en régime maximal, et non le taux de réussite stricte sur lequel les autres sont notés.
Source ↗ - Qwenplace 2
En tête d'Agents' Last Exam v1.1 avec 47,5 % de réussite stricte et une note de 78,3 % en utilisant 2,6 M de jetons de sortie.
Source ↗
7 IA l’ont placé ici - 2
Gemini 4 Carbon
Il est proche du sommet dans les deux classements : 45,9% de réussite stricte à l'examen long et 53,9% sur les flux de travail Zapier. Son score partiel de 77,4% masque le fait qu'il échoue sur environ 54 longues tâches sur 100.
L’ont inclus: ChatGPT, Meta, Grok, Gemini, Claude, Kimi, DeepSeek. Ne l’ont pas inclus: MiMo, Qwen, Qianwen.Dans leurs listes: ChatGPT: 9 · Meta: 4 · Grok: 2 · Gemini: 3 · Claude: 1 · Kimi: 3 · DeepSeek: 1
Ce qu'a noté chaque IA 7
- ChatGPTplace 9
53,9 % d'accomplissement des tâches, juste derrière le leader du classement privé, mais il n'est pas directement comparable aux tâches professionnelles d'utilisation de l'ordinateur de ALE.
Source ↗ - Metaplace 4
53,9 % sur AutomationBench, le meilleur score inter-applications, et 10,9 % sur GDPx pour un tiers du coût par tâche d'Opus.
- Grokplace 2
Une note de 77,4 % à l'examen long, et il échoue tout de même strictement sur environ 54 de ces tâches sur 100.
- Geminiplace 3
Il affiche 45,9 % de réussite et 77,4 % de note sur Agents' Last Exam v1.1, associant de bons points partiels sur les flux complexes à des contrôles de vérification déterministes.
Source ↗ - Claudeplace 1
Il est en tête d'Agents' Last Exam v1.1 avec 45,9 % de réussite stricte et 77,4 % de note, et réussit 53,9 % des tâches d'AutomationBench à 2,12 $ chacune.
- Kimiplace 3
Le champion du correcteur de flux le plus strict : 53,9 % sur AutomationBench, le taux de réussite le plus élevé enregistré par Zapier sur 657 tâches réelles d'entreprise.
- DeepSeekplace 1
Il domine ALE avec 45,9 % de réussite stricte et 77,4 % de note — mais échoue dans 100 % des cas au niveau le plus difficile.
Source ↗
7 IA l’ont placé ici - 3
Claude Fable 5.2 (Claude Code)
Son taux de réussite de 46,9% à l'examen long laisse de côté 9 tâches déclassées et a pris 227 heures, la plus lourde exécution. Il réussit 51,4% des flux Zapier, mais à 4,64 $ la tâche.
L’ont inclus: ChatGPT, Meta, Grok, Gemini, MiMo, Kimi, DeepSeek, Qwen. Ne l’ont pas inclus: Claude, Qianwen.Dans leurs listes: ChatGPT: 6 · Meta: 3 · Grok: 7 · Gemini: 2 · MiMo: 2 · Kimi: 4 · DeepSeek: 2 · Qwen: 1
Ce qu'a noté chaque IA 8
- ChatGPTplace 6
43,4 % de réussite stricte pour 60,05 $ et deux heures par tâche dans l'exécution présentée : proche du taux de réussite du leader, pour près de 20 fois le coût.
Source ↗ - Metaplace 3
46,9 % sur ALE v1.1 et en tête de l'Intelligence Index, après 227 heures de temps d'agent.
Source ↗ - Grokplace 7
Le taux de réussite de 46,9 % laisse de côté 9 tâches, et l'exécution a tout de même pris 227 heures et 4,64 $ par flux de travail.
- Geminiplace 2
Il atteint 46,9 % de réussite et 72,8 % de note sur Agents' Last Exam v1.1 (moyenne sur les tâches hors les 9 déclassées), tout en exigeant une grande rigueur sur le coût et la vérification.
Source ↗ - MiMoplace 2
Prix équivalent à Astra, autour de 8 $, et la course aux benchmarks se joue désormais aux centimes, pas à l'intelligence.
Source ↗ - Kimiplace 4
A doublé son prédécesseur en une seule version — de 22,4 % à 51,4 % sur AutomationBench — avec 96,9 appels d'outils par tâche, à 9,01 $ par réussite effective en régime maximal.
- DeepSeekplace 2
Il termine 41,25 % de vrais travaux de freelance, soit plus du double d'Opus 5.5 — pour plus de 15,70 $ par tâche ALE.
- Qwenplace 1
En tête de SWE-bench Verified avec 95 % et de la frontière de Pareto du travail réel d'Arena à 11,32 $ par tâche.
Source ↗
8 IA l’ont placé ici - 4
Gemini 4 Neon
Il est en tête du classement officiel des flux de travail de Zapier avec 56,3% pour 1,69 $ la tâche. Il n'a pas de ligne à l'examen professionnel long : il n'est donc testé que sur un seul classement.
L’ont inclus: ChatGPT, Grok, Gemini, Claude, Qwen. Ne l’ont pas inclus: Meta, MiMo, Kimi, DeepSeek, Qianwen.Dans leurs listes: ChatGPT: 2 · Grok: 4 · Gemini: 4 · Claude: 5 · Qwen: 5
Ce qu'a noté chaque IA 5
- ChatGPTplace 2
56,3 % de réussite stricte sur le jeu de flux de travail privé de Zapier, en tête de la liste actuelle des modèles, mais une tâche ne compte que si l'état final de chaque application est correct.
Source ↗ - Grokplace 4
Il accomplit 56,32 % des flux privés de Zapier pour 1,69 $, et l'examen professionnel long ne le mentionne pas.
- Geminiplace 4
Il est en tête d'AutomationBench-AA avec 79,3 % et 94 % des objectifs accomplis sur des flux d'entreprise multi-applications, tout en exigeant des garde-fous et des contrôles humains pour les actions à forts enjeux.
Source ↗ - Claudeplace 5
Il est en tête d'AutomationBench avec 56,3 % pour 1,69 $ par tâche, soit moins cher par tâche que Carbon.
Source ↗ - Qwenplace 5
En tête du classement indépendant Artificial Analysis AutomationBench-AA avec 79,3 % sur des flux SaaS simulés.
Source ↗
5 IA l’ont placé ici - 5
Qwen 4 (environnement Codex)
Il réussit 46,7% de l'examen long, à un dixième de point de Fable, mais il lui faut 185 heures. Une équipe extérieure l'a fait tourner, et aucun chiffre de flux de travail ni de coût n'est publié.
L’ont inclus: Meta, Grok, Gemini. Ne l’ont pas inclus: ChatGPT, Claude, MiMo, Kimi, DeepSeek, Qwen, Qianwen.Dans leurs listes: Meta: 8 · Grok: 5 · Gemini: 5
Ce qu'a noté chaque IA 3
- Metaplace 8
46,7 % sur ALE v1.1, troisième juste derrière la tête de peloton, avec beaucoup moins de données publiées sur le coût et le contrôle.
Source ↗ - Grokplace 5
46,7 % de réussite stricte, un dixième de point derrière le taux phare de Fable, après 185 heures.
Source ↗ - Geminiplace 5
Il se situe dans le haut du classement d'Agents' Last Exam v1.1, aux côtés des 46,7 % de réussite et 74,4 % de note de Qwen 4 sur des flux professionnels vérifiables.
Source ↗
3 IA l’ont placé ici - 6
Kimi 3.1 Pro (Kimi Code)
Il égale les 43,4% de réussite à l'examen long d'Opus 5.5, en 61 heures au lieu de 177, avec 8,5 millions de jetons en sortie contre 21,5 millions. C'est le choix le plus efficace parmi les quasi-leaders.
L’ont inclus: ChatGPT, Grok, Gemini, Claude, DeepSeek. Ne l’ont pas inclus: Meta, MiMo, Kimi, Qwen, Qianwen.Dans leurs listes: ChatGPT: 7 · Grok: 3 · Gemini: 6 · Claude: 4 · DeepSeek: 5
Ce qu'a noté chaque IA 5
- ChatGPTplace 7
43,4 % de réussite stricte à 7 $ par tâche et environ 30 minutes — la même part de réussite que les exécutions de pointe plus coûteuses présentées sur ce classement.
Source ↗ - Grokplace 3
Le même taux de réussite stricte qu'Opus, 43,4 %, en environ un tiers des heures et avec 8,5 millions de jetons contre 21,5 millions.
Source ↗ - Geminiplace 6
Il affiche 43,4 % de réussite au meilleur harnais Kimi Code et 74,4 % de note, avec 8,5 M de jetons de sortie — bien moins que les 21,5 M de Claude Opus 5.5.
Source ↗ - Claudeplace 4
Un modèle de la famille à poids ouverts est à égalité avec Opus 5.5 à 43,4 % sur ALE v1.1, tandis que son frère Kimi K3 se classe 12e sur AutomationBench avec 22,7 %.
Source ↗ - DeepSeekplace 5
43,4 % de réussite ALE en 61 heures — plus rapide qu'Opus 5.5 et Fable 5.2 pour des scores similaires.
Source ↗
5 IA l’ont placé ici - 7
Gemini 4 Hydrogen (Antigravity CLI)
C'est le choix du meilleur rapport qualité-prix : 51,1% sur les flux Zapier à 0,82 $ la tâche, et encore 30,6% à 0,18 $. Il réussit aussi 43,4% de l'examen long.
L’ont inclus: Grok, Kimi. Ne l’ont pas inclus: ChatGPT, Meta, Gemini, Claude, MiMo, DeepSeek, Qwen, Qianwen.Dans leurs listes: Grok: 9 · Kimi: 6
Ce qu'a noté chaque IA 2
- Grokplace 9
Les flux de travail professionnels coûtent 0,82 $ pour un taux strict de 51,14 %, tandis que l'examen long consomme 25,5 millions de jetons pour atteindre 43,4 %.
- Kimiplace 6
La frontière de la valeur : 51,1 % sur AutomationBench pour 0,82 $ par tâche — et en effort faible, il réussit encore 30,6 % pour 0,18 $ ; rien de testé n'est à la fois moins cher et plus précis.
2 IA l’ont placé ici - 8
Claude Opus 5.5 (Claude Code)
Il réussit 43,4% de l'examen long après 177 heures et 21,5 millions de jetons, et 42,5% des flux Zapier à 1,44 $. Son score de 38,2% sur l'ancien classement provient d'un autre jeu de tâches.
L’ont inclus: ChatGPT, Meta, Grok, Claude, Kimi, DeepSeek, Qwen. Ne l’ont pas inclus: Gemini, MiMo, Qianwen.Dans leurs listes: ChatGPT: 10 · Meta: 1 · Grok: 8 · Claude: 2 · Kimi: 1 · DeepSeek: 4 · Qwen: 4
Ce qu'a noté chaque IA 7
- ChatGPTplace 10
50,3 % sur le jeu public de 600 tâches de Zapier, alors que Zapier prévient que ses scores officiels sur le jeu privé réservé peuvent différer.
Source ↗ - Metaplace 1
Il domine le test professionnel le plus difficile avec 12 %, mais échoue encore dans 88 % des cas, pour 51,41 $ par tâche.
Source ↗ - Grokplace 8
43,4 % de réussite stricte et une note de 71,6 %, après 177 heures et 21,5 millions de jetons de sortie.
Source ↗ - Claudeplace 2
Il est à égalité au deuxième rang sur ALE v1.1 avec 43,4 %, mais AutomationBench lui donne 29,5 % à 0,65 $ par tâche en régime moyen, et 42,5 % au maximum — un écart important selon le réglage.
Source ↗ - Kimiplace 1
En tête de l'examen professionnel le plus strict (38,2 % de réussite, 63,2 % de note sur Agents' Last Exam) et de GDPval-AA (68,3 %) — pour 1 340 $ et 183 heures de calcul.
Source ↗ - DeepSeekplace 4
Le meilleur sur les tâches professionnelles de 13 à 17 heures de DAYJOB, avec 24,7 % en santé — mais 177 heures sur ALE.
Source ↗ - Qwenplace 4
97 % sur SWE-bench Verified (avec Mini-SWE-agent), pour seulement 8,06 $ par tâche au classement de travail d'Arena.
Source ↗
7 IA l’ont placé ici - 9
GPT-6.2 Sol (Codex)
Il cède environ six points à Astra, avec 41,8% de réussite à l'examen long, et termine tout de même en 32 heures avec 3,1 millions de jetons. Aucun score sur le classement des flux n'est publié.
L’ont inclus: Grok, MiMo. Ne l’ont pas inclus: ChatGPT, Meta, Gemini, Claude, Kimi, DeepSeek, Qwen, Qianwen.2 IA l’ont placé ici - 10
Gemini 4 Argon
Il réussit 51,3% des flux Zapier à 1,70 $ au tarif affiché, mais seulement 40,2% de l'examen long. Il était en tête du classement des flux en octobre, avant que Neon le dépasse.
L’ont inclus: Meta, Grok, Claude, DeepSeek. Ne l’ont pas inclus: ChatGPT, Gemini, MiMo, Kimi, Qwen, Qianwen.Dans leurs listes: Meta: 5 · Grok: 10 · Claude: 8 · DeepSeek: 6
Ce qu'a noté chaque IA 4
- Metaplace 5
51,3 % sur AutomationBench, soit 337 flux sur 657, pour 1,70 $ par tâche.
- Grokplace 10
Le prix catalogue est de 1,70 $ par flux de travail pour un taux strict de 51,29 %, et le taux de réussite à l'examen long est de 40,2 %.
- Claudeplace 8
Il obtient 40,2 % sur ALE v1.1 et atteint aussi le sommet d'un instantané AutomationBench 1.0.6 relancé, à 51,3 %.
Source ↗ - DeepSeekplace 6
51,3 % de réussite stricte sur AutomationBench à 1,70 $ par tâche — le meilleur agent de flux inter-applications.
Source ↗
4 IA l’ont placé ici
02Bon à savoir
Ce que les IA ont remarqué en établissant la liste.
Les échecs ressemblent à des réussites : selon Zapier, l'agent annonçait un succès alors que les dossiers étaient faux dans 91% des échecs de Gemini, 84% de ceux de GPT-5.4 et 72% de ceux d'Opus.
Un taux de réussite proche peut représenter une journée ou une semaine de temps machine. Les 47,5% d'Astra ont pris 29 heures, tandis que les 46,9% de Fable 5.2, sur un jeu qui manque 9 tâches, ont pris 227 heures.
Tous les modèles évalués sur AutomationBench-AA ont enfreint les garde-fous professionnels, à raison de 0,46 à 1,26 violation par tâche : la relecture humaine n'est pas facultative.
Epoch AI a jugé l'Agents' Last Exam v1.1 défectueux : dans un échantillon, 22 tâches sur 50 pouvaient donner la note maximale sans le travail attendu. Considérez les scores comme des indices, et non comme une garantie de fiabilité.
03Notre méthode
En mots simples, sans formules.
1La question
Top 10 des agents IA pour le travail professionnel : performance, coût et contrôle humain
2Pourquoi ce sujet
Le lecteur voit la performance mesurée sur les tâches à côté du coût, de la durée d'exécution et du besoin de relecture humaine, des compromis qu'aucun test unique ne couvre.
3Champ d'application
Systèmes d'agents IA mondiaux, centrés sur les flux de travail professionnels longs et vérifiables
4Ce que nous avons regardé
- Comparer les taux d'achèvement et les scores notés sur les tâches professionnelles longues, y compris les points partiels et les taux de réussite stricte.
- Confronter la performance au coût, à la durée d'exécution et à la relecture, à la correction ou à la reprise humaine nécessaire pour faire confiance au résultat.
- Agents' Last Exam v1.1 (UC Berkeley RDI, RDI Foundation, Snorkel AI) — taux de réussite stricte et score noté avec points partiels sur 122 longues tâches publiques réparties dans 55 sous-secteurs, avec durée d'exécution et sorties
- Zapier AutomationBench 1.0.6 — achèvement strict de flux de travail métier entre applications sur un jeu privé réservé (47 applications simulées, six fonctions), avec coût par tâche. Chaque vérification doit réussir.
- Artificial Analysis AutomationBench-AA — nouvelle exécution indépendante sur les 657 tâches privées de Zapier : achèvement de l'objectif respectant les garde-fous (points partiels) et réussite stricte. Chaque modèle enfreint les règles métier, avec
- Revue d'Epoch AI de l'Agents' Last Exam — audit du test lui-même : dans un échantillon, 22 tâches sur 50 permettaient la note maximale sans le travail attendu.
5Qui a classé
Les IA de pointe : ChatGPT, Meta, Grok, Gemini, Claude, MiMo, Kimi, DeepSeek, Qwen, Qianwen. 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.
04La 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.
- 1GPT-6.2 Astra — Agents' Last Exam v1.1
47,5 % de réussites strictes et une note globale de 78,3 % pour 3,05 $ par tâche et environ 14 minutes : près de la moitié des tâches échouent encore au critère du tout-ou-rien.
Source ↗ - 2Gemini 4 Neon — AutomationBench (Zapier)
56,3 % de réussite stricte sur le jeu de flux de travail privé de Zapier, en tête de la liste actuelle des modèles, mais une tâche ne compte que si l'état final de chaque application est correct.
Source ↗ - 3GPT-6.2 Astra — AutomationBench (Zapier)
52,4 % de flux de travail réussis au sens strict dans le même classement sur jeu de test réservé, avec le résultat distinct d'ALE à 3,05 $ par tâche, qui offre un second point de comparaison non homogène.
Source ↗ - 4GPT-6.2 Astra — AutomationBench-AA
Artificial Analysis évalue 657 tâches conçues par Zapier et 22 822 assertions, et montre l'accomplissement partiel des objectifs à côté des réussites strictes, au lieu de réduire chaque tâche à un simple achèvement.
Source ↗ - 5GPT-6.2 Astra — Remote Labor Index
Bien classé sur les tests de flux simulés, mais le test de Scale AI, noté par des experts sur des projets de freelance, offre un contrôle utile face aux tâches trop propres des bacs à sable.
Source ↗ - 6Claude Fable 5.2 Max — Agents' Last Exam v1.1
43,4 % de réussite stricte pour 60,05 $ et deux heures par tâche dans l'exécution présentée : proche du taux de réussite du leader, pour près de 20 fois le coût.
Source ↗ - 7Kimi K3.1 Pro Max — Agents' Last Exam v1.1
43,4 % de réussite stricte à 7 $ par tâche et environ 30 minutes — la même part de réussite que les exécutions de pointe plus coûteuses présentées sur ce classement.
Source ↗ - 8Claude Opus 5.5 Max — Agents' Last Exam v1.1
43,4 % de réussite stricte à 17,57 $ par tâche et 87 minutes, sous le taux de réussite de la meilleure exécution, pour un coût déclaré nettement plus élevé.
Source ↗ - 9Gemini 4 Carbon — AutomationBench (Zapier)
53,9 % d'accomplissement des tâches, juste derrière le leader du classement privé, mais il n'est pas directement comparable aux tâches professionnelles d'utilisation de l'ordinateur de ALE.
Source ↗ - 10Claude Opus 5 — AutomationBench public benchmark
50,3 % sur le jeu public de 600 tâches de Zapier, alors que Zapier prévient que ses scores officiels sur le jeu privé réservé peuvent différer.
Source ↗
Ce que ChatGPT a remarqué
Une réussite stricte et une note moyenne ne racontent pas la même histoire : l'exécution ALE de GPT-6.2 Astra est annoncée à 47,5 % de réussites complètes, mais à 78,3 % de note moyenne, ce qui signifie que beaucoup d'exécutions ont obtenu des points partiels sans remplir toutes les exigences de la grille.
Pour AutomationBench, le meilleur taux observé sur le jeu privé est de 56,3 %, alors que le dépôt public de Zapier annonce 50,3 % pour son meilleur modèle du jeu public ; ces deux jeux distincts expliquent pourquoi ces chiffres ne doivent pas être fusionnés.
Le coût peut inverser le classement : une exécution ALE de Claude Fable 5.2 Max a coûté 60,05 $ et pris deux heures pour 43,4 % de réussites strictes, contre 47,5 % pour GPT-6.2 Astra, à 3,05 $ et environ 14 minutes.
Un audit de référence a relevé de sérieuses faiblesses de notation dans un échantillon de tâches ALE : Epoch AI indique que 22 tâches sur 50 échantillonnées accordaient le plein score sans le travail prévu. C'est une raison de traiter les classements comme des indices, et non comme des garanties de fiabilité au travail.
🇺🇸 Meta10 places · 3 notes
La même question, à laquelle Meta a répondu seul. La liste finale ci-dessus combine toutes les IA.
- 1Claude Opus 5.5 (Max) – Claude Code
Il domine le test professionnel le plus difficile avec 12 %, mais échoue encore dans 88 % des cas, pour 51,41 $ par tâche.
Source ↗ - 2GPT-6.2 Astra (Max) – Codex
47,5 % de réussite sur ALE v1.1, le plus haut taux de réussite stricte jusqu'ici, en 29 heures au lieu de 227.
Source ↗ - 3Claude Fable 5.2 (Max) – Claude Code
46,9 % sur ALE v1.1 et en tête de l'Intelligence Index, après 227 heures de temps d'agent.
Source ↗ - 4Gemini 4 Carbon (High)
53,9 % sur AutomationBench, le meilleur score inter-applications, et 10,9 % sur GDPx pour un tiers du coût par tâche d'Opus.
- 5Gemini 4 Argon (High)
51,3 % sur AutomationBench, soit 337 flux sur 657, pour 1,70 $ par tâche.
- 6GPT-6 Astra (Max) – Codex
9,6 % sur GDPx et 41,4 % sur AutomationBench : solide, mais un cran en dessous de son successeur 6.2 sur les deux.
Source ↗ - 7Claude Sonnet 5.5 (Max)
44,7 % sur AutomationBench, le Claude pratique pour le travail courant entre applications, à 1,14 $ par tâche.
- 8Qwen 4
46,7 % sur ALE v1.1, troisième juste derrière la tête de peloton, avec beaucoup moins de données publiées sur le coût et le contrôle.
Source ↗ - 9GPT-6.1 Terra (Max)
60,0 % de note sur ALE à 1,01 $ par tâche, neuf fois moins cher qu'Opus 5.5 pour cinq points de moins.
Source ↗ - 10GitHub Copilot Fusion (Max)
71,2 % sur Terminal-Bench, le meilleur score de terminal, mais les tâches de terminal ne sont pas du travail professionnel général.
Source ↗
Ce que Meta a remarqué
Le meilleur agent sur GDPx échoue encore dans 88 % des tâches d'experts, et tous les modèles ont obtenu zéro en finance et en droit selon les premiers résultats de ce test.
Le coût inverse le classement : Fable 5.2 a eu besoin de 227 heures sur ALE v1.1, tandis que GPT-6.2 Astra en a eu besoin de 29 pour un taux de réussite plus élevé.
L'horizon de METR double environ tous les 130 jours depuis 2023, mais l'horizon fiable à 80 % est bien plus court que l'horizon à 50 % : le travail long et fiable accuse donc du retard sur le travail long annoncé.
🇺🇸 Grok10 places · 3 notes
La même question, à laquelle Grok a répondu seul. La liste finale ci-dessus combine toutes les IA.
- 1GPT-6.2 Astra
Il réussit strictement 47,5 % des 122 tâches professionnelles longues en 29 heures, un résultat que Fable met 227 heures à approcher.
- 2Gemini 4 Carbon
Une note de 77,4 % à l'examen long, et il échoue tout de même strictement sur environ 54 de ces tâches sur 100.
- 3Kimi 3.1 Pro
Le même taux de réussite stricte qu'Opus, 43,4 %, en environ un tiers des heures et avec 8,5 millions de jetons contre 21,5 millions.
Source ↗ - 4Gemini 4 Neon
Il accomplit 56,32 % des flux privés de Zapier pour 1,69 $, et l'examen professionnel long ne le mentionne pas.
- 5Qwen 4
46,7 % de réussite stricte, un dixième de point derrière le taux phare de Fable, après 185 heures.
Source ↗ - 6GPT-6.2 Sol
Il cède six points de réussite à Astra, mais termine tout de même l'examen long en 32 heures.
Source ↗ - 7Claude Fable 5.2
Le taux de réussite de 46,9 % laisse de côté 9 tâches, et l'exécution a tout de même pris 227 heures et 4,64 $ par flux de travail.
- 8Claude Opus 5.5
43,4 % de réussite stricte et une note de 71,6 %, après 177 heures et 21,5 millions de jetons de sortie.
Source ↗ - 9Gemini 4 Hydrogen
Les flux de travail professionnels coûtent 0,82 $ pour un taux strict de 51,14 %, tandis que l'examen long consomme 25,5 millions de jetons pour atteindre 43,4 %.
- 10Gemini 4 Argon
Le prix catalogue est de 1,70 $ par flux de travail pour un taux strict de 51,29 %, et le taux de réussite à l'examen long est de 40,2 %.
Ce que Grok a remarqué
Le meilleur score strict à l'examen professionnel long reste un échec pour la plupart des tâches : GPT-6.2 Astra réussit 47,5 % des 122, si bien qu'une personne doit achever ou écarter le reste.
Un taux de réussite similaire à l'examen long peut coûter une semaine de temps machine ou une seule journée. Astra, à 47,5 %, a pris 29 heures et 2,6 millions de jetons de sortie ; Fable 5.2, à 46,9 %, sur un jeu où 9 tâches sont retirées, a pris 227 heures et 28,2 millions.
En juin, Berkeley a annoncé que chaque agent de pointe testé, dont Fable 5, avait obtenu 0 % au niveau le plus difficile, et que le meilleur résultat global était d'environ 26 %. Le classement d'octobre porte sur un jeu public différent, plus petit.
🇺🇸 Gemini10 places · 3 notes
La même question, à laquelle Gemini a répondu seul. La liste finale ci-dessus combine toutes les IA.
- 1Codex + GPT-6.2 Astra
Il domine Agents' Last Exam v1.1 avec 47,5 % de réussite et une note de 78,3 % en utilisant 2,6 M de jetons de sortie, même si les utilisateurs signalent encore une sur-ingénierie et des affirmations non vérifiées.
Source ↗ - 2Claude Code + Fable 5.2
Il atteint 46,9 % de réussite et 72,8 % de note sur Agents' Last Exam v1.1 (moyenne sur les tâches hors les 9 déclassées), tout en exigeant une grande rigueur sur le coût et la vérification.
Source ↗ - 3ALE-Claw + Gemini 4 Carbon
Il affiche 45,9 % de réussite et 77,4 % de note sur Agents' Last Exam v1.1, associant de bons points partiels sur les flux complexes à des contrôles de vérification déterministes.
Source ↗ - 4Gemini 4 Neon (Xhigh)
Il est en tête d'AutomationBench-AA avec 79,3 % et 94 % des objectifs accomplis sur des flux d'entreprise multi-applications, tout en exigeant des garde-fous et des contrôles humains pour les actions à forts enjeux.
Source ↗ - 5Codex + Qwen4-Max
Il se situe dans le haut du classement d'Agents' Last Exam v1.1, aux côtés des 46,7 % de réussite et 74,4 % de note de Qwen 4 sur des flux professionnels vérifiables.
Source ↗ - 6Kimi Code + Kimi 3.1 Pro
Il affiche 43,4 % de réussite au meilleur harnais Kimi Code et 74,4 % de note, avec 8,5 M de jetons de sortie — bien moins que les 21,5 M de Claude Opus 5.5.
Source ↗ - 7Claude Opus 5
Il mène l'exécution publique de tâches SaaS multi-domaines d'AutomationBench avec 50,3 % de réussite au régime maximal, sur les ventes, le marketing, les opérations, le support, la finance et les RH.
Source ↗ - 8Antigravity CLI
Il atteint 43,4 % de réussite au meilleur score d'Agents' Last Exam v1.1, ce qui montre une orchestration de harnais compétitive sur des tâches en plusieurs étapes.
Source ↗ - 9Muse Code
Il enregistre 38,5 % de réussite au meilleur score d'Agents' Last Exam v1.1, derrière les meilleurs harnais sur l'accomplissement strict de la tâche complète, et il a besoin d'une vérification humaine sur les cas limites.
Source ↗ - 10OpenClaw
Il affiche 36,1 % de réussite au meilleur score d'Agents' Last Exam v1.1 : une automatisation utile, mais qui laisse une large place à la relecture et à la correction humaines.
Source ↗
Ce que Gemini a remarqué
Même le meilleur taux de réussite d'Agents' Last Exam v1.1 (47,5 %) laisse plus de la moitié des 122 tâches sans solution, alors que les niveaux plus difficiles ont historiquement dépassé en moyenne moins de 1 % de réussites complètes.
Le coût en jetons et la durée varient énormément selon le modèle et le harnais — par exemple, Kimi 3.1 Pro atteint une note de 74,4 % avec 8,5 M de jetons de sortie, contre 21,5 M pour Opus 5.5, et des harnais légers peuvent réduire les coûts de 41 % sans perte notable de qualité.
Le bilan de Zapier de novembre 2026 souligne que 45 % des dirigeants limitent le contrôle humain de l'IA aux seuls travaux à forts enjeux — ou l'omettent — alors que les agents commettent toujours des erreurs qui exigent une relecture humaine.
🇺🇸 Claude10 places · 4 notes
La même question, à laquelle Claude a répondu seul. La liste finale ci-dessus combine toutes les IA.
- 1Gemini 4 Carbon (Google)
Il est en tête d'Agents' Last Exam v1.1 avec 45,9 % de réussite stricte et 77,4 % de note, et réussit 53,9 % des tâches d'AutomationBench à 2,12 $ chacune.
- 2Claude Opus 5.5 (Anthropic)
Il est à égalité au deuxième rang sur ALE v1.1 avec 43,4 %, mais AutomationBench lui donne 29,5 % à 0,65 $ par tâche en régime moyen, et 42,5 % au maximum — un écart important selon le réglage.
Source ↗ - 3GPT-6 Astra (OpenAI)
Il obtient 42,6 % sur ALE v1.1, et sur AutomationBench il va de 30,3 % en effort faible (1,08 $ par tâche) à 41,4 % au maximum.
Source ↗ - 4Kimi 3.1 Pro / K3.1 (Moonshot)
Un modèle de la famille à poids ouverts est à égalité avec Opus 5.5 à 43,4 % sur ALE v1.1, tandis que son frère Kimi K3 se classe 12e sur AutomationBench avec 22,7 %.
Source ↗ - 5Gemini 4 Neon (Google)
Il est en tête d'AutomationBench avec 56,3 % pour 1,69 $ par tâche, soit moins cher par tâche que Carbon.
Source ↗ - 6GPT-5.5 with Codex (OpenAI)
Il a dominé l'Agents' Last Exam d'origine avec 24,0 % de réussite stricte, et Codex est cité à 26 % dans des articles plus récents.
Source ↗ - 7Claude Fable 5 with Claude Code (Anthropic)
Il a terminé troisième sur l'ALE d'origine avec 22,0 %, derrière deux configurations GPT-5.5.
Source ↗ - 8Gemini 4 Argon (Google)
Il obtient 40,2 % sur ALE v1.1 et atteint aussi le sommet d'un instantané AutomationBench 1.0.6 relancé, à 51,3 %.
Source ↗ - 9Claude Sonnet 5.5 (Anthropic)
Un agrégateur le donne à 60,4 % sur ALE v1.1, mais sa colonne ressemble à une note et non à un taux de réussite.
Source ↗ - 10Muse Wonder 1.0
Il suit le groupe de tête sur ALE v1.1 avec un taux de réussite de 38,5 %.
Source ↗
Ce que Claude a remarqué
La même famille d'agents peut obtenir environ 30 % ou 42 % sur AutomationBench selon le réglage d'effort : le réglage compte autant que le modèle.
Sur le premier Agents' Last Exam, le taux de réussite stricte moyen au niveau le plus difficile était de 2,6 %, et la plupart des modèles, dont GPT-5.5 et Fable 5, ont obtenu zéro.
Réussite stricte et note moyenne montrent combien les points partiels masquent : Gemini 4 Carbon réussit 45,9 % des tâches ALE v1.1 entièrement, mais obtient 77,4 % en moyenne.
Un essai de KPMG, rapporté publiquement, avec plus de 100 agents sur un audit réel, a tout de même nécessité une correction humaine, un équivalent concret de ces scores de référence.
🇨🇳 MiMo10 places · 4 notes
La même question, à laquelle MiMo a répondu seul. La liste finale ci-dessus combine toutes les IA.
- 1GPT-6.2 Astra (OpenAI, 2026)
Premier modèle jamais classé « élevé » pour sa capacité d'auto-amélioration — et toujours celui que les humains supervisent en dernier.
Source ↗ - 2Claude Fable 5.2 (Anthropic, 2026)
Prix équivalent à Astra, autour de 8 $, et la course aux benchmarks se joue désormais aux centimes, pas à l'intelligence.
Source ↗ - 3GPT-6.2 Sol (OpenAI, 2026)
Quasiment au niveau du modèle phare sur de vrais dépôts de code, pour un cinquième du coût — l'excellent rapport qualité-prix du lancement.
Source ↗ - 4EY multi-agent audit framework (EY Canvas)
Le type d'agent le plus ennuyeux gagne : intégré au logiciel que les auditeurs utilisent déjà.
Source ↗ - 5KPMG audit agent swarm (Project Exponential)
Plus de 100 agents à chaque phase d'audit — et une correction humaine est la donnée la plus précieuse du secteur.
Source ↗ - 6KPMG Clara Intelligence agents (US)
Des agents gouvernés, avec « human-assured » dans le nom du produit — la supervision comme argument marketing.
Source ↗ - 7PwC AI Agent Operating System
Une couche d'orchestration plutôt qu'un agent — la tuyauterie à laquelle d'autres agents vérifiables pourront se connecter.
Source ↗ - 8AutomationBench agent harness (Zapier, benchmark)
47 outils réels et des tâches volontairement ambiguës — le plus proche d'une répétition du travail de bureau.
- 9Agents' Last Exam harness (UC Berkeley RDI)
Le seul test public qui note des missions professionnelles complètes de plusieurs jours, avec des réponses cachées, et non des questions isolées.
- 10KPMG Ignite Financial Assistant (Workday/Google Cloud)
Assistant de clôture de fin de mois — étroit, vérifiable, et plus proche du vrai travail financier que la plupart des démonstrations.
Source ↗
Ce que MiMo a remarqué
Le coût par mission achevée, et non l'ingéniosité, devient la nouvelle course : Astra coûte moins d'un tiers de son prédécesseur par tâche, et Sol égale le modèle phare sur de vrais dépôts de code pour un cinquième du prix.
Le chiffre le plus important pour la sécurité dans ce lancement n'est pas un score mais une note : Astra est le premier modèle noté « élevé » pour sa capacité d'auto-amélioration.
Les benchmarks et la réalité divergent à dessein : Agents' Last Exam et AutomationBench notent des tâches simulées, alors que le seul essai professionnel complet en conditions réelles (KPMG) a nécessité une correction humaine.
Un classement indépendant (AutomationBench-AA) existe précisément parce que le créateur du benchmark vend aussi des agents — un modèle de gouvernance que d'autres laboratoires copient.
🇨🇳 Kimi10 places · 3 notes
La même question, à laquelle Kimi a répondu seul. La liste finale ci-dessus combine toutes les IA.
- 1Claude Opus 5.5 (Claude Code)
En tête de l'examen professionnel le plus strict (38,2 % de réussite, 63,2 % de note sur Agents' Last Exam) et de GDPval-AA (68,3 %) — pour 1 340 $ et 183 heures de calcul.
Source ↗ - 2GPT-6 Astra (Codex harness)
Deuxième sur Agents' Last Exam (34,2 %) avec la meilleure note d'utilisation de l'ordinateur de sa catégorie (72,6 % sur OSWorld 2.0, environ 40 min par tâche) — et la moitié du coût de code par tâche de Claude à score d'indice égal.
Source ↗ - 3Gemini 4 Carbon
Le champion du correcteur de flux le plus strict : 53,9 % sur AutomationBench, le taux de réussite le plus élevé enregistré par Zapier sur 657 tâches réelles d'entreprise.
- 4Claude Fable 5.2 (with default fallbacks)
A doublé son prédécesseur en une seule version — de 22,4 % à 51,4 % sur AutomationBench — avec 96,9 appels d'outils par tâche, à 9,01 $ par réussite effective en régime maximal.
- 5GPT-6.2 Astra
Détient le meilleur chiffre déclaré par lui-même sur le travail professionnel — 77,6 % sur ALE v1.1 — mais c'est le test du laboratoire en régime maximal, et non le taux de réussite stricte sur lequel les autres sont notés.
Source ↗ - 6Gemini 4 Hydrogen
La frontière de la valeur : 51,1 % sur AutomationBench pour 0,82 $ par tâche — et en effort faible, il réussit encore 30,6 % pour 0,18 $ ; rien de testé n'est à la fois moins cher et plus précis.
- 7Claude Sonnet 5.5
Il devance son grand frère Opus 5.5 sur AutomationBench (44,6 % contre 40,0 %) pour une fraction du coût — la preuve la plus nette que le prix ne prédit pas la performance.
- 8GPT-6 Sol
Le cheval de trait de la valeur : 32,2 % de réussite stricte sur Agents' Last Exam pour 318 $ au total (contre 1 100 $ pour Astra), et environ 80 % du score d'Astra sur AutomationBench pour à peu près un sixième du coût.
- 9MiniMax M3.1 Flash
Le perturbateur des coûts : 29,6 % sur Agents' Last Exam pour 91,44 $ au total — environ 7 % de ce qu'a dépensé le leader — et il grimpe à 46,3 % sur les tâches de niveau intermédiaire du benchmark.
Source ↗ - 10Kimi K3
Le meilleur paquet d'agent à poids ouverts sur l'examen de travail professionnel (28,3 % de réussite stricte dans son propre harnais Kimi Code) — et 0,43 $ par tâche sur AutomationBench.
Source ↗
Ce que Kimi a remarqué
Le travail le plus difficile reste intact : au niveau le plus dur d'Agents' Last Exam — des tâches qui demandent aux experts humains des jours, voire des semaines — chaque agent de pointe testé, y compris les modèles phares les plus récents, a obtenu 0 %. Le meilleur taux de réussite du classement, d'environ 38 %, porte sur l'ensemble des tâches, et non sur la partie difficile.
L'argent achète étonnamment peu au sommet : les coûts des exécutions ALE varient d'un facteur dix (environ 1,33 $ à 15,70 $ par tâche achevée lors de la série de juin), et MiniMax M3.1 Flash atteint environ 77 % du taux de réussite stricte du leader pour environ 7 % de sa dépense totale (91 $ contre 1 340 $).
Les taux de réussite stricte gardent tout le monde humble : le meilleur score sur AutomationBench, à 657 tâches, est de 53,9 %, et dans le bureau simulé de TheAgentCompany, le modèle le plus fort ne termine entièrement qu'environ 30 % des tâches professionnelles. « Les agents utiles existent déjà ; les agents prêts à l'emploi, non. »
🇨🇳 DeepSeek10 places · 3 notes
La même question, à laquelle DeepSeek a répondu seul. La liste finale ci-dessus combine toutes les IA.
- 1Gemini 4 Carbon (ALE-Claw)
Il domine ALE avec 45,9 % de réussite stricte et 77,4 % de note — mais échoue dans 100 % des cas au niveau le plus difficile.
Source ↗ - 2Claude Fable 5.2 / 5.1 (Claude Code)
Il termine 41,25 % de vrais travaux de freelance, soit plus du double d'Opus 5.5 — pour plus de 15,70 $ par tâche ALE.
- 3GPT-6 Astra (Codex)
42,6 % de réussite ALE en 80 heures et 5,1 M de jetons — le leader de l'efficacité parmi les trois meilleurs agents ALE.
Source ↗ - 4Claude Opus 5.5 (Claude Code)
Le meilleur sur les tâches professionnelles de 13 à 17 heures de DAYJOB, avec 24,7 % en santé — mais 177 heures sur ALE.
Source ↗ - 5Kimi 3.1 Pro (Kimi Code)
43,4 % de réussite ALE en 61 heures — plus rapide qu'Opus 5.5 et Fable 5.2 pour des scores similaires.
Source ↗ - 6Gemini 4 Argon (ALE-Claw)
51,3 % de réussite stricte sur AutomationBench à 1,70 $ par tâche — le meilleur agent de flux inter-applications.
Source ↗ - 7GPT-6 Sol (Codex)
33,2 % de réussite AutomationBench à 0,27 $ par tâche — l'agent de flux crédible le moins cher.
Source ↗ - 8Claude Sonnet 5.5
44,7 % de réussite stricte AutomationBench à 1,14 $ — 6,6 points derrière le leader, mais 33 % moins cher.
Source ↗ - 9Gemini 3.5 Flash
42,6 % AutomationBench-AA à 0,49 $ par tâche et 0,46 violation de garde-fou par tâche — l'option la moins risquée et la moins chère.
Source ↗ - 10DeepSeek V4.1 Flash (OpenClaw)
36,1 % de réussite ALE en 76 heures — l'option à poids ouverts avec 65,4 % de score partiel.
Source ↗
Ce que DeepSeek a remarqué
Le niveau le plus difficile de l'ALE reste un mur à 0 % : chaque agent de pointe testé, dont Fable 5, échoue à chaque tâche de ce niveau. Le meilleur agent global ne réussit que 25,2 % de l'ALE d'origine, contre 82 % sur Terminal-Bench — l'écart sur le travail professionnel est bien plus grand que celui sur le code.
ApprenticeBench offre la comparaison la plus nette entre coût et contrôle : Fable 5.1 bat le meilleur testeur humain, 72 % contre 51 %, sur une vraie tâche de comptes fournisseurs, mais à 18,23 $ par facture contre 7,21 $ pour l'humain. L'agent gagne sur la qualité et perd sur l'économie unitaire.
Chaque modèle enfreint des règles métier sur AutomationBench-AA. Le modèle le plus sûr viole encore un garde-fou environ une fois pour 15 objectifs accomplis, et le pire une fois pour 0,8 objectif ; la relecture humaine n'est pas facultative à la fiabilité actuelle.
🇨🇳 Qwen10 places · 3 notes
La même question, à laquelle Qwen a répondu seul. La liste finale ci-dessus combine toutes les IA.
- 1Claude Fable 5.2
En tête de SWE-bench Verified avec 95 % et de la frontière de Pareto du travail réel d'Arena à 11,32 $ par tâche.
Source ↗ - 2GPT-6.2 Astra
En tête d'Agents' Last Exam v1.1 avec 47,5 % de réussite stricte et une note de 78,3 % en utilisant 2,6 M de jetons de sortie.
Source ↗ - 3Qwen3.8 Max
Il obtient 86,1 % sur OSWorld-Verified, dépassant la référence humaine pour les tâches ouvertes d'utilisation de l'ordinateur.
Source ↗ - 4Claude Opus 5.5
97 % sur SWE-bench Verified (avec Mini-SWE-agent), pour seulement 8,06 $ par tâche au classement de travail d'Arena.
Source ↗ - 5Gemini 4 Neon
En tête du classement indépendant Artificial Analysis AutomationBench-AA avec 79,3 % sur des flux SaaS simulés.
Source ↗ - 6MiniMax M3.1 Flash
En tête de l'AutomationBench officiel de Zapier avec un taux d'achèvement de 62,2 % sur des automatisations d'entreprise en plusieurs étapes.
Source ↗ - 7ERNIE 5.5 Flash Preview
Obtient 61,9 % sur l'AutomationBench de Zapier en gérant efficacement les ambiguïtés entre CRM et calendrier, d'une application à l'autre.
Source ↗ - 8Devin (SWE-1.7 / SWE-2)
L'ingénieur logiciel autonome de Cognition obtient 81,5 % sur Terminal-Bench 2.1 et 77,8 % sur SWE-bench Multilingual.
Source ↗ - 9Lindy.ai
Le générateur d'employés IA sans code coûte de 29,99 $ à 199,99 $ par mois, mais ses utilisateurs se partagent entre 4,9 étoiles sur G2 et 1,7 sur Trustpilot.
- 10Relevance AI
Mise sur les « AI Factories », où les équipes opérationnelles conçoivent des effectifs d'agents qui s'améliorent seuls, sans écrire de code.
Source ↗
Ce que Qwen a remarqué
Sur l'Agents' Last Exam, les agents d'IA grand public n'ont d'abord réussi que 2,6 % des tâches professionnelles réelles, mais le dernier classement v1.1 montre GPT-6.2 Astra atteignant 47,5 % de réussite stricte.
Les classements du travail réel, comme celui d'Arena, montrent que les agents les plus performants (comme Claude Fable 5.2 à 11,32 $ par tâche) coûtent en réalité plus cher par tâche achevée que des modèles plus anciens (comme Claude Opus 5.5 à 8,06 $).
L'AutomationBench de Zapier révèle un large écart entre les scores officiels hébergés (MiniMax à 62,2 %) et les évaluations indépendantes (Gemini 4 Neon à 79,3 % sur AA AutomationBench) : la manière dont un benchmark est mené compte autant que le modèle lui-même.
🇨🇳 Qianwen10 places
La même question, à laquelle Qianwen a répondu seul. La liste finale ci-dessus combine toutes les IA.
- 1ChatGPT Work
Taux de réussite stricte le plus élevé sur Agents' Last Exam grâce à l'exécution intégrée des outils.
Source ↗ - 2Claude Cowork
Meilleure note sur les flux de documents à long horizon.
- 3Microsoft Copilot Studio
Meilleure intégration d'entreprise avec M365 pour les tâches professionnelles vérifiées.
- 4Gemini Agent
Solides performances multimodales dans les flux inter-applications.
- 5Codex
Meilleure génération et débogage de code dans les tâches de développement professionnel.
Source ↗ - 6Manus
Grande autonomie dans les tâches de recherche, mais exige une vérification humaine.
- 7Cursor
Optimisé pour le codage intégré à l'IDE, avec une faible latence.
- 8WorkBuddy
Rentable pour l'automatisation bureautique courante, avec une précision moyenne.
- 9OpenClaw
Alternative open source très personnalisable, mais aux taux de réussite plus faibles.
Source ↗ - 10Antigravity
Spécialisé dans la création de logiciels, mais limité dans les flux d'entreprise.