Claude Fable 5 : faut-il payer pour une IA qui travaille seule pendant des jours ?

Pendant six semaines, une date de fin s’est affichée dans mon interface Claude. Puis elle a changé. Puis elle a changé encore. Le 7 juillet est devenu le 12, le 12 est devenu le 19, et le 19 n’a jamais eu lieu.

Derrière ce feuilleton tarifaire, il y a une question que presque personne n’a posée correctement. Les articles parus en juin ont tous traité le prix de Claude Fable 5. Aucun n’a traité ce qui se passe réellement dans la tête d’un professionnel à qui on donne accès à une machine capable de travailler seule pendant plusieurs jours.

Parce que la vraie rupture n’est pas tarifaire. Elle est plus dérangeante que ça : à partir du moment où l’IA exécute des tâches entières sans vous, ce n’est plus elle qui limite le résultat. C’est vous.

Six semaines de valse tarifaire : où on en est vraiment

Reprenons proprement, parce que la confusion est réelle et qu’elle a produit des titres contradictoires dans la presse française.

Fable 5 est publié le 9 juin 2026. Trois jours plus tard, le gouvernement américain soumet le modèle à un contrôle à l’exportation et Anthropic suspend l’accès pour tout le monde, faute de pouvoir vérifier la nationalité de ses utilisateurs en temps réel. Les contrôles sont levés le 30 juin, le modèle revient le 1er juillet. J’ai traité cet épisode et ses conséquences pour l’Europe dans un article dédié à la souveraineté IA — ce n’est pas le sujet ici.

Ce qui nous intéresse commence après. Le modèle revient dans les abonnements payants, mais borné dans le temps, avec une échéance repoussée trois fois. Le 18 juillet, Anthropic tranche enfin.

D’où les titres contradictoires : selon votre forfait, Fable 5 vient d’être intégré ou retiré. Les deux sont vrais. Anthropic justifie l’arbitrage par une demande difficile à anticiper et un déploiement par étapes à mesure que la capacité de calcul était sécurisée.

Retenez surtout ceci, qui survivra à toutes les révisions tarifaires à venir : le modèle le plus capable ne fait plus partie du forfait de base. Soit vous montez à 100 $ par mois, soit vous payez à l’usage. Dans les deux cas, une chose que vous ne faisiez pas il y a six mois s’impose désormais — arbitrer.

Ce que Fable 5 fait que les modèles précédents ne faisaient pas

Passons vite sur les benchmarks, parce que ce n’est pas là que se joue votre décision.

Anthropic annonce 80,3 % sur SWE-Bench Pro, contre 69,2 % pour Opus 4.8 — score communiqué par le constructeur, comme la plupart des résultats de lancement, ce qui invite à une lecture prudente. L’exemple le plus cité est celui de Stripe : une migration sur une base de code Ruby de 50 millions de lignes, estimée à deux mois pour les équipes internes, bouclée en une journée. Chiffre fourni par Anthropic lui-même, là encore.

Ce qui compte davantage, c’est la nature du changement. Les modèles précédents répondaient. Fable 5 est conçu pour tenir la distance sur une tâche longue : planifier par étapes, déléguer à des sous-agents, écrire ses propres tests, vérifier son travail, et reprendre le fil grâce à une mémoire persistante. Anthropic revendique des exécutions autonomes qui se comptent en jours, pas en minutes.

Traduit en langage de professionnel : on quitte le registre de l’assistant qui vous fait gagner vingt minutes, pour entrer dans celui du prestataire à qui on confie un livrable. C’est le même basculement que celui que j’analysais à propos des agents IA autonomes en entreprise, mais cette fois avec un modèle grand public en face.

Et ce basculement change la question. Elle n’est plus quel outil me répond le mieux — pour ça, mon comparatif ChatGPT, Claude et Gemini par métier répond déjà. Elle devient : quel travail puis-je confier entièrement et récupérer terminé ?

Le paradoxe : je l’ai inclus, et je ne m’en sers pas

Ce comportement mérite qu’on s’y arrête, parce qu’il contredit l’analyse dominante.

Toute la couverture de juin a raisonné en termes de prix : est-ce que ça vaut 50 $ le million de tokens en sortie. Question légitime pour une équipe technique qui appelle l’API. Mais pour l’écrasante majorité des professionnels, la contrainte n’est pas la facture — c’est le quota. À 50 % des limites hebdomadaires, chaque sollicitation de Fable 5 vous coûte l’équivalent de deux sollicitations d’un autre modèle. La ressource rare n’est pas votre argent, c’est votre budget d’usage.

Résultat contre-intuitif et pourtant systématique : le rationnement apparaît même quand l’accès est gratuit. Vous ne cessez pas d’arbitrer parce que c’est compris dans le forfait. Vous arbitrez autrement.

Ce qui veut dire que la question « faut-il payer » est mal posée. Que vous soyez sur Max ou sur des crédits, vous serez confronté au même exercice : décider, tâche par tâche, si celle-ci mérite le modèle lourd. La compétence demandée est identique dans les deux cas. Seule l’unité de compte change.

Coût par token et coût par tâche ne varient pas ensemble

Voici le point technique le plus mal compris, et celui qui peut vous faire prendre une mauvaise décision avec les meilleures intentions.

Sur l’Artificial Analysis Intelligence Index — un indice composite indépendant, donc pas un score constructeur — Fable 5 obtenait environ 59,9 au 18 juillet 2026, contre 58,9 pour GPT-5.6 Sol d’OpenAI. Une égalité de fait sur la capacité générale. Sauf que Sol est facturé 5 $ en entrée et 30 $ en sortie, contre 10 $ et 50 $ pour Fable 5. Et surtout, Artificial Analysis relève que Sol accomplit des tâches équivalentes pour environ un tiers du coût par tâche — non pas grâce à son tarif, mais parce qu’il produit moins de tokens en sortie pour arriver au même endroit.

Deux facturations peuvent afficher le même prix affiché et diverger d’un facteur trois à l’usage. Un modèle bavard mais bon marché coûte plus qu’un modèle cher et concis. Un modèle qui réussit du premier coup coûte moins qu’un modèle deux fois moins cher qui s’y reprend à trois reprises — c’est arithmétique, et c’est vérifiable sur votre propre facture.

La conséquence pratique est simple à formuler. Le seul chiffre qui compte, c’est le coût complet d’une tâche menée à terme : les tokens consommés, plus les tentatives ratées, plus votre temps de relecture, plus le coût de ce qui reste inachevé. Aucun tableau comparatif de tarifs ne vous donnera ce chiffre. Vous ne l’obtiendrez qu’en mesurant sur votre propre travail.

Le vrai plafond n’est pas le modèle, c’est votre brief

Supposons le problème du coût réglé. Vous avez accès à une machine qui tient trois jours sur une tâche. Que lui confiez-vous ?

C’est ici que la plupart des gens s’arrêtent, sans le savoir. Parce qu’une IA capable de travailler soixante-douze heures sans supervision ne sert à rien si vous êtes incapable d’écrire une consigne qui survive soixante-douze heures sans point de contrôle.

Réfléchissez à ce que vous demandez habituellement à une IA. Un mail à reformuler, un résumé, un plan d’article, une formule de tableur. Des demandes de deux lignes, où l’ambiguïté est sans conséquence parce que vous voyez le résultat dans les trente secondes et que vous corrigez à la volée. Le dialogue rattrapait la mauvaise spécification.

Sur une exécution longue, ce filet disparaît. Une consigne floue au départ produit trois jours de travail orienté dans la mauvaise direction. Et vous ne le découvrez qu’à la fin.

Le goulot d’étranglement s’est donc déplacé. Il n’est plus dans l’exécution, où la machine vous dépasse largement. Il est dans la spécification : savoir énoncer un objectif, ses contraintes, ses critères de réussite et ses conditions d’arrêt, avec assez de précision pour que personne n’ait besoin de vous pendant trois jours. C’est un exercice difficile. C’est aussi, exactement, ce qu’on demande à un manager qui délègue à un humain compétent — et ceux qui savent déjà le faire avec des humains partent avec une longueur d’avance considérable.

La règle qui décide tout : ne déléguez que ce que vous pouvez vérifier

Il reste un critère, et à mon sens c’est le seul qui tranche vraiment. Il n’apparaît dans aucun des comparatifs publiés jusqu’ici.

Ne déléguez que ce que vous pouvez vérifier pour moins cher que le refaire.

Regardez à nouveau le cas Stripe. Si une migration de 50 millions de lignes peut être confiée à une machine, ce n’est pas seulement parce que la machine est brillante. C’est parce que du code s’accompagne de tests. Il existe un juge automatique, immédiat et quasi gratuit, qui dit si le résultat est correct. La vérification coûte quelques minutes de calcul.

Maintenant transposez à une note stratégique de quarante pages, à une analyse concurrentielle, à un plan de refonte organisationnelle. Où est le test ? Il n’y en a pas. Le seul juge disponible, c’est vous — et vous devrez lire l’intégralité du livrable, en évaluer la pertinence, traquer les erreurs plausibles mais fausses. Une IA qui produit trois jours de travail vous crée trois jours de relecture. Vous n’avez pas supprimé le goulot d’étranglement, vous l’avez déplacé — et parfois aggravé, parce que relire est plus pénible que produire.

Cette grille explique pourquoi tous les cas d’usage spectaculaires publiés depuis juin concernent du code, des migrations, des pipelines de données, du traitement documentaire à format contraint. Et pourquoi aucun ne concerne le jugement stratégique. Ce n’est pas une limite d’intelligence du modèle. C’est une limite d’oracle.

Alors avant de confier quoi que ce soit à une IA autonome, posez-vous la question dans cet ordre. Comment saurai-je que c’est juste ? Combien de temps me coûtera cette vérification ? Si la réponse est « il faudra que je relise tout attentivement », le gain de délégation est probablement illusoire — et vous feriez mieux de découper la tâche en segments vérifiables plutôt que de la lancer d’un bloc.

Cette question ouvre d’ailleurs un chantier plus large. Dès lors qu’une IA agit sans supervision continue, la question de savoir qui répond du résultat cesse d’être théorique — c’est le cœur de la supervision des usages de l’IA en entreprise. J’ajoute un point de vigilance concret pour les dirigeants : les requêtes adressées aux modèles de cette classe sont soumises à une politique de rétention des données de 30 jours, sans utilisation pour l’entraînement. À intégrer dans votre analyse de conformité avant tout déploiement sur des données sensibles.

Ce que ça change pour votre valeur professionnelle

Résumons la mécanique, parce qu’elle dépasse très largement le cas d’un modèle Anthropic sorti en juin 2026.

Tant que l’IA assistait, sa capacité était le facteur limitant. On attendait la version suivante pour faire mieux. À partir du moment où elle exécute des tâches entières, le plafond change de camp : il se situe désormais dans votre capacité à cadrer ce que vous confiez et à vérifier ce qui revient.

Ce sont les deux seuls moments où vous intervenez encore. Et ce sont précisément les deux qui ne se délèguent pas — déléguer la vérification, c’est ne plus vérifier du tout.

Ce qui dessine une ligne de partage assez nette pour les années qui viennent. Ceux dont la valeur reposait sur la production — rédiger, calculer, mettre en forme, assembler — voient leur avantage s’éroder vite. Ceux qui savent formuler un problème avec précision et évaluer un résultat avec rigueur voient le leur se démultiplier, puisqu’ils peuvent désormais appliquer ces deux compétences à un volume de travail qu’aucune équipe humaine ne leur aurait donné.

Alors, faut-il payer pour Fable 5 ? Si vous cherchez un meilleur assistant conversationnel, non — Opus 4.8, voire Sonnet 5, feront le travail pour une fraction du coût, et mon guide des usages de l’IA au travail couvre l’essentiel de ces cas. Si vous avez identifié des tâches longues, cadrables, dont le résultat est vérifiable à faible coût, alors oui, et l’écart est net.

Mais la vraie réponse tient en une phrase. Si vous ne savez pas encore répondre à cette question, ce n’est pas le modèle qui vous manque.