Claude
Pourquoi c’est important
En profondeur
Claude n'est pas un modèle unique mais une gamme de produits qu'Anthropic fait évoluer depuis la première version de mars 2023. Claude 2 est arrivé plus tard la même année et a porté la fenêtre de contexte à 100 000 tokens, alors que la plupart des rivaux n'en géraient qu'une fraction. Claude 3, sorti en mars 2024, a réorganisé la famille en trois niveaux — Haiku, Sonnet et Opus — toujours utilisés aujourd'hui, et a ajouté l'entrée d'images, tandis que les révisions 3.5 et 3.7 qui ont suivi ont consolidé la réputation de Sonnet comme modèle de codage de premier plan. Claude 4 a poursuivi la lignée en 2025 avec un accent plus marqué sur les charges de travail agentiques — des modèles qui planifient, appellent des outils et travaillent sur de longues durées plutôt que de répondre à des prompts isolés. Sous l'habillage marketing, chaque modèle Claude est un LLM fondé sur l'architecture transformer, entraîné avec la recette d'IA constitutionnelle d'Anthropic, que l'entreprise considère comme une caractéristique produit centrale plutôt que comme un projet de recherche secondaire.
Une famille, trois niveaux
Au sein de chaque génération, les trois niveaux échangent latence et prix contre capacités, et apprendre à router entre eux représente l'essentiel du travail d'ingénierie des coûts. Haiku est l'option petite, rapide et bon marché, destinée à la classification, à l'extraction et au chat à haut volume, là où les millisecondes et les sous comptent. Sonnet est le cheval de trait équilibré vers lequel convergent la plupart des charges de production, et c'est généralement là que la force d'Anthropic en codage apparaît en premier. Opus est le plus grand et le plus délibéré, réservé au raisonnement difficile, aux agents de longue durée et aux tâches où l'écart de qualité justifie un prix plusieurs fois supérieur. Comme les niveaux partagent une API et un format de prompt, un schéma courant consiste à prototyper sur Opus, à livrer sur Sonnet, puis à rétrograder chaque étape d'un pipeline vers Haiku dès que les mesures montrent qu'il suffit.
L'IA constitutionnelle en pratique
Le comportement caractéristique de Claude vient d'une méthode d'entraînement qu'Anthropic appelle IA constitutionnelle. Au lieu de s'appuyer uniquement sur des annotateurs humains pour classer les sorties, comme dans le pipeline RLHF standard, Anthropic rédige un ensemble de principes — une constitution — et demande au modèle de critiquer et de réviser ses propres réponses en fonction, puis l'entraîne sur ces révisions. Une partie du signal de préférence vient du modèle lui-même plutôt que d'humains, une variante connue sous le nom de RLAIF, qui fait passer la rétroaction à une échelle bien au-delà de ce que des annotateurs humains peuvent produire. Le résultat visible est un modèle qui a tendance à expliquer ses refus au lieu de décliner sèchement, qui garde une personnalité cohérente sur de longues conversations et qui suit des instructions nuancées de ton et de format. Les développeurs décrivent souvent cela comme la pilotabilité, et c'est une grande partie de l'attrait de Claude dans les produits où la voix du modèle est exposée aux clients.
Le contexte long, la marque de fabrique
Le contexte long est la carte de visite de Claude depuis la fenêtre de 100k, et les modèles actuels acceptent une fenêtre de contexte de 200 000 tokens — plusieurs centaines de pages — avec des fenêtres plus grandes disponibles sur certains niveaux. Cela change ce qui vaut la peine d'être construit : au lieu de monter un pipeline RAG complet, vous pouvez confier au modèle un dépôt entier, un portefeuille de contrats ou un manuscrit de la longueur d'un livre, et l'interroger sur l'ensemble en une seule fois. La contrepartie est que chaque requête retraite l'entrée entière, et c'est là qu'intervient le prompt caching : il stocke un préfixe réutilisable côté serveur et réduit fortement à la fois le coût et la latence pour les requêtes répétées sur le même matériau. La position compte toujours, car les modèles rappellent plus fidèlement l'information située près du début et de la fin d'une longue entrée que celle enfouie au milieu. Pour les corpus vraiment volumineux, la récupération combinée au contexte long fonctionne mieux que l'une ou l'autre seule.
Au-delà du chat : code, ordinateurs et MCP
Anthropic a poussé Claude au-delà de la fenêtre de chat dans trois directions qu'il vaut la peine de connaître. Claude Code est un assistant de codage IA agentique qui tourne dans le terminal, lit un dépôt, modifie des fichiers, lance des tests et itère sous supervision, et il est devenu un point de référence pour la catégorie des agents de codage. Computer use permet au modèle de percevoir un écran et d'actionner une souris et un clavier, une étape précoce mais réelle vers des modèles qui pilotent des logiciels ordinaires au lieu de dépendre d'intégrations dédiées. La troisième est le Model Context Protocol, un standard ouvert publié par Anthropic fin 2024 pour connecter les modèles à des outils et sources de données externes, adopté depuis par d'autres grands fournisseurs d'IA et éditeurs d'outils. Ensemble, ils transforment Claude d'une API texte en entrée, texte en sortie en une plateforme pour construire des agents.
L'entraînement à la sûreté n'est pas un champ de force
Une idée reçue courante est que l'entraînement à la sûreté de Claude dispense de mettre en place ses propres défenses. L'IA constitutionnelle déplace la distribution des échecs; elle ne les supprime pas. Claude hallucine encore des réponses fausses mais plausibles, dérive encore vers ce que les utilisateurs veulent entendre, et reste vulnérable au jailbreak avec assez d'effort; sa coupure de connaissances garantit en outre qu'il finira par décrire une bibliothèque ou une API obsolète en toute confiance. La lecture pratique est que l'entraînement achète un taux de base plus faible de mauvais comportements et des refus plus prévisibles — réellement utile quand on câble un modèle dans un produit — mais l'évaluation, le filtrage des entrées et les contrôles de sortie restent à votre charge. Les équipes qui traitent l'alignement du fournisseur comme un substitut à leurs propres garde-fous ont tendance à l'apprendre à leurs dépens.