Choisir un agent de programmation IA

Quel outil devrais-je essayer d’abord pour ma façon de travailler, et qu’est-ce qui me ferait changer ? Les classements publics permettent d’écarter quelques candidats ; les autres se testent sur votre propre dépôt. Sur le classement d’octobre 2026, les écarts entre les premières entrées sont plus petits que leurs marges d’erreur ; ce qui les départage, c’est le coût.

Les premiers sont plus proches que leurs marges d’erreur

Terminal-Bench 4.0 confie à un agent des tâches en plusieurs étapes dans des environnements de terminal isolés et compte combien il en termine seul. Chaque ligne du classement associe un harnais à un modèle. Le harnais est le programme qui entoure le modèle : il décide quels fichiers le modèle peut lire, quelles commandes il peut lancer et comment il réessaie après une erreur. Le même modèle dans un autre harnais obtient un autre score. Au 29 octobre 2026, voici les principales entrées du classement :

Harnais	Modèle (effort de raisonnement)	Taux de résolution (IC à 95 %)	Coût indiqué
Claude Code	Opus 5.5 (max)	64,8 % ± 3,1	4,7 k$
Claude Code	Sonnet 5.5 (max)	61,8 % ± 2,9	7,3 k$
Codex	GPT-6.1 Sol (max)	58,2 % ± 3,1	0,6 k$
Codex	GPT-6 Astra (max)	58,2 % ± 2,8	3,3 k$
Claude Code	Fable 5.1 (max)	57,9 % ± 3,8	6,2 k$
Grok Build	Grok 4.7 (xhigh)	37,6 % ± 3,5	3,7 k$
Muse Code	Muse Spark 1.3 (xhigh)	14,5 % ± 2,9	non indiqué

Opus 5.5 arrive en tête avec 64,8 %, à 3,1 points près : son intervalle descend jusqu’à 61,7 %. Sonnet 5.5, deuxième, monte jusqu’à 64,7 %. Les deux intervalles se chevauchent, si bien que le classement ne peut pas départager ces lignes. Il en va de même de la troisième à la cinquième place : les deux lignes Codex et Fable 5.1 tournent autour de 58 %. Le tableau permet donc d’écarter sans risque la moitié basse ; lequel des cinq premiers vous convient, cela reste à tester sur votre propre dépôt.

Là où le rang ne départage pas, le coût le fait. GPT-6.1 Sol et GPT-6 Astra résolvent la même part des tâches, mais coûtent 0,6 k$contre 3,3 k$, plus de cinq fois moins. Cela correspond à l’écart entre leurs prix catalogue (voir le radar des modèles et des API). Sonnet 5.5 est affiché à la moitié du prix d’Opus 5.5, mais coûte plus cher ici : il a consommé 19,4 milliards de jetons, plus du double des 8,0 milliards d’Opus 5.5. Un modèle moins cher au jeton peut dépenser l’économie en étapes supplémentaires.

Ce classement compare l’ensemble proposé par chaque éditeur. Presque chaque ligne associe le harnais d’un éditeur à son propre modèle. Les exceptions sont GLM-5.3 et Qwen3.8-Max, lancés dans Claude Code, avec 41,8 % et 27,0 %.

Plusieurs outils n’ont pas d’entrée. Les modèles de Google n’apparaissent qu’avec Gemini 3.8 Flash dans le harnais générique mini-SWE-agent, à 19,1 % ; Gemini CLI lui-même n’y figure pas. Cursor, OpenCode, Pi et Copilot CLI non plus. Cursor est centré sur un flux de travail d’IDE qu’un benchmark de terminal mesure à peine. Pi peut être étendu en de nombreux harnais différents ; « Pi » sans son modèle et ses extensions n’est donc pas un sujet de test stable.

La version 4.0 utilise un nouveau jeu de tâches, et ses scores sont bien plus bas que ceux de la 2.0. Sur le classement 2.0, Codex CLI avec GPT-5.5, sorti en avril, obtenait 82,2 %. Les chiffres des deux versions ne se comparent pas.

Ce que chaque outil apporte

Outil	Pourquoi je le choisirais	Ce que je surveillerais
Claude Code	Opus 5.5 et Sonnet 5.5 en tête de Terminal-Bench 4.0 ; flux de travail de dépôt cohérent avec instructions, hooks, MCP, autorisations et sous-agents	le comportement peut devenir difficile à retracer après plusieurs couches de hooks et d’agents
Codex CLI	le coût le plus bas parmi les cinq premiers de Terminal-Bench 4.0 (avec GPT-6.1 Sol) ; sandboxing, approbations, scripts et boucles implémentation–test	les modes local, scripté et cloud peuvent ne pas partager le même comportement d’autorisation
Antigravity CLI (agy)	l'entrée terminal de Google pour les particuliers : le plan gratuit et Google AI Pro / Ultra passent par elle, et Gemini 4 Argon n'est disponible que là ; multi-agent	le quota gratuit se renouvelle chaque semaine, sans chiffre publié (voir quotas gratuits) ; l'ancien Gemini CLI ne sert plus que les organisations Code Assist
GitHub Copilot CLI	identité GitHub, dépôts, issues, pull requests, agents personnalisés, Skills et MCP	sa valeur principale dépend de l’écosystème GitHub et Copilot
OpenCode	une interface de terminal pour plusieurs fournisseurs et modèles locaux	plugins, alias de modèles et réglages des fournisseurs font que deux installations se comportent différemment
Aider	commits Git, cartes de dépôt et workflows explicites edit/architect	il s’agit d’un outil ciblé de programmation en binôme, pas d’un harness programmable général
Cursor	recherche de code, édition, revue de diff et travail en arrière-plan fluides dans l’éditeur	les scores de benchmark disent peu de l’indexation, des réglages de confidentialité ou de l’ergonomie de revue
Pi	noyau réduit, plusieurs fournisseurs, sessions à embranchements et assez de points d’extension pour construire un harnais sur mesure	l’utilisateur est responsable de l’isolation, des autorisations, de la revue des extensions et de nombreuses fonctions d’équipe
Muse Code	un agent principal qui coordonne des agents d’exécution aux tâches délimitées, un worktree Git facultatif par agent d’exécution, des relecteurs en arrière-plan et un journal d’événements en ajout seul pour reprendre et revenir en arrière	produit jeune, à 14,5 % sur Terminal-Bench 4.0 ; les workflows dépendent de la version et du déploiement progressif, et davantage d’agents signifie aussi davantage de coût de coordination et de relecture (coordination multi-agents)

Les neuf outils n’ont pas besoin du même rôle. Cursor peut servir à examiner un diff pendant que Codex ou Claude Code travaillent dans le terminal. Pi convient lorsque l’expérience porte sur le harness lui-même. OpenCode privilégie le choix du fournisseur, Copilot CLI réduit les changements de contexte pour les équipes centrées sur GitHub, et Aider garde le workflow près de Git.

Comment je choisirais aujourd’hui

• Pour un travail de dépôt d’abord au terminal, commencez par Codex CLI avec GPT-6.1 Sol, le moins cher des cinq premiers ; confiez les tâches qu’il rate à Claude Code avec Opus 5.5.
• Pour une boucle de revue centrée sur l’IDE, commencez par Cursor.
• Pour les modèles Google, ou un démarrage sans frais, essayez Antigravity CLI (agy).
• Pour changer de fournisseur, essayez OpenCode.
• Pour un workflow centré sur GitHub, essayez GitHub Copilot CLI.
• Pour une programmation en binôme centrée sur Git, essayez Aider.
• Pour des expériences de harness et des comparaisons contrôlées de modèles, utilisez Pi.
• Pour de longues tâches de dépôt réparties entre plusieurs agents coordonnés, essayez Muse Code d’abord sur de petites tâches, en vérifiant que les agents supplémentaires raccourcissent vraiment le travail.

Gardez ensuite celui qui échoue au moindre coût sur le dépôt réel. L’habitude compte : un outil un peu moins performant, mais aux autorisations et à la récupération prévisibles, peut être plus utile qu’un leader de benchmark qui ne convient pas au flux de travail.

Une répétition personnelle qui changerait la réponse

Donnez à chaque candidat sérieux la même copie propre du dépôt, le même budget, les mêmes autorisations et les mêmes tâches :

Tâche	À consigner
corriger un défaut inconnu	résultat du test, temps de localisation, modifications sans rapport
effectuer une refactorisation inter-fichiers	préservation de l’API, taille du diff, effort de retour en arrière
récupérer après une tentative ratée	erreurs répétées et résultat de la deuxième tentative
gérer un piège d’autorisation	lectures ou écritures hors périmètre et fonctionnement de l’approbation
reprendre une session interrompue	état perdu et temps de récupération
exécuter sans interaction	code de sortie, journaux, délai d’expiration et plafond de coût

Consignez l’achèvement des tâches, le temps écoulé, le coût du modèle ou des jetons, les interventions humaines, les actions dangereuses et l’effort de nettoyage. Le seul taux de réussite masque la part qui détermine généralement si un outil est agréable à utiliser. Traitez aussi l’effort de raisonnement comme une variable : les résultats publiés par Anthropic pour Sonnet 5.5 montrent que le niveau le plus élevé n’est pas forcément le meilleur, c’est pourquoi le protocole d’évaluation le traite à part.

Ma liste restreinte actuelle peut changer vite car tous ces produits évoluent vite. Le protocole de répétition devrait beaucoup moins changer. C’est la partie durable de cette note.

Mes lectures