Ils s’appellent ChatGPT, Gemini, Claude, DeepSeek. Ce sont des assistants conversationnels : vous leur écrivez une question ou une consigne, ils répondent en langage ordinaire. Ils rédigent un courrier, résument un document, traduisent, corrigent, expliquent. En trois ans, ils sont passés de la curiosité de laboratoire à l’outil de bureau quotidien, dans les administrations comme dans les rédactions.
Reste la question que tout le monde pose avant de s’abonner: lequel est le meilleur ? Elle paraît simple. Elle ne l’est pas.
Tapez « meilleure IA 2026 » dans un moteur de recherche. En première page, quatre comparatifs français vous attendent, tous confiants, tous documentés, tous chiffrés. Lisez-les côte à côte : ils ne parlent pas des mêmes produits. L’un teste Gemini 2.0 Ultra, l’autre Gemini 3.5 Flash. Claude apparaît tour à tour en version 4, 4.5, 4.6 ou 4.7. GPT existe en 5, 5.1 et 5.5 selon la page consultée. Certains « tests d’avril 2026 » portent sur des modèles retirés du marché depuis.
Le problème n’est pas que ces articles se trompent. C’est qu’ils répondent tous à une question qui n’a pas de réponse unique.
Un marché du comparatif, pas du journalisme
La contradiction entre ces guides n’est pas accidentelle, elle est structurelle. Publier un comparatif d’outils numériques rapporte de l’argent : par affiliation, par référencement, par abonnements vendus. Le calendrier de production de ces contenus n’a aucun rapport avec le calendrier des sorties de modèles.
Et ce calendrier est devenu intenable. Un classement rédigé en avril est déjà dépassé en juin. Publié en août, il décrit un marché qui n’existe plus.
Le lecteur qui cherche à s’informer se retrouve donc face à des affirmations péremptoires sur des produits parfois disparus, rédigées par des auteurs dont la rémunération dépend du clic. Ce n’est pas un détail de méthode, c’est le principal obstacle à une décision éclairée.
Le classement, puisqu’il en faut un
Une référence indépendante fait autorité : l’Artificial Analysis Intelligence Index, qui agrège neuf évaluations de raisonnement, de connaissances, de sciences et de travail en autonomie. Sa méthodologie est publique et son classement, consultable librement, portait début août sur 176 modèles.
Voici les premières places, critère par critère.
Premier enseignement : il n’y a pas de vainqueur unique. Le modèle le plus performant en raisonnement général n’est pas celui qui code le mieux, et aucun des deux n’est le plus rapide ni le moins cher. Le nom en tête change selon la colonne que l’on regarde.
Deuxième enseignement, plus embarrassant pour le classement lui-même. Dans les cinq premières lignes de l’indice général, trois sont le même modèle, réglé à trois niveaux d’effort de calcul différents (61, 60 et 59 points). Le tableau range donc des configurations techniques, pas des produits commerciaux. Un lecteur pressé en conclut qu’un éditeur occupe trois des cinq premières places; en réalité il en occupe une, déclinée trois fois. Troisième enseignement, sans doute le plus important : moins de deux points séparent le premier du quatrième. Pour un laboratoire, l’écart compte. Pour un rédacteur qui résume une dépêche, un comptable qui met en forme un tableau ou un enseignant qui prépare un cours, il est rigoureusement invisible. Notons enfin que sur les 176 modèles classés, 99 sont à poids ouverts, c’est-à-dire téléchargeables et installables sur ses propres serveurs. Le meilleur d’entre eux atteint 57 points, à quatre points du sommet mondial. Pour une institution soucieuse de garder ses données chez elle, ce chiffre est plus utile que tout le haut du tableau.
Ce que ces indices ne mesurent pas
Regardez la liste des épreuves : problèmes scientifiques de niveau doctoral, résolution de bugs informatiques, mathématiques avancées. Ce sont des exercices que l’on peut corriger automatiquement, car la réponse est juste ou fausse. C’est précisément pour cela qu’ils ont été choisis. Or aucune de ces épreuves ne dit si un outil sait écrire un chapô tenable en deux phrases, respecter une consigne de six cents signes, ou reconnaître qu’il ignore une information plutôt que d’inventer une source. Ces qualités ne se notent pas automatiquement, donc personne ne les note. Le classement mesure ce qui est commode à mesurer, et il faut le lire en sachant cela.
Le mot invisible : le token
Pour comprendre la suite, il faut connaître une notion technique, une seule, et elle explique beaucoup de choses. Une intelligence artificielle ne lit pas des lettres ni des mots. Avant tout traitement, elle découpe le texte en petits fragments appelés tokens. Un token peut être un mot entier, une syllabe, une terminaison, parfois un seul caractère. C’est l’unité de base de la machine, et c’est aussi l’unité de facturation : les fournisseurs vendent leurs services au million de tokens traités.
Le découpage n’est pas neutre. Il a été optimisé sur l’anglais, langue dominante des données d’entraînement. En anglais, un mot courant correspond souvent à un seul token. En français, il en faut fréquemment deux. En arabe, où le mot agglutine article, préposition, radical et suffixes, un même mot peut être fragmenté en trois ou quatre morceaux.
Les conséquences sont très concrètes. Le même texte coûte plus cher en arabe qu’en anglais, parfois du simple au triple. Il est traité plus lentement. Et surtout, la machine perçoit une phrase arabe comme une suite de fragments moins cohérents, ce qui dégrade sa compréhension. Ce n’est pas une question de puissance du modèle, c’est une question de découpage.
Le point aveugle : notre langue
Ce mécanisme éclaire un résultat qui surprend au premier abord. Le benchmark BALSAM, qui évalue soixante-dix-huit tâches en langue arabe, conclut que les grands modèles généralistes fermés dépassent nettement les modèles conçus spécifiquement pour l’arabe, comme Jais ou Fanar. Ses auteurs identifient les facteurs déterminants : la qualité du découpage en tokens et le volume réel de données arabes d’entraînement, plus que la taille du modèle.
Deuxième constat, plus révélateur encore. Le principal classement arabe ouvert a dû écarter une partie de ses propres questions après avoir constaté qu’elles avaient été traduites depuis l’anglais. Une question traduite transporte avec elle une syntaxe anglaise et des présupposés culturels anglo-saxons : elle mesure la qualité d’une traduction, pas la maîtrise de la langue. La communauté a reconstruit son test autour de questions rédigées nativement en arabe, sur le monde arabe.
Reste le trou noir. Les évaluations dialectales les plus abouties couvrent l’égyptien, le syrien et les parlers du Golfe. Le maghrébin y est marginal, et la derja tunisienne quasi absente des jeux de test publics. Concrètement, aucun de ces classements ne dit quoi que ce soit de fiable sur la capacité d’un modèle à comprendre un Tunisien qui lui écrit dans sa langue de tous les jours.
Cinq questions valent mieux qu’un classement
À la question « quelle IA choisir », substituez cinq questions dont vous seul avez la réponse.
Pour quel travail ? Rédaction et analyse, développement informatique, lecture de documents longs, traitement automatisé en volume: les meilleurs outils diffèrent à chaque fois, parfois radicalement.
Pour quel budget ? Les versions gratuites couvrent l’immense majorité des usages de bureau. Un abonnement ne se justifie qu’au-delà d’un seuil d’utilisation quotidienne réelle, qu’il faut avoir mesuré avant de payer.
Avec quelles données ? L’essentiel de ces services transite par des serveurs américains. Pour des sources journalistiques, des dossiers médicaux ou des données de personnel, la question pertinente n’est pas la performance mais la juridiction.
Dans quelle langue ? À tester soi-même, sur ses propres textes, en français comme en arabe. Aucun indice international ne répondra à votre place.
Accessible d’ici ? Disponibilité du service depuis la Tunisie, moyens de paiement en devises, temps de réponse réel. Un modèle excellent mais inaccessible vaut zéro.
Le Maghreb, absent de la course
Un dernier constat mérite l’attention des décideurs. Quatre États du Golfe financent aujourd’hui des modèles souverains : Falcon et Jais aux Émirats, ALLaM en Arabie saoudite, Fanar au Qatar, ce dernier dans une version multimodale capable de traiter texte, image et parole. Ces projets mobilisent des centaines de spécialistes et des organismes publics entiers. Le Maghreb n’est pas dans cette course. Ni comme producteur, ni comme objet d’évaluation. Nos institutions choisiront donc leurs outils d’intelligence artificielle sur la foi de classements qui n’ont jamais testé notre langue, notre droit ni nos usages. La bonne question n’a jamais été de savoir quelle machine est la plus intelligente. Elle est de savoir qui décide de ce qu’on entend par intelligente, et pour qui.
Sources et vérifications
Classement principal : Artificial Analysis, LLM Leaderboard, relevé du 4 août 2026, 176 modèles classés. https://artificialanalysis.ai/leaderboards/models
Méthodologie de l’indice : Artificial Analysis Intelligence Index v4.1, composé de neuf évaluations (GDPval-AA v2, Terminal-Bench v2.1, SciCode, Humanity’s Last Exam, GPQA Diamond, CritPt, AA-Omniscience, AA-LCR). https://artificialanalysis.ai/methodology/intelligence-benchmarking
Classement programmation : Artificial Analysis, Coding Index. https://artificialanalysis.ai/models/capabilities/coding
Fournisseurs et tarifs : Artificial Analysis, API Providers Leaderboard, plus de 500 points d’accès comparés. https://artificialanalysis.ai/leaderboards/providers
Rythme des sorties : Une vingtaine de sorties confirmées chez les principaux éditeurs sur les trente jours précédant le 2 août 2026 (BenchLM.ai).
Modèles arabes spécialisés : BALSAM: A Platform for Benchmarking Arabic Large Language Models, arXiv:2507.22603. Soixante-dix-huit tâches, quatorze catégories. Les grands modèles fermés devancent Jais et Fanar de marges importantes ; la taille du modèle n’est pas un prédicteur suffisant de performance, la tokenisation de l’arabe et le volume de données arabes pèsent davantage.
Questions traduites écartées : Documentation de l’Open Arabic LLM Leaderboard, relayée par les analyses du secteur : abandon des questions traduites de l’anglais au profit de questions rédigées nativement en arabe.
Dialectes évalués : AraDiCE, Proceedings of COLING 2025 : 45 000 exemples dialectaux couvrant l’égyptien, le syrien et les variétés du Golfe. Voir également DialectalArabicMMLU, arXiv:2510.27543, sur le déficit d’évaluation dialectale.
Modèles souverains du Golfe : Falcon (TII, Abou Dhabi), Jais (Inception et MBZUAI), ALLaM (SDAIA, Arabie saoudite, exploité par HUMAIN), Fanar (QCRI, Hamad Bin Khalifa University, Qatar), version 2.0 multimodale de 27 milliards de paramètres. Référence : Fanar: An Arabic-Centric Multimodal Generative AI Platform, arXiv:2501.13944.
Comparatifs contradictoires : Constat établi le 4 août 2026 par consultation des premiers résultats francophones pour la requête « meilleure IA 2026 ». Les captures d’écran peuvent être conservées à l’appui du passage.
