Le classement des modèles IA selon leurs vrais choix
Pourquoi ça compte pour toi
Tu veux savoir quel modèle préfère quel outil dans ton domaine ? Au lieu de croire les discours marketing des éditeurs, tu as maintenant des données brutes : 6 formulations de prompt, testées sur chaque modèle frontier, pour voir qui choisit Astra, Claude, GPT-4o ou les autres. C'est utile si tu dois décider quel modèle intégrer, ou simplement si tu es curieux de voir où ta startup apparaît (ou n'apparaît pas).
Ce qu'il faut retenir
- 1.7 modèles testés sur 161 catégories : des agents de code aux podcasts IA, bases de données, transcription vocale, investisseurs
- 2.Méthodologie : 6 variations de prompt par catégorie pour éviter les biais de formulation — contrairement aux simples « qu'aimes-tu ? » trop directs
- 3.Données publiques et explorables : tu peux fouiller le classement par catégorie, voir qui gagne (et qui perd) dans ton secteur
Tu galères avec le jargon ?
Lis la version réécrite en mode débutant — toutes les idées, sans le jargon.
Ce qu'on peut faire avec ça
Alors oui, c'est un outil de nerd — c'est pas clé en main pour ta tante. Mais si tu construis une startup de code, un produit IA, ou que tu décides quels modèles intégrer à ta pile, ça vaut le coup de regarder.
Cas 1 : Tu es un éditeur de produit
Tu découvres que Claude surpasse tout le monde dans la catégorie « agents de code délégué », mais que GPT-4o écrase sur les podcasts IA. Ça te dit : d'accord, je dois optimiser ma documentation pour GPT-4o, ou mettre Claude par défaut dans ma démo. Ou pire : je suis invisible dans 161 catégories, faut que je me pose des questions.
Cas 2 : Tu es développeur et tu choisis une pile
Tu veux un modèle pour du code, un autre pour de la transcription, un troisième pour de l'assistance client. Là tu as des données réelles sur qui domine dans chaque domaine, pas juste du buzz sur Twitter.
La couche sous-jacente
Ce qui rend ça différent de « What Claude Code Chooses » (la source d'inspiration), c'est la portée : 161 catégories, 7 modèles, 6 prompts différents. Ça veut dire que chaque conclusion résiste mieux aux biais de formulation. Si un modèle choisit Astra dans 5 prompts sur 6 pour une catégorie, c'est plus solide que « j'ai demandé une fois et ça a dit Astra ».
La méthodologie exacte est publique sur le site si tu veux regarder sous le capot.
Ce qui est bizarre
Ils testent 161 catégories… dont « Angel investors » et « Corporate spend ». C'est quoi, demander à un modèle qui te financer ou quel logiciel de paie choisir ? C'est un signal que le tracker capture « ce que le modèle recommande quand tu poses la question », pas « ce qui est objectivement meilleur ». C'est utile quand même — ça te dit ce qu'un modèle dirait à ton utilisateur — mais attention à la confusion.
Utilisation concrète
- ▸Va sur le site, cherche ta catégorie
- ▸Vois qui gagne (Astra ? Claude ? GPT-4o ?)
- ▸Parcoure les variations de prompt pour voir si le résultat change beaucoup
- ▸Si tu es un éditeur : passe à l'action, améliore ta présence dans les résumés et documentations que les modèles consultent
- ▸Si tu construis : teste sur les 6 prompts de Latent Space, pas juste 1
Le vrai apport
Tous les modèles disent « on est objectifs ». Latent Space a construit un thermomètre public. C'est pas dramatique, mais ça remet les choses en place.
Et concrètement pour toi ?
Choisis ton profil — la lecture de l'article change selon qui tu es.
Pour toi, cette méthodologie rigoureuse (6 prompts par catégorie) t'offre un angle rare : voir IA se juger entre elles sans discours marketing. Fouille les catégories surprenantes (podcasts, investisseurs) pour comprendre où chaque modèle domine vraiment — c'est plus révélateur que n'importe quel benchmark biaisé.
Essayer maintenant
Explorer le tracker AEO gratuitement →Source
Pour aller plus loin
Cet article t'a donné envie d'approfondir ? Deux formations Noésis t'attendent :
Explorer les thèmes de cet article :