ChatGPT, Claude, Gemini, Manus... Qui est qui, et qui fait quoi ?

Article mis à jour le 30 septembre 2026 pour tenir compte des dernières évolutions de l'écosystème.

---

Le problème du nom

Vous avez essayé ChatGPT. Un collègue vous parle de Claude. Un article mentionne Gemini, un autre Manus, un troisième Codex ou Mistral. Sur les réseaux, tout le monde a un avis sur "l'IA", mais personne ne parle tout à fait de la même chose.

Ce n'est pas un hasard, et ce n'est pas votre faute. Le secteur souffre d'un "problème de vocabulaire" : on mélange en permanence des choses de nature très différente. Des modèles. Des produits. Des entreprises. Des usages. Tout ça sous le même mot, "IA", comme si une même étiquette pouvait décrire à la fois le moteur d'une voiture, la voiture elle-même, le constructeur et le GPS intégré.

Ce guide ne prétend pas recenser tous les modèles existants, ce serait une entreprise sans fin dans un domaine qui évolue chaque semaine. Il propose une logique de lecture. Comprendre la structure du paysage pour ne plus être perdu quand un nouveau nom apparaît.

Modèle ≠ Produit ≠ Entreprise

La première confusion à dénouer est aussi la plus fondamentale. Il existe une chaîne, et confondre les maillons explique la quasi-totalité du désordre.

Le laboratoire est l'organisation qui fait la recherche et entraîne les modèles. OpenAI, Anthropic et Mistral AI sont des entreprises spécialisées ; Google DeepMind et Meta AI sont des laboratoires ou divisions intégrés à de grands groupes. Tous emploient des chercheurs, mobilisent des infrastructures colossales et publient des modèles.

Le modèle est le système d'intelligence artificielle proprement dit, un programme entraîné sur des quantités astronomiques de données, capable de comprendre et de produire du texte, des images, du code ou des décisions structurées. Un modèle, c'est par exemple GPT-6 Astra, Claude Fable 5.1, Gemini 3.5 Flash, Muse Spark 1.1, Llama 4 ou Mistral Medium 3.5.

Le produit est l'interface que vous utilisez pour accéder à ce modèle. ChatGPT est un produit, une application web et mobile développée par OpenAI, qui utilise les modèles GPT. Claude désigne à la fois une famille de modèles d'Anthropic et le produit qu'on ouvre sur claude.ai. Gemini désigne à la fois une famille de modèles de Google et des produits ou assistants intégrés à l'écosystème Google, notamment sur Android.

La confusion naît du fait que certains noms désignent les deux à la fois, et que les entreprises changent parfois ces noms au fil des versions.

Pour y voir clair : quand vous "utilisez ChatGPT", vous utilisez en réalité le produit ChatGPT, qui fait tourner un modèle GPT, développé par la société OpenAI. Trois niveaux distincts, un seul nom dans la conversation courante.

La carte des grands acteurs

Le marché s'organise autour de quelques laboratoires. OpenAI développe les GPT et ChatGPT, avec GPT-6 Astra, GPT-6.1 Sol et GPT-6 Luna. Anthropic propose Claude, des gammes Haiku, Sonnet et Opus aux nouveaux Fable et Mythos. Google DeepMind intègre Gemini à Search, Workspace et Android. Meta combine Llama sous licence ouverte et le modèle propriétaire Muse Spark. Mistral AI se distingue par son positionnement européen.

D'autres acteurs importants complètent la carte : Cohere, xAI, DeepSeek, Qwen et TypeSafe AI. Le tableau ci-dessous précise leurs modèles, produits, usages et publics.

Des modèles aux outils spécialisés

C'est ici que se rangent les noms comme Claude Code, Codex, Dots, Vibe, Cursor, GitHub Copilot, Devin, Perplexity, NotebookLM ou Microsoft 365 Copilot. Ce ne sont généralement pas de nouveaux modèles, mais des produits ou agents spécialisés construits au-dessus de modèles existants.


Jev, de TypeSafe AI, renvoie des décisions structurées avec un niveau de confiance. Intégré au code, il peut classer, noter ou router une action sans remplacer un assistant conversationnel.

Manus illustre l'agent autonome : il orchestre des modèles et des outils pour chercher, remplir des formulaires ou exécuter du code. Son parcours illustre aussi les tensions géopolitiques autour de l'IA.

À qui s'adresse quoi ?

Maintenant que la structure est claire, on peut répondre à la vraie question : "Qu'est-ce que j'utilise, moi ?"

Pour le grand public

Quelqu'un qui veut rédiger, résumer, traduire, brainstormer, expliquer un sujet complexe, les interfaces comme ChatGPT, Claude ou Gemini se valent largement sur les usages courants. Le choix tient souvent à des détails : la qualité de l'interface, la politique de confidentialité, l'intégration avec d'autres outils. Claude est souvent cité pour la qualité de ses réponses longues et nuancées ; ChatGPT pour la richesse de son écosystème ; Gemini pour son intégration native avec Google.

Pour les entreprises

La question de la confidentialité devient centrale. Envoyer des documents internes à un service cloud soulève des questions légitimes. Certains modèles ouverts, comme ceux de Meta ou Mistral, peuvent être déployés entièrement en interne selon les versions, les licences et les contraintes techniques ; d'autres proposent des accords avec des garanties sur la non-utilisation des données pour l'entraînement.

Pour les développeurs

Ceux qui veulent intégrer l'IA dans leurs propres applications passent par une interface de programmation pour appeler les modèles directement dans leur code. OpenAI et Anthropic proposent toutes deux des accès bien documentés. Les modèles ouverts de Meta ou Mistral permettent d'aller encore plus loin, selon les modèles concernés, les licences et les contraintes techniques : les héberger soi-même, les adapter ou les spécialiser sur ses propres données. Ils restent toutefois soumis à des licences qui encadrent les droits d'usage.

Pour les chercheurs et académiques

Les modèles ouverts comme Llama ou Mistral sont souvent préférés, car ils permettent d'étudier le comportement du modèle, de le spécialiser sur un corpus particulier et de publier des résultats reproductibles, dans les limites de leurs licences respectives.

Ce qui différencie vraiment les modèles

Vous l'avez maintenant compris, la question "lequel est le meilleur ?" est la mauvaise question. Les modèles ne s'évaluent pas sur une seule échelle ; ils ont des profils différents et les critères qui dépendent entièrement de ce que vous voulez faire.

Le raisonnement

Certains modèles sont entraînés à réfléchir avant de répondre : décomposer un problème en étapes, vérifier leur logique, revenir en arrière si une piste ne mène nulle part. On les appelle parfois modèles de raisonnement. Ils excellent sur les problèmes de mathématiques, de code complexe, de logique formelle, d'analyse juridique poussée. En contrepartie, ils sont souvent plus lents et plus coûteux à utiliser. C’est le positionnement de certains modèles haut de gamme conçus pour le raisonnement, chez Anthropic, OpenAI ou DeepSeek.

D'autres modèles sont optimisés pour répondre vite et de façon fluide, sans ce temps de réflexion intermédiaire : les gammes intermédiaires ou rapides comme Sonnet, Flash ou Luna en sont de bons exemples. Pour rédiger un email simple, reformuler un texte ou brainstormer, c'est rarement nécessaire d'aller chercher un modèle de raisonnement, et souvent contre-productif en termes de vitesse.

Choisissez un modèle de raisonnement quand le problème a une seule bonne réponse qu'il faut trouver. Choisissez un modèle fluide quand la tâche demande de la créativité, de la souplesse ou de la rapidité.

La capacité à traiter images, audio et vidéo

Les grandes familles GPT, Claude, Gemini, Llama ou Mistral comprennent des modèles multimodaux capables d'analyser du texte, des images et parfois de l'audio ou de la vidéo. Pour la création visuelle, on trouve notamment Midjourney, Firefly, Nano Banana et Muse Image ; pour la vidéo, Sora, Veo, Runway, Kling et Muse Video. Vérifiez toujours les formats acceptés en entrée et produits en sortie.

La mémoire de travail

Chaque modèle a une limite sur la quantité de texte qu'il peut "retenir en tête en même temps" pendant une session : c'est ce qu'on appelle la fenêtre de contexte. Un modèle avec une petite mémoire de travail "oublie" le début d'une longue conversation, ne peut pas analyser un texte volumineux en une fois, ou perd le fil d'un projet complexe étalé sur de nombreuses pages.

À date de mise à jour, et sous réserve des versions exactes, des API et des offres disponibles, plusieurs modèles récents proposent des fenêtres de contexte proches ou supérieures à 1 million de tokens. GPT-6 Astra atteint 1,05 million de tokens dans l'API, tandis que Gemini 3.5 Flash propose une fenêtre d'un million de tokens. Plusieurs modèles Claude récents atteignent également ce niveau sur certaines plateformes. Dans les produits grand public comme ChatGPT ou Claude, les limites peuvent toutefois varier selon le plan, le mode sélectionné et la plateforme utilisée. Mistral Medium 3.5 se limite pour sa part à 256 000 tokens, ce qui reste très conséquent mais peut devenir limitant pour de très longs corpus.

La vitesse et le coût

Les modèles les plus puissants sont aussi les plus lents et les plus chers à faire fonctionner. Pour un usage personnel occasionnel, cela compte peu. Pour une application qui traite des milliers de requêtes par jour, le choix du modèle devient une question économique majeure.

C'est pour ça que chaque grand laboratoire propose une gamme étalée : un modèle léger et rapide pour les tâches simples à fort volume (Haiku chez Anthropic, Flash chez Google, Luna chez OpenAI), un modèle intermédiaire pour l'usage courant, et un modèle frontier pour les tâches les plus exigeantes. Des modèles comme Jev poussent cette logique plus loin en abandonnant la génération de texte pour exécuter uniquement des décisions structurées, avec des gains importants de vitesse et de coût sur ce type de tâche. Choisir le bon niveau évite de payer pour une puissance inutile, ou de se retrouver avec un résultat insuffisant faute d'avoir pris le bon outil.

La sécurité, la fiabilité et l'alignement

Tous les laboratoires ne mettent pas le même soin à s'assurer que leurs modèles se comportent de façon prévisible. Cela recouvre plusieurs dimensions bien distinctes.

1. La fiabilité factuelle : est-ce que le modèle invente des informations quand il ne sait pas ? Certains signalent explicitement leurs incertitudes, d'autres affirment avec la même assurance ce qui est vrai et ce qui est faux ;
2. Le refus des contenus problématiques : comment réagit le modèle face à des demandes sensibles, dangereuses ou illégales ? Les politiques varient considérablement d'un laboratoire à l'autre, et parfois d'une version à l'autre du même modèle ;
3. La confidentialité des données : vos échanges sont-ils utilisés pour entraîner les prochaines versions du modèle ? Les réponses diffèrent selon les offres (gratuite, pro, entreprise) et selon les pays. C'est un critère qui peut être décisif pour les usages professionnels ou médicaux.

Pour un usage personnel léger, ces distinctions peuvent être secondaires. Pour un déploiement en entreprise ou un usage sur des données sensibles, elles peuvent tout changer.

La personnalité et le style

C'est le critère le moins mesurable, et pourtant souvent le plus déterminant dans le choix quotidien. Deux modèles de capacités équivalentes peuvent se comporter très différemment : l'un sera plus direct, l'autre plus nuancé ; l'un plus créatif, l'autre plus rigoureux ; l'un plus bavard, l'autre plus concis.

Ces différences ne viennent pas du hasard. Elles résultent de choix délibérés faits par chaque laboratoire lors de la phase d'affinage du modèle, une étape où des humains évaluent des milliers de réponses pour orienter le comportement général du modèle. Anthropic a fait de la prudence et de la nuance une priorité ; OpenAI a beaucoup travaillé la fluidité et la polyvalence ; Mistral revendique une certaine franchise.

La meilleure façon de savoir lequel vous convient : essayez le même prompt sur deux ou trois modèles et comparez. Vous verrez très vite lequel parle votre langue.

Ce qui devrait arriver ensuite ?

Le paysage décrit ici est une photographie prise aujourd'hui. Dans six mois, certains noms auront disparu, d'autres seront apparus. Quelques tendances de fond méritent néanmoins d'être signalées.

Les agents autonomes

Ils représentent probablement le changement le plus significatif en cours. Jusqu'ici, l'IA répondait. Les agents, eux, agissent : ils peuvent gérer votre boîte mail, réserver des rendez-vous, écrire et exécuter du code, naviguer sur le web, remplir des formulaires ou enchaîner des dizaines d'actions sans intervention humaine à chaque étape. Des outils comme Dots, ChatGPT agent, Claude Code, Devin ou Manus donnent déjà une idée de cette évolution. Avec les agents permanents, une nouvelle étape apparaît : l'IA ne se contente plus d'exécuter une demande ponctuelle, elle peut suivre un objectif et reprendre le travail dans le temps.

L'IA embarquée

Des modèles suffisamment petits pour tourner directement sur un smartphone ou un ordinateur, sans envoyer systématiquement les données dans le cloud, sont déjà disponibles et s'améliorent vite. Gemini Nano sur Android, les modèles embarqués d'Apple Intelligence ou les Copilot+ PCs de Microsoft illustrent cette tendance. Cette évolution change la donne sur la confidentialité, la rapidité, le coût et l'accessibilité.

L'orchestration multi-modèles

De plus en plus d'applications ne reposent plus sur un seul modèle, mais sur plusieurs modèles appelés selon les besoins : un modèle rapide pour les tâches simples, un modèle plus puissant pour le raisonnement, un autre pour le code ou l'analyse d'images, etc. L'enjeu devient alors moins de choisir "le meilleur modèle" que de construire le bon routage entre plusieurs briques.

La consolidation du marché

Entraîner et maintenir un modèle de pointe coûte des centaines de millions, voire des milliards de dollars. Peu d'acteurs peuvent tenir ce rythme indéfiniment. On peut donc s'attendre à des rachats, des partenariats stratégiques et une concentration autour de quelques grandes familles. Les alliances entre Microsoft et OpenAI, Amazon et Anthropic, ou Google et Anthropic montrent déjà que la bataille ne se joue pas seulement sur les modèles, mais aussi sur le cloud, les puces, la distribution et l'accès aux clients.

La souveraineté technique

L'enjeu décisif reste celui de la souveraineté technique. Pour beaucoup d'utilisateurs, l'IA se résume encore à "demander à ChatGPT" ou à quelques usages pratiques du quotidien, alors qu'elle devient une couche industrielle critique pour l'ensemble de l'économie. Or, à l'exception de Mistral AI, les grands modèles et plateformes restent très majoritairement américains ou chinois. L'Europe régule, mais elle doit aussi réussir à faire émerger ses propres champions si elle veut réduire sa dépendance.

Apprendre à lire le paysage

Il n'existe pas de "meilleur modèle" pour tous les usages. Rédaction, recherche, code, analyse, automatisation, création visuelle ou traitement de données sensibles imposent des choix différents.

Face à un nouveau nom, demandez qui l'a développé, quel modèle il utilise, ce qu'il fait, où vont les données et s'il s'agit d'un assistant, d'un agent, d'un produit ou d'une brique d'infrastructure. Cette grille permet de mieux choisir ses outils et de suivre un paysage qui change vite.

---

Cet article a été rédigé, vérifié et illustré avec l'aide de l'IA. Sur un article parlant d'IA, cela eût été dommage de faire autrement.