Astra ou Fable : quel modèle choisir pour travailler ?

Astra ne gagne pas partout, mais répond à des besoins utiles

Cette distinction me paraît plus révélatrice que n'importe quel classement général : Astra est nettement mieux perçue pour les tâches visuelles, spatiales et analytiques, tandis que Fable reste plus forte lorsque le résultat attendu est du code fonctionnel. Il ne s'agit pas d'un changement de leader, mais d'une séparation assez nette des spécialités.

Dans le catalogue de modèles de Microsoft, Astra est décrite comme un modèle destiné au raisonnement complexe et au travail avec les connaissances d'entreprise. Cela correspond aux retours de la discussion d'utilisateurs initiale : un ancien projet d'analyste métier, jusque-là peu utile, est devenu réellement exploitable avec Astra pour calculer des investissements, la rentabilité et analyser les concurrents.

Un autre participant a particulièrement souligné l'intelligence visuelle et le raisonnement spatial d'Astra, tout en jugeant son code inférieur à celui de Fable. Ce n'est pas une critique abstraite du style de réponse : dans le développement agentique, la fiabilité lors de l'écriture, de la modification et du débogage du code compte davantage qu'un raisonnement impressionnant autour de la tâche.

Les chiffres ne désignent pas non plus un vainqueur simple. Dans une comparaison publique, Astra et Fable 5.1 ont obtenu chacune 62 points au Coding Agent Index. D'autres synthèses donnaient des résultats divergents, et Fable arrivait plus souvent en tête dans les tests agentiques les plus difficiles d'ingénierie logicielle. J'y vois un signal : il ne faut pas moyenner les scores entre des versions et des environnements de test différents.

Début septembre 2026, il a été rapporté que Fable 5.1 était devenue généralement disponible le 1er septembre, tandis qu'Astra avait rejoint l'API OpenAI pour tous les niveaux le 6 septembre. Parallèlement, la fermeture des abonnements Astra a alimenté des hypothèses d'utilisateurs sur des hausses de prix et des forfaits plus coûteux, mais les données sources ne confirment pas ces suppositions.

Une autre explication plausible est qu'après avoir constitué une base d'utilisateurs, le service se soit heurté à des limites de capacité de calcul. Pour l'instant, cela reste également une interprétation du comportement du produit, et non un fait établi.

Le choix dépend désormais de la forme du résultat

Pour analyser des documents, des interfaces, des images et des scénarios métier, Astra semble être le choix le plus adapté. Si la tâche aboutit à une pull request, à un débogage en plusieurs étapes ou à un travail autonome sur un dépôt, les retours pratiques font pencher la balance vers Fable.

Les processus mixtes sont plus complexes. Un bon raisonnement spatial ne compense pas les erreurs de code, et un agent de programmation performant ne comprendra pas nécessairement mieux le contexte visuel ou une demande analytique ambiguë. Je testerais d'abord le type d'erreur le plus coûteux du processus concerné, plutôt qu'un benchmark général.

L'histoire des abonnements ajoute un autre risque : la qualité d'un modèle est inutile si l'accès est instable ou si son économie change brutalement. La grande question non résolue autour d'Astra ne porte donc pas seulement sur son intelligence, mais aussi sur sa capacité à supporter sa propre popularité.

Nous avons déjà expliqué comment le développement assisté par IA peut dégrader la qualité du code lorsque les résultats du modèle sont acceptés sans vérification suffisante. Les performances plus faibles d'Astra en programmation confirment qu'exceller dans d'autres benchmarks de raisonnement ne garantit pas un travail logiciel fiable.