Lors d'une évaluation pratique récente de Claude Opus 4.8, un développeur chinois a observé un comportement révolutionnaire : le modèle indique désormais explicitement lorsqu'il ne dispose pas de suffisamment d'informations pour répondre à une question, plutôt que de fabriquer une réponse plausible mais incorrecte. C'est une rupture marquée avec les modèles d'IA précédents, qui produisaient souvent des réponses semblant confiantes mais erronées – un phénomène connu sous le nom d'hallucination. Le test a porté sur plusieurs requêtes ambiguës et sous-spécifiées, et le modèle a systématiquement refusé de deviner, demandant plutôt des clarifications ou admettant son ignorance. Cette capacité est essentielle pour les applications en médecine, droit, finance et service client, où des réponses incorrectes peuvent avoir des conséquences graves. Bien que les performances globales du modèle restent compétitives avec GPT-5 et d'autres modèles de pointe, ce calibrage de l'incertitude pourrait devenir un différenciateur clé pour l'adoption en entreprise. Les développeurs devraient envisager d'intégrer des mécanismes de détection d'incertitude similaires dans leurs propres pipelines d'IA pour améliorer la fiabilité et la confiance des utilisateurs.
Un test pratique de Claude Opus 4.8 révèle une amélioration notable : le modèle admet désormais explicitement lorsqu'il manque d'informations, plutôt que de générer des réponses plausibles mais incorrectes. C'est un pas important pour la fiabilité de l'IA.