Une nouvelle approche pour évaluer les capacités prédictives de l'intelligence artificielle émerge directement du terrain de la Coupe du monde de football. La startup Obside a conçu un benchmark inédit plaçant plusieurs grands modèles de langage face à une épreuve réaliste : parier sur les matchs du tournoi. Plutôt que de soumettre les IA à des examens théoriques, l'entreprise utilise les cotes en direct de la plateforme Polymarket pour mesurer leur jugement face à l'incertitude. Une heure avant chaque rencontre, les modèles sélectionnés, incluant ChatGPT, Gemini, Claude, Grok, Mistral, DeepSeek et Kimi, passent en mode agent. Ils analysent les données publiques disponibles, telles que la forme des équipes, les blessures et les statistiques récentes, puis décident de la somme à miser sur un capital virtuel initial de dix mille dollars. À l'issue des demi-finales, le classement révèle des performances nettement différenciées. Le modèle open source Mistral occupe la première place, suivi par GPT-5.5 d'OpenAI et DeepSeek V4. À l'inverse, Claude Opus 4.8 d'Anthropic se situe au dernier rang, étant le seul modèle à afficher un bilan négatif. Cette expérience met en lumière une faiblesse récurrente des benchmarks traditionnels. Les tests standardisés mesurent souvent la capacité des IA à restituer des connaissances existantes ou à résoudre des énigmes statiques. En revanche, parier sur des événements sportifs imprévisibles oblige le système à pondérer des informations contradictoires, à gérer le risque et à s'adapter à des données volatiles avant qu'un résultat ne soit connu. Cette approche rejoint les observations faites lors de précédents tournois de prévision économique, où les grands modèles démontraient des résultats comparables à ceux d'un parieur humain moyen. Les résultats actuels suggèrent que certaines architectures sont mieux adaptées au traitement d'informations complexes et au raisonnement probabiliste. La domination temporaire de Mistral pourrait s'expliquer par son optimisation pour l'agentic, c'est-à-dire la capacité à exécuter des tâches autonomes comme la recherche et la prise de décision. Le comportement de Claude, qui semble privilégier la prudence ou refuser des paris perçus comme trop risqués, illustre également l'impact des garde-fous éthiques et des filtres de sécurité intégrés lors de la phase d'entraînement. Bien que ludique, cet exercice offre une métrique tangible pour suivre l'évolution des IA dans des scénarios du monde réel. À mesure que les modèles s'amélioreront dans l'analyse de données non structurées et l'anticipation contextuelle, ce type de benchmark pourrait compléter les indicateurs techniques traditionnels. Pour l'instant, il rappelle que la véritable intelligence prédictive ne réside pas seulement dans la quantité de données traitées, mais dans la capacité à naviguer avec succès dans l'inconnu.