par Stéphane 
Source : communiqué de presse de Remote (agence Tyto), 2 novembre 2026. Étude : remote.com/blog/benchmarking-global-hr-and-payroll.
Remote, spécialiste des solutions de paie et d’emploi à l’international, dévoile HRmark et PayMark, deux benchmarks qui mesurent la fiabilité des IA sur le droit du travail et la paie dans 50 pays. Les règles RH et de paie dans le monde font l’objet, selon Remote, de 15 000 à 20 000 mises à jour par an. L’entreprise a évalué 12 modèles de 8 fournisseurs, avec deux niveaux d’effort de raisonnement (bas et élevé).
Les enseignements clés
- Un raisonnement plus long ne compense pas l’absence de connaissance locale : un modèle faible le reste, quel que soit le temps de réflexion.
- Le coût ne garantit pas la précision : Gemini 3.8 Flash, à 0,80 $ les 1 000 réponses, se classe à 2 points du meilleur sur HRmark, alors que la configuration la plus chère du test coûte 60 $ pour un résultat comparable.
- En RH et en paie, l’IA accélère le travail mais ne remplace ni l’expertise locale ni la vérification.
HRmark : près d’une question sur trois erronée en droit du travail
Remote a soumis aux modèles 2 500 questions RH portant sur 50 pays (préavis, congé parental, temps de travail, droit au séjour…), couvrant 12 grands domaines RH. Chaque réponse est comparée à une réponse de référence, la notation étant elle-même réalisée par un modèle d’IA.
- Le meilleur score est de 69 % (Claude Fable 5.1, effort élevé) ; le moins bon est de 55,6 % (DeepSeek V4.1-Flash), soit 13 points d’écart.
- Claude Fable 5.1, Claude Opus 5.5, GPT-6 Astra et Gemini 3.8 Flash se tiennent en moins de deux points.
- Domaines les mieux réussis : temps de travail et fiscalité/sécurité sociale (68,5 % en moyenne chacun), congés (68,4 %). Les moins fiables : immigration et droit au travail (51 %), mobilité internationale (54,5 %), contrats de travail (55,6 %).
- Discipline et litiges progresse le plus avec un effort de raisonnement élevé (+5,4 points) ; Claude Opus 5.5 y atteint 87 %, meilleur score toutes catégories confondues. Claude Fable 5.1 arrive en tête dans 5 domaines sur 12.
Faire « réfléchir » les modèles plus longtemps n’améliore le score médian que de 0,6 point. Seuls 2 modèles sur 12 progressent significativement : Qwen3.8-Max (+3,6 points) et Claude Sonnet 5.5 (+3 points) ; GPT-6.1 Sol perd 0,8 point et passe de la 2e à la 5e place. Selon Remote, ce qui distingue les modèles est ce qu’ils savent du droit local, pas leur capacité à raisonner.
PayMark : une fiche de paie juste sur quatre
Remote a soumis 2 000 fiches de paie réelles issues de 50 pays. Pour chaque fiche, le modèle connaît le pays, le contrat et le salaire brut et doit calculer l’ensemble des cotisations salariales et patronales obligatoires ainsi que le net, sans aide (ni liste de cotisations, ni taux, ni outil de calcul). Une fiche n’est comptée juste que si les trois totaux correspondent à la paie réellement versée, à une marge de tolérance près.
- Le meilleur modèle ne calcule correctement que 26 % des fiches (GPT-6 Astra), suivi de Claude Opus 5.5 (25,9 %), GPT-6.1 Sol (24,3 %) et Claude Fable 5.1 (23,9 %).
- Claude Haiku 5.5, Qwen3.8-Max et DeepSeek V4.1-Flash plafonnent autour de 10 %.
- La plupart des erreurs viennent des cotisations salariales.
Résultats par région : Moyen-Orient et Afrique (207 fiches, 21,2 % de fiches justes en moyenne, meilleur modèle Claude Fable 5.1 à 32,4 %) ; Asie-Pacifique (517 fiches, 19,7 %, GPT-6 Astra 27,7 %) ; Europe (982 fiches, 17,1 %, Claude Opus 5.5 28,2 %) ; Amériques (294 fiches, 10,8 %, Claude Opus 5.5 20,7 %).
Raisonner plus longtemps aide un peu plus sur la paie : 9 modèles sur 12 progressent, avec un gain médian de 1,6 point ; Gemini 3.8 Flash passe de 10,7 % à 15,4 %. Certains modèles préfèrent s’abstenir : les fiches laissées sans réponse passent de 8 à 40 pour GPT-6 Astra et de 2 à 66 pour Qwen3.8-Max, alors que Claude Fable 5.1 répond à toutes les fiches. Selon Remote, les modèles d’IA sont des outils puissants pour suivre et appliquer les évolutions réglementaires, à condition d’être adossés à une infrastructure qui vérifie chaque résultat.
Coût contre précision
- Passer en effort élevé coûte 2,7 fois plus cher sur HRmark (+0,6 point) et 3 fois plus sur PayMark (+1,6 point).
- Sur HRmark, Gemini 3.8 Flash coûte 0,80 $ pour 1 000 réponses ; la configuration la plus chère (GPT-6 Astra, effort élevé) atteint 60,37 $, soit 75 fois plus.
- Sur PayMark, la facture peut grimper jusqu’à 208 $ pour 1 000 fiches (Qwen3.8-Max) ; GPT-6.1 Sol reste dans le groupe de tête pour 7,11 $.
- En effort élevé, Qwen3.8-Max produit 12 fois plus de texte et met en moyenne 153 secondes à répondre, contre 12 en effort bas.
- Le meilleur rendement revient à Claude Sonnet 5.5, qui gagne 3 points ou plus en produisant environ 2 fois plus de texte.
Pour une entreprise qui traite des milliers de fiches de paie chaque mois, conclut le communiqué, la bonne question n’est pas de savoir quel modèle est le plus puissant, mais lequel offre le bon niveau de fiabilité au bon coût, et à quelle étape un contrôle reste indispensable.