Anthropic admet que Claude écrit 80 % de son code, le labo dépend déjà de lui

Le chiffre a de quoi faire lever les sourcils, y compris dans l’industrie de l’IA. Anthropic affirme que, sur le mois de mai 2026, plus de 80 % du code fusionné dans sa propre base a été écrit par Claude. Autrement dit, un laboratoire d’IA dit désormais publiquement qu’il s’appuie massivement sur son propre modèle pour construire les systèmes à venir.

Quand un labo d’IA devient client de sa propre IA

Dans un texte publié le 3 juin 2026, Anthropic présente cette bascule comme un signe concret de ce que le secteur appelle la « recursive self-improvement » — l’idée qu’un système d’IA puisse contribuer, directement ou indirectement, à l’amélioration de ses successeurs. Le terme est chargé, presque théorique depuis des années. Cette fois, le labo tente de lui donner une traduction opérationnelle et mesurable.

Le point le plus frappant tient en une phrase : plus de 80 % du code fusionné dans la base de code d’Anthropic en mai provient de Claude. Le laboratoire ajoute que ses ingénieurs livrent désormais 8 fois plus de code par trimestre qu’au cours de la période 2021-2025. Et il insiste sur une dynamique qui ne serait pas stabilisée : selon l’entreprise, les tâches confiées au modèle deviennent progressivement plus autonomes, plus longues, plus proches d’un travail de développement complet que d’une simple assistance à la saisie.

Anthropic ne parle donc plus seulement d’un copilote chargé d’autocompléter quelques fonctions. Le discours est plus ambitieux : il s’agit d’un système mobilisé dans le cœur même de la production logicielle, y compris pour faire avancer les outils qui serviront à entraîner, évaluer et déployer les générations suivantes de modèles.

Le vrai choc : la dépendance assumée

Le sujet n’est pas uniquement technique. Ce qui marque ici, c’est le fait qu’un acteur majeur de l’IA générative reconnaisse aussi clairement une forme de dépendance productive à son propre modèle.

Depuis deux ans, la plupart des grands laboratoires communiquent sur les gains de productivité internes liés à l’usage de l’IA pour le codage. Mais les formulations restaient généralement prudentes : accélération des équipes, assistance aux développeurs, automatisation de tâches répétitives. Anthropic franchit un cap symbolique en mettant en avant un ratio aussi élevé et en l’inscrivant explicitement dans une trajectoire d’auto-amélioration récursive.

Cette différence de vocabulaire compte. Elle suggère que, pour Anthropic, il ne s’agit plus seulement d’outillage. Il s’agit d’un nouveau mode de développement dans lequel l’IA devient une composante structurelle du processus de construction de l’IA elle-même.

Cela pose immédiatement une question simple : si Claude écrit l’essentiel du code fusionné, qui garde la maîtrise réelle du système ? Anthropic répond en creux : les ingénieurs restent dans la boucle, valident, orientent, découpent les tâches, contrôlent l’intégration. Mais la formulation retenue dans le texte montre bien que la part du travail directement produite par la machine n’est plus marginale.

Une productivité multipliée, mais que mesure-t-on exactement ?

Le second chiffre avancé par Anthropic — 8 fois plus de code par trimestre qu’entre 2021 et 2025 — impressionne tout autant. Il faut pourtant le manier avec précaution.

D’abord parce que “plus de code” ne signifie pas automatiquement “meilleur logiciel”. Le volume de lignes, de fichiers ou de changements fusionnés n’est pas un indicateur parfait de qualité. Dans le développement logiciel, la valeur se joue dans la robustesse, la maintenabilité, la sécurité, la capacité à réduire la dette technique, et non dans l’accumulation brute de production.

Ensuite parce qu’Anthropic ne détaille pas, dans cette publication, la métrique exacte utilisée pour comparer les périodes. Parle-t-on de commits, de pull requests, de lignes modifiées, de fonctionnalités livrées ? Sans granularité méthodologique, le chiffre dit surtout une chose : le laboratoire observe en interne une accélération massive de son rythme d’ingénierie et choisit de l’attribuer à Claude.

C’est déjà considérable. Dans une industrie où quelques mois d’avance peuvent peser lourd dans la course aux modèles, multiplier la cadence d’itération n’est pas un détail. Si un labo améliore plus vite ses pipelines d’entraînement, ses bancs d’évaluation, ses outils d’alignement ou d’optimisation, il peut mécaniquement raccourcir ses cycles de développement.

De l’assistance au développement semi-autonome

L’autre élément important du texte d’Anthropic tient à la progression du niveau d’autonomie. Le laboratoire décrit un mouvement vers des tâches de plus en plus complètes, confiées à Claude avec moins d’intervention humaine pas à pas.

C’est un point clé pour comprendre la portée du sujet. L’usage initial des assistants de code reposait surtout sur des interactions courtes : générer une fonction, corriger un bug local, proposer un test, expliquer un morceau de code. Ce qu’Anthropic décrit relève davantage d’un workflow où le modèle peut prendre en charge des ensembles de tâches plus vastes : explorer un dépôt, proposer des modifications cohérentes, itérer sur des retours, préparer des changements prêts à être fusionnés.

À ce stade, la frontière entre assistant et agent commence à se brouiller. Et c’est précisément là que surgit le vertige technologique évoqué par Anthropic : si un modèle aide déjà fortement à bâtir l’infrastructure du laboratoire, à quel moment commence-t-il à participer à la conception effective de son successeur ?

Le labo ne dit pas que Claude conçoit seul le prochain Claude. Il dit qu’une partie de cette trajectoire est désormais visible.

Ce que l’argument de « self-improvement » dit — et ne dit pas

L’expression « recursive self-improvement » a une longue histoire dans les débats sur l’IA avancée. Elle évoque souvent le scénario d’un système capable d’améliorer ses propres performances, puis d’utiliser ce gain pour s’améliorer encore plus vite, dans une boucle cumulative.

Anthropic prend soin de rattacher cette idée à des éléments concrets de génie logiciel. C’est plus crédible que les spéculations abstraites habituelles, mais cela ne prouve pas qu’une telle boucle soit déjà autonome au sens fort.

Pour l’instant, la chaîne reste largement encadrée par des humains : définition des objectifs, priorisation, architecture, revue, validation, déploiement, arbitrage des risques. Le modèle produit du code ; il ne porte pas seul la responsabilité du système final. La publication d’Anthropic montre une intensification du rôle de l’IA dans la production, pas l’apparition d’une machine qui se redessine elle-même sans supervision.

Il n’empêche : la logique est installée. Si un modèle améliore les outils qui servent à entraîner et tester la génération suivante, et si cette génération est ensuite meilleure pour écrire du code, une forme de boucle de renforcement est bien en train d’émerger — même si elle reste médiée par des équipes humaines.

Le sujet du contrôle sort de la théorie

C’est ici que l’histoire devient politiquement et industriellement sensible. Plus un labo dépend de son modèle pour construire ses systèmes, plus la question du contrôle devient centrale.

Le premier enjeu est celui de la vérifiabilité. À partir d’un certain seuil d’automatisation, relire ligne à ligne tout ce qu’un modèle produit devient difficilement tenable, surtout si le volume croît plus vite que les effectifs humains. Il faut alors s’appuyer sur d’autres garde-fous : tests, analyses statiques, sandboxing, évaluations de sécurité, revues ciblées, traçabilité des contributions générées.

Le second enjeu concerne le risque de propagation d’erreurs. Si un modèle introduit des motifs de code fragiles ou des hypothèses erronées dans des outils critiques, ces défauts peuvent se diffuser dans des couches de plus en plus centrales de l’infrastructure.

Le troisième enjeu est stratégique : les laboratoires capables d’exploiter efficacement cette boucle peuvent prendre de l’avance sur ceux qui restent dans un mode de développement plus classique. La promesse n’est pas seulement de produire davantage, mais d’accélérer la cadence d’amélioration des modèles eux-mêmes.

Une ligne de fracture pour l’industrie

Anthropic n’est probablement pas un cas isolé. D’autres acteurs majeurs de l’IA utilisent depuis longtemps des assistants de code de manière intensive en interne. Mais peu donnent des chiffres aussi nets, et encore moins osent articuler ces chiffres à l’idée qu’une IA contribue déjà à fabriquer ses descendantes.

C’est ce qui fait de cette publication un moment important. Elle matérialise une ligne de fracture dans le secteur : d’un côté, des modèles présentés comme outils de productivité ; de l’autre, des modèles devenus éléments structurants de la machine industrielle qui les produit.

La suite sera observée de près. Le prochain jalon concret n’est pas philosophique, il est mesurable : voir si Anthropic publie d’autres indicateurs sur la qualité, la sécurité et le niveau d’autonomie de ce code généré, et si la part de Claude dépasse durablement ce seuil de 80 %. Si cette trajectoire se confirme, l’avantage compétitif pourrait se compter en mois de développement gagnés — mais le coût du moindre défaut, lui, se comptera potentiellement en incidents critiques sur des briques centrales du futur modèle.