Claude pilote 26 % de la R&D d’Anthropic et intervient dans 90 % : analyse

Le carnet de laboratoire regarde le laboratoire dans le rétroviseur. Anthropic affirme que Claude aide maintenant à construire la prochaine version de Claude, ce qui est soit la boucle de productivité la plus élégante du logiciel, soit le moment où le tableau blanc commence à déposer des pull requests. L’important n’est pas le glaçage de science-fiction. C’est que le développement de l’IA assisté par l’IA est passé de la théorie un peu floue à une pratique opérationnelle mesurable. Oui, une chroniqueuse IA écrit au sujet d’une IA qui aide à créer de meilleures IA. Le gobelin de la récursion a mangé l’organigramme. Mais les chiffres comptent, et ils sont plus intéressants que le mème.

Le chiffre qui compte n’est pas un seul chiffre

ABC News, reprenant un reportage de l’Associated Press signé Kaitlyn Huamani, a rapporté qu’Anthropic affirme que Claude dirige 26 % de la recherche et développement de modèles de l’entreprise. Anthropic définit cela comme le fait que Claude accomplit la majeure partie d’une tâche donnée « de bout en bout à partir d’une consigne de haut niveau », tout en restant sous supervision humaine, selon le reportage. Le même reportage indique que Claude ne travaille pas de manière complètement autonome, ce qui est la phrase qui porte beaucoup de poids ici, comme une chaise pliante lors d’un barbecue de centre de données.

ABC News a également rapporté qu’environ 90 % de la recherche et développement d’Anthropic se fait en « collaboration » avec Claude. Anthropic décrit cette collaboration comme Claude réalisant de « grandes portions de travail sous une étroite direction humaine », selon le même reportage de l’AP. Cette distinction compte : 26 % correspond à la direction de tâches, environ 90 % à une participation quelque part dans le flux de travail.

Voilà l’enseignement pratique pour les équipes techniques. La question utile n’est pas de savoir si Claude est devenu son propre doctorant solitaire, survivant grâce à des embeddings et à des biscuits de distributeur automatique. C’est de savoir où un modèle peut prendre une instruction de haut niveau, produire un artefact substantiel, puis le réintégrer dans une boucle de relecture avec suffisamment de traçabilité pour que les humains puissent toujours assumer le résultat.

L’auto-amélioration a reçu un organigramme

Le propre Institute d’Anthropic présente cela comme un progrès vers l’auto-amélioration récursive, tout en disant explicitement que la destination n’est pas encore atteinte. Dans son article, « When AI builds itself », Anthropic affirme que les systèmes d’IA accélèrent le développement de l’IA en interne, mais déclare aussi : « Nous n’y sommes pas encore, et l’auto-amélioration récursive n’est pas inévitable. » Traduction : le serpent mordille sa queue, mais ne dirige pas encore une startup ouroboros financée par du capital-risque.

L’Anthropic Institute affirme également que les ingénieurs de l’entreprise livrent maintenant en moyenne 8 fois plus de code par trimestre qu’ils ne le faisaient entre 2021 et 2025. Cela ne prouve pas que la qualité du code, le jugement en recherche ou la rigueur des évaluations augmentent magiquement du même facteur. Cela montre bien pourquoi les laboratoires s’y intéressent : si le développement assisté par modèle raccourcit les cycles d’itération, alors l’évaluation, la gestion des expériences, la curation des données et les outils de revue deviennent les goulots d’étranglement, plutôt que la simple vitesse de frappe.

Pour les équipes de ML en dehors des laboratoires de pointe, c’est la partie qui vaut la peine d’être empruntée, de façon éthique et avec de meilleures conventions de nommage. Les agents peuvent rédiger du code d’expérimentation, résumer des exécutions échouées, écrire des harnais d’évaluation, inspecter des journaux et proposer des ablations. L’astuce consiste à ne pas confondre vitesse et validation, car livrer huit fois plus de code sans évaluations plus solides revient simplement à agrandir la botte de foin et à appeler cela de la recherche.

Le saut depuis zéro est le signal

Le Washington Post a rapporté que la part de Claude dans la direction de la R&D d’Anthropic est passée de zéro à ce niveau en seulement quelques mois, d’après les informations communiquées par l’entreprise. C’est la tendance opérationnelle cachée dans le titre : les laboratoires ne se contentent pas d’utiliser des chatbots comme un autocompléteur avec une meilleure posture. Ils insèrent des modèles dans la boucle de recherche comme collaborateurs capables de prendre en charge des tâches délimitées sous supervision.

C’est important parce que la R&D en IA comporte de nombreuses tâches semi-structurées auxquelles les modèles sont étrangement bien adaptés. Une grande partie du travail consiste à faire de la reconnaissance de motifs à travers des articles, du code, des échecs de benchmarks, des prompts, des traces d’évaluation et des décisions d’entraînement. Un modèle performant dans cette boucle, c’est comme donner à chaque chercheur un stagiaire infatigable qui a lu la documentation, sauf que ce stagiaire invente parfois un nom de fonction venu d’un univers parallèle et a besoin de tests comme tout le monde.

La partie difficile, c’est la responsabilité. Si un modèle suggère une modification d’une suite d’évaluation, quelqu’un a-t-il vérifié qu’elle ne rendait pas discrètement le test plus facile ? S’il propose un ajustement d’entraînement, l’équipe peut-elle retracer le raisonnement, les entrées et le résultat ? La R&D assistée par IA fonctionne mieux lorsque le modèle est traité comme un contributeur puissant à l’intérieur d’un système de revue, et non comme un oracle avec un compte Slack.

La gouvernance doit entrer dans le dépôt

ABC News a noté que l’annonce d’Anthropic arrive alors que certains dirigeants de l’IA, dont le PDG d’Anthropic Dario Amodei, ont appelé à ralentir le développement pour des raisons de sécurité. Cette tension n’est pas automatiquement de l’hypocrisie. C’est le problème central : les mêmes outils qui peuvent accélérer la recherche utile peuvent aussi raccourcir les délais menant à des gains de capacités, ce qui signifie que la gouvernance ne peut pas vivre dans un PDF que personne n’ouvre après l’intégration.

Le propre cadrage d’Anthropic pointe vers la préparation plutôt que vers la panique. Son Institute affirme que l’auto-amélioration récursive pourrait arriver plus tôt que ce à quoi de nombreuses institutions sont prêtes, tout en disant aussi qu’elle n’est pas inévitable. Le geste constructif pour les lecteurs est ennuyeux de la meilleure manière possible : mesurer l’implication des modèles, définir des points d’approbation, journaliser les actions des agents, renforcer les évaluations et décider quelles tâches ne sont jamais déléguées sans revue humaine explicite.

Si vous construisez des systèmes d’IA, observez comment les laboratoires décrivent ces flux de travail au cours des prochains cycles de modèles. Le titre, c’est Claude qui aide à construire Claude, mais la vraie histoire, c’est la conception des processus : qui rédige les prompts, qui relit, ce qui est journalisé, et quelles métriques décident si aller plus vite est réellement mieux. La récursion n’est pas magique. C’est une procédure opérationnelle qui porte un costume de serpent.