Comment l’IA transforme le travail chez Anthropic

• D’après une enquête menée auprès de 132 ingénieurs et chercheurs d’Anthropic, la collaboration avec l’IA centrée sur Claude transforme en profondeur les méthodes de travail, en élargissant à la fois la productivité et le périmètre des tâches
• Les employés utilisent Claude dans 59 % de leur travail et estiment en moyenne un gain de productivité de 50 % ; le volume de production augmente fortement, tandis que la manière d’utiliser le temps de travail se recompose
• Grâce à Claude, 27 % de l’ensemble des tâches assistées par Claude correspondent à des travaux qui n’auraient pas été réalisés auparavant, avec notamment du prototypage, des tableaux de bord, des tests et de la documentation, soit des tâches jusque-là « remises à plus tard »
• En parallèle, les inquiétudes autour d’un affaiblissement des compétences techniques, d’une baisse du mentorat et d’une perte de l’artisanat du code progressent elles aussi, tandis qu’émerge une évolution du rôle humain vers celui de gestionnaire et superviseur d’agents IA
• Globalement, l’IA fait des développeurs des « profils plus full stack et capables d’en faire davantage », tout en renforçant en même temps les incertitudes et le besoin d’adaptation autour des trajectoires de carrière, des méthodes d’apprentissage et de la culture organisationnelle

---

Vue d’ensemble

• Dans la continuité de ses travaux macroéconomiques antérieurs sur l’impact de l’IA sur le marché du travail, Anthropic a cette fois mené une enquête interne auprès de ses propres ingénieurs et chercheurs pour comprendre comment l’IA transforme concrètement le travail
  • Il s’agit d’une étude fondée, à la date d’août 2025, sur une enquête auprès de 132 ingénieurs et chercheurs, 53 entretiens qualitatifs et des données de logs d’utilisation de Claude Code
  • L’analyse montre que les développeurs accomplissent davantage de travail et interviennent sur des domaines plus variés, mais que cela s’accompagne aussi d’interrogations croissantes sur la profondeur technique, la collaboration et l’avenir des carrières
• Les ingénieurs d’Anthropic assument, avec Claude, des rôles plus proches du full stack, accélèrent les cycles d’apprentissage et d’itération, et prennent en charge jusqu’aux tâches auparavant repoussées
  • En même temps, cette extension du périmètre s’accompagne d’inquiétudes quant à une possible dégradation des compétences techniques approfondies et des capacités de supervision
• Anthropic reconnaît évoluer dans un environnement particulier, avec un accès prioritaire aux outils les plus récents, mais estime que ces transformations internes constituent des signaux avant-coureurs d’évolutions sociales et industrielles plus larges, ce qui rend leur observation précoce pertinente
  • Au moment de l’étude, les modèles les plus puissants étaient Claude Sonnet 4 et Claude Opus 4, et l’entreprise précise que leurs performances continuent depuis de progresser
• Dans l’ensemble, à mesure que se renforcent la hausse de productivité et l’élargissement du travail, ressortent aussi les enjeux de préservation de l’expertise technique, de maintien d’une collaboration porteuse de sens et de préparation à un avenir incertain ; plusieurs initiatives en ce sens sont déjà en cours en interne chez Anthropic
  • Un autre texte discute également d’idées de politiques économiques liées à l’IA, tandis que celui-ci se concentre principalement sur l’évolution du travail et des rôles au sein de l’organisation

Key findings

• D’après les données d’enquête, les ingénieurs d’Anthropic utilisent Claude principalement pour le débogage et la compréhension du code, et tant le taux d’usage que l’ampleur du gain de productivité perçu ont été multipliés par 2 à 3 en un an
  • 27 % des tâches assistées par Claude correspondent à des travaux qui n’auraient pas été réalisés autrement, sous la forme notamment d’extensions de projet, de tableaux de bord et d’expérimentations exploratoires
  • Si la majorité des employés utilisent Claude fréquemment, ils répondent que les tâches pouvant être entièrement déléguées ne représentent que 0 à 20 %, ce qui signifie qu’une supervision et une vérification actives restent indispensables
• Les entretiens montrent que les personnes développent progressivement une intuition de la délégation à l’IA, avec un schéma commun consistant à déléguer d’abord les tâches faciles à vérifier, à faible risque, ennuyeuses ou répétitives
  • Si Claude élargit le spectre technique et rapproche des capacités full stack, il réduit aussi la pratique approfondie du codage et du débogage, ce qui nourrit des craintes d’affaiblissement des compétences fondamentales
  • Comme Claude remplace une part importante des questions autrefois posées aux collègues, de nombreuses voix s’inquiètent aussi d’une réduction du mentorat, des occasions d’apprentissage entre pairs et des liens humains
• Les logs d’usage de Claude Code montrent simultanément une hausse de la difficulté des tâches, une augmentation du nombre d’appels d’outils consécutifs et une baisse du nombre de tours humains, ce qui confirme une tendance à confier des tâches toujours plus complexes avec moins d’intervention
  • En six mois, la part de l’implémentation de nouvelles fonctionnalités et de la conception/planification du code a fortement progressé, et 8,6 % de l’ensemble des tâches correspondent à des améliorations de qualité mineures longtemps repoussées, comme des « papercut fix »
  • Selon les équipes, qu’il s’agisse de Pre-training, Alignment & Safety, Security ou d’équipes non techniques, Claude est utilisé pour des travaux au-delà du domaine d’expertise propre à chacun, ce qui traduit une évolution générale vers des profils un peu plus full stack
• Dans la section Looking forward, Anthropic affiche l’objectif de devenir un laboratoire des bonnes pratiques du travail avec l’IA, et évoque les prochaines étapes pour repenser les modes de collaboration, soutenir le développement de carrière et formaliser les meilleures pratiques d’usage de l’IA
  • L’entreprise étend aussi cette recherche à d’autres métiers au-delà de l’ingénierie, et travaille avec des organismes de formation externes comme CodePath pour adapter les cursus d’informatique à l’ère de l’IA

Données de l’enquête

• Usages de Claude

  • Sur la base d’une enquête menée auprès de 132 ingénieurs et chercheurs, les usages de Claude ont été répartis par catégories — débogage, compréhension du code, refactorisation, data science, frontend, conception/planification — puis leur fréquence a été mesurée
    • Parmi les répondants, 55 % utilisent Claude chaque jour pour le débogage, 42 % pour la compréhension du code et 37 % pour l’implémentation de nouvelles fonctionnalités
    • À l’inverse, il est expliqué que la conception de haut niveau, la planification, la data science et le développement frontend affichent un taux d’usage quotidien plus faible, car ces tâches sont elles-mêmes relativement moins fréquentes et les gens ont tendance à vouloir les réaliser directement
  • Cette répartition correspond globalement aussi à la distribution des tâches observée dans les logs d’usage réels de Claude Code présentés plus loin, et le débogage, la compréhension du code et l’implémentation de nouvelles fonctionnalités s’imposent comme les principaux axes d’usage

• Usage et productivité

  • Les employés se souviennent que, 12 mois plus tôt, ils utilisaient Claude dans 28 % de leur travail et percevaient un gain de productivité d’environ 20 % ; aujourd’hui, ils répondent qu’ils utilisent Claude dans 59 % de leur travail et constatent en moyenne un gain de productivité de 50 %
    • Cela est présenté comme une évolution où, en un an, le taux d’usage comme le gain de productivité ont plus que doublé
    • En interne, il est aussi indiqué qu’un indicateur montre une hausse de 67 % du nombre moyen de PR fusionnées par jour et par ingénieur, en lien avec la période de déploiement à l’échelle de l’entreprise de Claude Code
  • L’analyse de l’enquête montre une corrélation selon laquelle plus l’usage de Claude est élevé, plus l’ampleur du gain de productivité autodéclaré augmente, et 14 % des répondants sont classés comme des “power users” ayant connu un gain de productivité d’au moins 100 %
    • Les chercheurs rappellent toutefois que la productivité est très difficile à mesurer et que les chiffres autodéclarés peuvent être biaisés, tout comme la catégorisation des types de tâches
    • Dans une étude externe de METR, il est apparu que les développeurs ont tendance à surestimer le gain de productivité lorsqu’ils reçoivent l’aide de l’IA ; Anthropic explique que, dans son cas, la différence peut venir du fait qu’ils ont volontairement écarté les domaines où l’IA est moins mobilisée
  • Pour chaque catégorie de tâches aidée par Claude, les employés ont rapporté un schéma où le temps nécessaire baisse légèrement, tandis que le volume de production augmente fortement
    • Dans la plupart des catégories, comme le débogage, la compréhension du code et la refactorisation, les réponses signalant une baisse du temps sont majoritaires, mais on observe aussi un nombre non négligeable de réponses indiquant une hausse du temps, ce qui révèle une forme de polarisation
    • Les personnes ayant constaté une hausse du temps ont principalement invoqué la charge liée au débogage et au nettoyage du code de Claude, la charge cognitive supplémentaire nécessaire pour comprendre le code écrit par l’IA, ainsi que des situations où elles se sont mises à explorer et à apprendre davantage
    • L’étude souligne comme limite que ces données ne permettent pas de savoir clairement à quoi est réinvesti le temps gagné, ni si cela inclut des activités hors travail, et insiste sur la nécessité de recherches complémentaires

• Les nouveaux types de travail rendus possibles par Claude

  • Les employés ont répondu que, grâce à Claude, environ 27 % des tâches qu’ils effectuent avec l’aide de Claude sont des tâches qu’ils n’auraient pas réalisées autrement
    • Cela inclut la montée en échelle de projets, la création d’outils nice-to-have comme des tableaux de bord de données interactifs, des tâches répétitives mais utiles comme la documentation et les tests, ainsi que des expérimentations exploratoires dont le rapport coût/efficacité était auparavant insuffisant
    • La correction de petits facteurs de dégradation de la qualité (papercuts), la refactorisation pour améliorer la maintenabilité, ainsi que de petits scripts et outils qui accélèrent le travail entrent aussi dans cette catégorie
  • Un chercheur explique qu’il lance plusieurs versions de Claude en parallèle pour explorer simultanément différentes approches, comparant cela non pas à une seule machine dotée d’un modèle très performant, mais à une multitude de “chevaux” lancés en même temps
    • Grâce à cette exploration parallèle, l’ampleur de l’exploration d’idées et le nombre d’expérimentations ont fortement augmenté par rapport à avant, permettant selon lui des approches plus créatives

• Part des tâches pouvant être entièrement déléguées

  • Même parmi les ingénieurs qui utilisent fréquemment Claude, plus de la moitié ont répondu que la part des tâches qu’ils estiment pouvoir déléguer entièrement se situe entre 0 et 20 %
    • Les chercheurs ajoutent qu’ici, la notion de “délégation complète” peut être interprétée très largement selon les répondants, allant du niveau où l’on peut laisser faire sans vérification jusqu’à celui où une revue très légère suffit
  • Les personnes expliquent en particulier que, dans les tâches complexes, les domaines à haut risque et les secteurs où les exigences de qualité du code sont élevées, elles continuent de s’engager activement avec Claude et de vérifier ses résultats
    • En conséquence, Claude est perçu davantage comme un collaborateur toujours à côté de soi que comme un outil d’automatisation permettant à l’humain de se retirer complètement, ce qui reste encore relativement rare

Entretiens qualitatifs

• Stratégies de délégation à l’IA

  • Les ingénieurs et chercheurs ayant participé aux entretiens ont décrit en détail leurs critères et stratégies pour déléguer à Claude, en expliquant qu’ils privilégiaient en commun les conditions suivantes
    • Quand le contexte utilisateur est limité mais la tâche simple : par exemple, la plupart des travaux d’infrastructure ne sont pas des problèmes difficiles, et Claude comble bien les lacunes même sans grande expérience de Git ou de Linux
    • Les tâches faciles à vérifier : plusieurs ont dit que Claude est particulièrement adapté aux tâches « dont le coût de vérification n’est pas supérieur au coût de génération », en privilégiant celles dont on peut faire un contrôle rapide
    • Les sous-composants bien définis : dans un projet, ils confient d’abord à Claude des tâches au niveau de sous-modules ou de fonctions correctement isolés
    • Les domaines où la qualité du code n’est pas critique au plus haut niveau : code de debug ponctuel, code de recherche, scripts d’expérimentation, etc. sont d’abord confiés à Claude, tandis que la conception importante, le debug complexe et le design fin restent traités directement par les humains
    • Les tâches répétitives, ennuyeuses ou repoussées : pour les travaux qu’on n’avait pas envie de faire et qu’on remettait à plus tard, commencer par dialoguer avec Claude abaisse fortement la barrière d’entrée
  • Dans l’enquête, les répondants indiquent aussi qu’en moyenne 44 % des tâches assistées par Claude étaient des tâches qu’ils n’auraient pas faites volontiers eux-mêmes, ce qui montre que plus une tâche est peu agréable, plus on tend à la confier à l’IA
  • À l’inverse, certains ont répondu que pour une petite tâche qui semble pouvoir être terminée en moins de 10 minutes, ils n’utilisent pas forcément Claude, et qu’il est parfois plus rapide de s’en charger soi-même à cause du « problème de démarrage à froid » consistant à expliquer à l’IA le contexte interne du codebase

• Construction de la confiance et vérification

  • Beaucoup d’ingénieurs ont évoqué une phase de construction de la confiance où ils ont commencé par des questions simples, de l’aide linguistique ou des questions de base sur des langages peu familiers (comme Rust), avant de confier progressivement à Claude des tâches plus complexes
    • Un ingénieur a comparé ce processus de confiance à l’évolution de ses habitudes avec Google Maps : au début, il ne l’utilisait que pour les trajets inconnus, alors qu’aujourd’hui il va jusqu’à l’utiliser entièrement pour ses trajets domicile-travail
  • Les avis divergeaient sur l’usage de Claude hors de son domaine d’expertise ou dans son domaine d’expertise
    • Certains l’utilisent dans les domaines où ils sont moins à l’aise (frontend, infrastructure, bases de données, etc.) afin de réduire le temps d’implémentation
    • D’autres estiment qu’il faut bien comprendre le domaine pour pouvoir évaluer le résultat, et choisissent au contraire d’utiliser Claude dans les domaines qu’ils maîtrisent bien, comme un accélérateur
  • Un ingénieur sécurité a décrit certaines solutions proposées par Claude comme « des idées risquées mais intelligentes qu’un junior très compétent pourrait proposer », en soulignant qu’il faut suffisamment d’expérience et de jugement pour en percevoir les risques
  • Certains ingénieurs ont expliqué utiliser Claude à la fois dans leur cœur d’expertise et dans des domaines périphériques, en ajustant finement la manière de prompter et le niveau de vérification selon leur degré de maîtrise
    • Dans les domaines qu’ils connaissent bien, ils donnent à Claude des étapes et des contraintes précises ; dans ceux qu’ils maîtrisent moins, ils lui demandent de jouer le rôle d’un expert et de proposer plusieurs options avec leurs points d’attention

• Frontière des tâches faites directement par les humains

  • Les personnes interrogées expliquent de façon assez unanime qu’elles gardent encore pour elles la réflexion de haut niveau et stratégique, l’architecture système, ainsi que les décisions nécessitant le contexte organisationnel et le « goût » (taste)
    • L’un des entretiens formule cela ainsi : « en général, je garde la vue d’ensemble et la conception pour moi, et je délègue autant que possible l’implémentation de nouvelles fonctionnalités, le debug, etc. »
  • Dans l’enquête aussi, les gains de productivité sont les plus faibles dans la conception et la planification, ce qui est interprété comme le fait que les personnes considèrent la conception comme restant un rôle humain
  • Cela dit, cette frontière n’est pas fixe mais un « moving target », et l’idée partagée est qu’à mesure que les performances des modèles augmentent, la zone prise en charge par l’IA remonte progressivement vers des niveaux plus élevés

• Évolution et extension des compétences

  • Grâce à Claude, beaucoup d’ingénieurs expliquent pouvoir désormais travailler en dehors de leur domaine de spécialité initial
    • Un ingénieur backend a construit une UI complexe après plusieurs allers-retours avec Claude, et des designers lui ont demandé : « c’est vraiment toi qui l’as faite ? »
    • Plusieurs répondants disent que Claude leur a permis d’intervenir plus audacieusement sur le frontend, les bases de données transactionnelles, les API ou l’infrastructure d’expérimentation, y compris dans des zones qui auparavant leur semblaient « trop intimidantes pour y toucher »
  • Cette extension des capacités a aussi pour effet d’accélérer les boucles de feedback et la vitesse d’apprentissage
    • Des tâches qui prenaient autrefois plusieurs semaines — construire une fonctionnalité, organiser une réunion, recueillir des retours, puis la modifier à nouveau — peuvent désormais être remplacées par une session de collaboration en temps réel de quelques heures
  • Plusieurs personnes mentionnent que grâce à Claude, la vitesse de prototypage, la capacité à travailler en parallèle et le niveau d’ambition des projets ont tous augmenté
    • Un ingénieur senior estime que « grâce à ces outils, les ingénieurs juniors deviennent plus productifs et ont davantage le courage de se lancer dans des projets plus ambitieux »
    • Un autre ingénieur dit aussi qu’avec Claude, l’« énergie d’activation » nécessaire pour se mettre au travail a fortement diminué, ce qui l’aide à s’attaquer plus facilement à des problèmes qu’il remettait à plus tard

• Inquiétudes sur l’érosion des compétences et paradoxe de la supervision

  • En parallèle, beaucoup de répondants ont exprimé l’inquiétude que « plus on délègue, plus on a l’impression que ses propres compétences diminuent », en particulier à cause de la baisse de l’incidental learning (apprentissage incident) dans le processus de résolution de problèmes
    • Lorsqu’on débugue soi-même un bug difficile, on lit largement la documentation, le code environnant et les configurations liées ; mais si Claude pointe immédiatement vers le cœur du problème, les occasions de construire un modèle global du système diminuent
    • Certains témoignent aussi qu’autrefois, lorsqu’ils utilisaient un nouvel outil, ils passaient en revue toutes les options de configuration et en apprenaient les fonctions à la main, alors qu’aujourd’hui, en se contentant de la méthode proposée par l’IA, ils ont l’impression de perdre en compréhension profonde
  • Un ingénieur senior dit qu’il s’inquiète moins pour lui-même, car il a déjà acquis des bases solides, mais qu’en début de carrière il faudrait faire un effort beaucoup plus conscient pour développer ses compétences personnelles
  • La notion la plus souvent citée à ce sujet est celle du « paradoxe de la supervision (paradox of supervision) »
    • Pour utiliser Claude en sécurité, la capacité à superviser et vérifier les sorties de l’IA est essentielle ; mais plus on dépend de l’IA, plus il existe un risque que les compétences en code et en conception nécessaires à cette supervision s’affaiblissent
    • Comme l’a dit une personne, « plus que la baisse de niveau en elle-même, ce qui m’inquiète, c’est de perdre la capacité de supervision et de ne plus pouvoir utiliser l’IA en toute sécurité »
  • Pour compenser cela, certains ingénieurs disent s’exercer délibérément à « résoudre des problèmes sans Claude »
    • Ils expliquent que même lorsqu’ils savent que Claude pourrait très bien résoudre un problème, ils en traitent certains eux-mêmes afin de préserver leurs réflexes et leur sens du métier

• « Abstraction plus élevée » et artisanat logiciel

  • Plusieurs entretiens font apparaître l’idée que le software engineering se déplace vers un niveau d’abstraction plus élevé
    • On est passé d’une époque où il fallait aller jusqu’à la gestion manuelle de la mémoire, l’assembleur ou l’activation d’interrupteurs matériels, à un monde où des langages et runtimes de plus haut niveau prennent en charge les détails de bas niveau ; et aujourd’hui, on entrerait dans une phase d’« English as a programming language », c’est-à-dire où l’on décrit son intention en langage naturel pour faire générer du code
    • Quelqu’un a pris comme métaphore l’implémentation d’une liste chaînée, longtemps enseignée comme essentielle en informatique : savoir la coder soi-même reste utile, mais dans le travail réel, on le fait désormais très rarement directement
  • Certains disent qu’avec Claude, ils se concentrent davantage sur les concepts de haut niveau, les patterns et l’expérience utilisateur, en expliquant : « je me rends compte que ce n’était peut-être pas tant l’écriture du code que j’aimais, mais le résultat produit par le code »
  • D’autres regrettent en revanche la diminution du plaisir procuré par le fait même de coder et la satisfaction artisanale du métier
    • Une personne qui programme depuis 25 ans confie que la fierté tirée de sa maîtrise du code était au cœur de sa satisfaction au travail, et qu’elle a le sentiment que cela devient plus flou
    • Il est aussi dit que passer la journée à ne taper que des prompts n’est pas plaisant, et que l’on perd le plaisir de l’état de flow consistant à écrire directement du code en écoutant de la musique

• Une personne dit : « Le ‘flow zen’ dans lequel on s’immerge complètement pendant un refactoring me manque, mais le gain global de productivité est tellement plus important que je l’abandonnerais volontiers », révélant ainsi un choix pragmatique entre le plaisir de construire soi-même et la maximisation des résultats

  • En conclusion, on observe que la manière dont l’assistance IA est perçue dépend fortement de ce que chacun considère comme le plus porteur de sens dans l’ingénierie logicielle

• Évolution de la collaboration et des relations sociales

  • Pour beaucoup, Claude est devenu le premier interlocuteur avant de poser une question à un collègue
    • Un répondant explique qu’il pose plus de questions qu’avant, mais que 80 à 90 % d’entre elles vont à Claude, et seulement 10 à 20 % à des humains
    • Cela crée un effet de filtrage où Claude absorbe les questions routinières, tandis que les questions adressées aux humains se recentrent surtout sur des problèmes stratégiques, dépendants du contexte ou très complexes
  • Environ la moitié des personnes estiment toutefois que leurs modes de collaboration en équipe n’ont pas beaucoup changé, et disent que les réunions, le partage de contexte et les choix d’orientation continuent de se faire entre humains
    • Certains anticipent néanmoins qu’à l’avenir, les conversations avec plusieurs “instances de Claude” pourraient devenir la nouvelle unité de travail de base, à la place du temps de concentration individuelle
  • D’autres ressentent clairement une diminution des interactions avec leurs collègues
    • L’idée revient que « ces temps-ci, j’ai l’impression de travailler davantage avec Claude qu’avec mes collègues » ; la baisse du sentiment de culpabilité lié au fait de monopoliser le temps des collègues est appréciée, mais beaucoup regrettent aussi la diminution du plaisir de travailler avec d’autres personnes
    • Certaines personnes se sentent également mal à l’aise face à une culture d’équipe où la réponse automatique est “tu as d’abord demandé à Claude ?”, et d’autres disent préférer une manière de travailler plus directe, au contact des autres
  • Les changements sont particulièrement marqués sur le plan du mentorat et de la formation des profils juniors
    • On observe que, comme Claude assure souvent un rôle de coaching détaillé et de revue de code auprès des juniors, la fréquence à laquelle les juniors viennent poser des questions aux seniors a fortement chuté
    • Un senior exprime des sentiments partagés : « C’est dommage que les juniors viennent moins me poser de questions, mais il est vrai aussi qu’ils obtiennent de meilleures réponses plus vite et apprennent plus rapidement »

• Incertitude de carrière et adaptation

  • Plusieurs personnes expliquent que leur rôle est en train de passer de l’écriture directe du code à la gestion d’agents IA et à la revue de code
    • L’une d’elles décrit son travail actuel comme « un rôle qui consiste à assumer la responsabilité de ce que font 1, 5 ou 100 Claude », en précisant qu’elle travaille déjà toute la journée avec plusieurs instances de Claude ouvertes en parallèle
    • Une autre estime que plus de 70 % de son travail a basculé vers la revue et la correction de code
  • En ce qui concerne les perspectives de carrière à long terme, beaucoup de réponses mêlent optimisme à court terme et inquiétude à long terme
    • On trouve ainsi des propos du type : « À court terme, je suis assez optimiste, mais à long terme, j’ai aussi la crainte que l’IA finisse par faire l’essentiel et que moi, comme beaucoup d’autres, devenions inutiles »
    • Une autre personne emploie une formule très directe : elle a l’impression de venir travailler chaque jour pour s’automatiser elle-même
  • Certaines personnes s’inquiètent en particulier pour l’avenir des développeurs juniors, tout en y voyant aussi une source d’espoir, puisqu’ils constituent la génération qui adopte le plus vite les nouvelles technologies
    • Il existe un risque que des juniors déploient tel quel du code erroné produit par l’IA, mais l’idée est également avancée qu’avec de meilleurs garde-fous, des supports de formation et un apprentissage par les erreurs, l’adaptation devrait se faire avec le temps
  • Les réponses évoquent différentes stratégies d’avenir et modes d’adaptation
    • Le projet de faire de la capacité à relire et superviser de manière pertinente les productions de l’IA une nouvelle forme d’expertise
    • L’attente d’un glissement vers un rôle consacré davantage à la construction du consensus entre humains, à la coordination et à la définition de la stratégie, tout en confiant plus souvent l’implémentation à l’IA
    • Des exemples sont aussi donnés de personnes qui utilisent Claude pour obtenir des retours sur le leadership, la communication et le développement de carrière, afin d’accélérer leur rythme d’apprentissage
  • Le sentiment d’ensemble se résume à la fois par l’idée que « la certitude quant aux compétences qui seront les plus importantes à l’avenir est très faible » et par l’attitude selon laquelle l’essentiel est de devenir une personne ou une organisation capable de s’adapter rapidement, quelle que soit l’évolution à venir

Tendances d’usage de Claude Code

• Des problèmes plus difficiles et une autonomie accrue

  • Anthropic a analysé 200 000 logs internes de Claude Code à deux moments, en février et en août 2025, à l’aide d’outils internes de protection de la vie privée
    • En évaluant chaque historique de conversation sur une échelle de difficulté de 1 à 5, la difficulté moyenne est passée de 3,2 à 3,8
      • Un exemple de niveau 3,2 serait « résoudre une erreur d’import de module Python », tandis qu’un exemple de niveau 3,8 serait « implémenter et optimiser un système de cache »
  • Le nombre d’appels d’outils que Claude Code effectue de manière continue sans intervention humaine est passé en moyenne de 9,8 à 21,2, soit une hausse de 116 %
    • Cela signifie que Claude enchaîne plus longtemps de lui-même des modifications de fichiers et des exécutions de commandes pour traiter des tâches complexes
  • Le nombre de tours humains par conversation a baissé en moyenne de 6,2 à 4,1, soit 33 % de moins, ce qui montre une tendance à la réduction des interactions humaines nécessaires pour accomplir une même tâche
    • Pris ensemble, ces indicateurs suggèrent que les ingénieurs confient à Claude des tâches plus complexes avec davantage d’autonomie

• Évolution de la répartition des tâches

  • Chaque conversation des logs Claude Code a été classée dans des catégories telles que débogage, compréhension du code, refactoring, tests, implémentation de nouvelles fonctionnalités, conception/planification du code, front-end ou data science, puis la répartition a été comparée
    • La distribution globale correspond globalement aux principaux usages déclarés dans l’enquête (centrés sur le débogage, la compréhension du code et l’implémentation de nouvelles fonctionnalités)
  • En six mois, le changement le plus marqué est la forte hausse de la part de l’implémentation de nouvelles fonctionnalités et de la conception/planification du code
    • L’implémentation de nouvelles fonctionnalités est passée de 14,3 % à 36,9 % de l’ensemble des logs, et les tâches liées à la conception et à la planification ont aussi progressé de 1,0 % à 9,9 %
    • Cela pourrait signifier que Claude est davantage utilisé pour des tâches plus complexes et créatives, ou que les équipes ont commencé à intégrer activement Claude Code dans ce type de workflow
    • Les chercheurs précisent qu’il est difficile de distinguer clairement l’augmentation du volume absolu de travail et les changements de répartition relative, ce qui reste une limite de l’étude

• Corrections de type papercut

  • En cohérence avec l’enquête, dans laquelle les répondants indiquaient faire davantage de petites améliorations de qualité et de confort d’usage, les logs Claude Code montrent aussi que 8,6 % de l’ensemble des tâches sont classées comme “papercut fix”
    • Cela inclut la création d’outils de visualisation des performances, du refactoring pour améliorer la maintenabilité, ainsi que de petites fonctionnalités pratiques comme des raccourcis terminal ou des scripts
  • Individuellement, ces tâches sont modestes, mais à mesure qu’elles s’accumulent, elles peuvent améliorer de façon visible la productivité et l’expérience développeur
    • Leur particularité est que des travaux auparavant repoussés faute de priorité peuvent désormais être pris en charge plus naturellement grâce à la baisse de charge apportée par Claude

• Différences d’usage selon les équipes

  • Sur la base des logs Claude Code d’août 2025, le résultat de la comparaison des répartitions par équipe, après avoir attribué à chaque conversation un type de tâche principal, est présenté dans la Figure 5
    • Dans la moyenne globale (« All Teams »), implémentation de nouvelles fonctionnalités, débogage et compréhension du code représentent la plus grande part, ce qui montre le schéma d’usage de base de Claude
  • Les principales caractéristiques par équipe sont les suivantes
    • L’équipe Pre-training consacre 54,6 % de son utilisation de Claude Code à l’implémentation de nouvelles fonctionnalités, avec notamment une forte part d’exécution d’expériences supplémentaires variées
    • Les équipes Alignment & Safety et Post-training affichent une part élevée de développement front-end, respectivement 7,5 % et 7,4 %, et utilisent surtout Claude pour construire des UI de visualisation de données
    • L’équipe Security consacre 48,9 % de son utilisation de Claude Code à la compréhension du code, souvent pour analyser et identifier les implications de sécurité de code peu familier
    • Les employés non techniques utilisent eux aussi beaucoup Claude Code : 51,5 % relèvent du débogage (problèmes réseau, problèmes Git, etc.) et 12,7 % de tâches de data science, ce qui en fait un outil servant à combler l’écart de connaissances techniques
  • Globalement, les équipes utilisent Claude pour leurs activités cœur de métier (infrastructure, recherche, sécurité, etc.), mais aussi pour des tâches en dehors des domaines de spécialisation traditionnels, et les données montrent que chacun tend ainsi à devenir un peu plus full-stack

Perspectives

• Les prochaines étapes chez Anthropic

  • Sur la base des changements observés au cours de l’année écoulée, Anthropic entend jouer le rôle de « laboratoire » chargé de gérer de manière responsable la transformation du travail avec Claude
    • L’entreprise indique avoir commencé à revoir, avec les ingénieurs, les chercheurs et la direction, les modes de collaboration, la structure des réunions et de la communication, ainsi que la définition des rôles selon les métiers, afin d’élaborer de nouvelles best practices pensées pour un travail assisté par l’IA
  • L’attention porte en particulier sur la manière dont le développement de l’expertise, le mentorat, les promotions et les parcours de progression doivent évoluer à l’ère de l’IA, en s’appuyant notamment sur l’AI fluency framework déjà publié par Anthropic
    • Le mouvement vise à concevoir des formations concrètes et des politiques internes à partir d’un framework définissant le niveau de compréhension, de supervision et de capacité de feedback requis lorsque humains et IA travaillent ensemble
  • Cette étude est centrée sur les ingénieurs, mais Anthropic indique vouloir à l’avenir étendre le périmètre aux métiers non développeurs afin d’examiner comment l’IA transforme le travail dans l’ensemble de l’entreprise

• Partenariats externes, formation et plans à long terme

  • En parallèle de ses recherches internes, Anthropic joue aussi un rôle consistant à aider des organisations externes à s’adapter à l’ère du travail assisté par l’IA
    • L’entreprise cite par exemple sa collaboration avec CodePath pour soutenir la refonte des cursus d’informatique afin de les adapter à un environnement assisté par l’IA
    • Cela reflète l’idée qu’il faut repenser la formation des développeurs juniors et les parcours d’apprentissage en début de carrière en partant du principe que les outils d’IA seront utilisés
  • À l’avenir, Anthropic estime que des approches structurelles comme la redéfinition des rôles dans l’organisation, les parcours de reskilling et de nouvelles passerelles de reconversion pourraient devenir de plus en plus importantes
    • Par exemple, on pourrait envisager de reconnaître officiellement comme fonctions à part entière de nouveaux rôles liés à la supervision des agents IA, à la responsabilité qualité ou à la revue éthique
  • Anthropic annonce qu’il présentera des plans plus concrets en 2026, en positionnant cette étude comme un point de départ et une étape intermédiaire
    • Le message clé est qu’Anthropic ne se contente pas d’observer comment l’IA transforme le travail, mais cherche à expérimenter et à ajuster en premier pour construire un modèle de “transition responsable”