Blog • AI / Agent

Dernière divulgation d’Anthropic : Claude dirige 26 % de la R&D IA. Comment les agents collaborent-ils au développement des modèles ? Flux JSON et workflow d’agents

Le 17 septembre 2026, Anthropic a publié un ensemble de mesures internes dans un article Institute. Le titre se lit facilement ainsi : Claude s’occupe déjà d’un quart de la R&D des modèles.

La source est plus étroite. Fin août 2026, Claude « dirige » 26 % de la R&D IA d’Anthropic ; la part à « collabore » ou plus dépasse 90 % ; et sur aucun sous-ensemble mesuré le travail n’est pleinement autonome.

Cet article présente :

• Quel Automation Level d’Epoch AI le 26 % nomme réellement
• Comment l’arbre des tâches pousse à partir de Slack et des journaux de travail
• Comment les Agents collaborent au développement des modèles, au lieu de discuter chacun de leur côté
• Le flux JSON d’identité, de messages, de Tool Calling et de décisions monitor
• Comment découper localement un enregistrement de workflow auditable dans JSONNote

Ce que le 26 % mesure vraiment

La source est l’article d’Anthropic Institute Measurements for understanding the pace of AI development inside frontier labs. Ils ont publié trois chiffres à la fois : quelle part de la R&D IA est faite par l’IA, à quel point les actions d’Agent sont supervisées, et comment le calcul se répartit.

Le premier s’appelle Anthropic R&D Automation Index. On recense chaque type de travail de R&D IA, on note le Automation Level de chacun, puis on agrège avec des poids en temps-personne.

Fin août 2026, les chiffres publics sont :

Reuters a écrit les mêmes chiffres ainsi : Claude dirige un quart du travail de construction des prochains modèles. Le titre est plus tranchant. La définition, non : diriger reste un prompt de haut niveau plus une supervision humaine. Sur le graphique, cette bande est passée de moins de 1 % en février 2026. La montée est rapide. Aucun palier n’a été sauté.

Automation Level : assister, collaborer, diriger, autonome

Les notes utilisent l’Automation Level d’Epoch AI. Anthropic l’écrit en six bandes : pas d’IA, minimal, assiste, collabore, dirige, autonome. Une note de bas de page fige les trois bandes du milieu avec un pipeline de données nocturne cassé :

Le 26 % s’arrête à AL4. Claude peut emmener un « réparer le pipeline » de l’alerte au compte rendu, mais le déploiement reste humain. Ça correspond à la forme quotidienne des Coding Agents : le modèle émet du Tool Calling, le harness exécute, l’humain garde un veto sur la porte et les actions à haut risque. Pour le tour de la boucle, voir Comment fonctionnent les AI Coding Agents ?. Pour qui possède le saut du JSON aux effets de bord, voir L’architecture Agent Harness vue par le JSON Tool Calling.

L’arbre des tâches : comment 15 000 pièces de travail deviennent un indice

Personne ne peut écrire à la main chaque action de R&D d’un laboratoire de frontière. Anthropic a collecté de bas en haut : chaque semaine de juillet 2026, ils ont échantillonné 20 % du personnel des départements de R&D modèles, et un Agent de recherche Claude a lu Slack et les documents internes pour lister ce que ces personnes avaient fait cette semaine. Quatre semaines ont produit environ 15 000 tâches granulaires.

Claude a ensuite replié la liste en arbre : toute la R&D modèles à la racine, puis entraînement, produit, pré-entraînement, apprentissage par renforcement, jusqu’aux feuilles. L’arbre figé a 542 nœuds, dont 378 feuilles telles que diagnostic de défauts de la plateforme d’évaluation, sortie et politique réseau du sandbox RL, et post-mortems d’incidents de service.

Pour chaque nœud, un Agent Claude creuse : qui le fait, avec quels outils, quelle part d’IA. Un Claude juge indépendant, autorisé à ne voir que les preuves du mois ou plus anciennes, attribue AL0–AL5. Les poids ne sont pas un avis de direction. C’est du temps-personne : une voix par personne et par semaine, répartie également sur les tâches touchées cette semaine.

Ils ont aussi écrit les limites. L’accord exact entre le modèle juge et les humains était de 59 % ; les humains ne s’accordaient entre eux que 35 % du temps. Dans 97 % des cas, le modèle et un humain étaient à un cran près. La frontière entre « collabore » et « dirige » restera disputée. Une fois le panier figé, un indice qui monte dit seulement que le travail de juillet 2026 s’automatise. Cela ne prouve pas, à lui seul, que les humains n’ont pas basculé vers des métiers tout neufs. Ils ont comparé un panier de janvier et n’ont pas vu de hausse des tâches inédites, et prévoient quand même de reconstruire périodiquement.

{
  "index": "anthropic-rd-automation",
  "as_of": "2026-08",
  "node": {
    "id": "rl-sandbox-egress-policy",
    "leaf": "RL sandbox egress and network policy",
    "automation_level": 4,
    "label": "leads",
    "weight_person_weeks": 12.4,
    "human_gate": ["deploy", "policy_change"]
  },
  "aggregate": {
    "leads_share": 0.26,
    "collaborates_or_above": 0.90,
    "autonomous_share": 0.0
  }
}

Des champs qui parse, un enum pour le niveau, et un poids numérique : c’est ce qui permet de recalculer l’indice chaque mois. Un rapport hebdomadaire en prose ne le peut pas.

Comment les Agents collaborent au développement des modèles

Le 26 % n’est pas un super-Claude assis au milieu qui écrit toute la pile d’entraînement. La description publique ressemble plutôt à une carte d’orchestration : un humain fixe un objectif, plusieurs Agents tournent de façon semi-autonome sur de longues durées, et délèguent du travail à d’autres Agents.

1. 1
   Échantillonner et cataloguer

   Un Agent de recherche lit les journaux de travail et écrit les tâches de la semaine en items agrégeables. Sans cette étape, les niveaux suivants n’ont pas de dénominateur.

2. 2
   Brancher et déléguer

   Entraînement, évaluation, infrastructure et comptes rendus d’incident sont découpés. Un Agent peut continuer à creuser, ou passer une sous-tâche à un autre Agent qui a sa propre identité.

3. 3
   Exécuter et réécrire

   Lire les logs, modifier le code, lancer les tests, comparer à une dernière bonne exécution. Les résultats reviennent dans la session — pas seulement une ligne « c’est réparé ».

4. 4
   Se corriger mutuellement

   Les messages circulent sur un canal ouvert et renvoient au matériau d’origine. Un autre Agent traite les propos d’un pair comme une affirmation à vérifier, pas comme une pensée à lui.

5. 5
   Porte humaine

   AL4 s’arrête avant le déploiement. AL3 s’arrête plus tôt : un imprévu rend le travail. Si la porte échoue, aucune action irréversible ne devrait se produire sur le disque ou dans le cluster.

Ce n’est pas la même couche produit qu’« un assistant dans une boîte de chat ». C’est plus proche d’un runtime d’Agents interne au laboratoire : identité durable, messages traçables, outils sous monitor. Pour l’empilement technique, voir Pile technique Agent IA 2026.

Flux JSON : identité, messages, outils, portes

L’annexe est précise sur deux conceptions de l’échafaudage interne. C’est pourquoi 30 000 Agents restent auditables.

Identité. Les utilisateurs ont l’habitude de parler à un objet appelé Claude. Quand plusieurs Agents collaborent, chacun a besoin de sa propre identité, et les données qu’il crée restent liées à cette identité. L’identité n’est pas soudée à une version de modèle, donc le dossier survit aux mises à jour. Côté supervision : chaque action se retrace par Agent dans le temps, et chaque enregistrement pointe vers un exécutant précis.

Communication ouverte. Les Agents ne discutent pas en privé. Chaque message porte l’identité de l’émetteur et peut renvoyer à une référence d’origine, ce qui réduit la dérive du téléphone arabe. Les autres Agents voient le trafic, donc ils peuvent corriger et se coordonner. Messages et transcriptions de session se recoupent, pour que le monitor comportemental puisse parcourir la conversation entre Agents.

Empilez ces deux points sur le Tool Calling quotidien, et un enregistrement auditable ressemble à peu près à ceci :

{
  "agent_id": "agt_4c91",
  "model_ref": "claude-internal",
  "identity_persists_across_models": true,
  "action": {
    "type": "tool_call",
    "name": "apply_patch",
    "arguments": "{\"path\":\"pipelines/nightly_etl.py\",\"intent\":\"fix_schema_drift\"}"
  },
  "message": {
    "channel": "open",
    "from": "agt_4c91",
    "links": ["transcript://run-8821#step-17"],
    "treat_as": "claim_to_verify"
  },
  "monitor": {
    "online": { "coverage": 1.0, "decision": "allow", "latency_s": 1.8 },
    "offline": { "ingested": true, "flagged": false }
  },
  "human_gate": { "required_for": ["deploy"], "status": "pending" }
}

arguments est encore souvent une chaîne. La couche métier doit d’abord parse, puis valider contre un schema, puis passer l’objet aux monitor et aux permissions. Pour rédiger le contrat, voir Pourquoi l’IA a besoin de JSON Schema ?. Une fois la surface d’outils élargie, qui porte la sécurité, voir Vulnérabilités de sécurité MCP expliquées.

Sans cette couche JSON, les monitor ne peuvent lire que de la prose. 30 000 Agents concurrents et un milliard de décisions ne s’agrègent pas par identité en prose, et on ne peut pas répondre « qui dirige quelle tâche-feuille ».

30 000 Agents : qui surveille

En août 2026, environ 30 000 Agents faisaient recherche et ingénierie en même temps sur la plateforme interne la plus utilisée d’Anthropic. Les mesures ne couvrent que cette plateforme. Les actions sont contraintes par deux couches de monitor :

Un faible taux de blocage ne rend pas la porte facultative. La couverture est 100 %. Les blocages sont l’exception. Sans le saut avant exécution, AL4 « dirige » glisse vers un déploiement sans surveillance. Pour voir comment JSON devient une frontière de sécurité, voir Les AI Agents commencent à « attaquer Internet tout seuls ».

Le grand livre du calcul : ce que signifie une part sécurité de 6 %

Le troisième jeu est un instantané de calcul du 13–20 juillet 2026. Environ 6 % du calcul alloué à la R&D IA a été compté comme sécurité ; environ 12 % du calcul alloué à la « R&D IA pilotée par l’IA » l’a été. Le tri est délibérément conservateur : un token qui avance autant la capacité que la sécurité n’est pas compté comme sécurité.

Anthropic prévient que la recherche en sécurité est en général plus lourde en temps-personne et moins lourde en puces que l’entraînement de frontière, donc une part de calcul n’est pas une statistique suffisante de « à quel point l’entreprise tient à la sécurité ». Sa valeur, c’est la comparabilité — d’un laboratoire à l’autre et dans le temps, dans les mêmes seaux.

La classification est elle-même un workflow d’Agents : un classifieur lit les métadonnées de job, le code et les transcriptions de session, et renvoie un seau, une justification et une confiance. Ils ont échantillonné environ 14 % des près de 10 000 exécutions de cette semaine, pondérées par le calcul. Les frontières vivent dans le prompt ; la revue humaine et la machine divergeaient d’un ou deux points. Pour reproduire, écrivez « qu’est-ce qu’un travail de sécurité » comme une définition JSON validable, pas comme un slogan.

Découper un enregistrement de workflow dans JSONNote

Vous n’aurez pas l’arbre interne d’Anthropic. Vous aurez le même genre de matériau dans votre propre dépôt : tool calls, logs de monitor, messages d’Agent, notes de tâches. Tout cela se découpe en local dans le navigateur.

1. 1
   D’abord voir si arguments peut parse

   Dépliez les échappements de la chaîne et déposez-la dans Formatage JSON. Virgules manquantes et virgules finales sont déjà cassées avant qu’un monitor n’intervienne.

2. 2
   Valider l’action contre le schema déclaré

   Mettez les parameters de l’outil et l’objet parsé dans JSON Schema. Le niveau doit être un enum, l’identité un ID stable, et le déploiement doit rester explicite sur human_gate.

3. 3
   JSON Diff : « ce que vous avez approuvé » contre « ce que c’est maintenant »

   Mettez l’arbre des tâches ou la liste d’outils de la semaine dernière dans JSON Diff et cherchez surtout les modifications silencieuses des tâches-feuilles, des décisions monitor et des schema.

4. 4
   Il faut le montrer à un collègue ? Utilisez le partage Hash

   Les données restent dans le URL fragment et ne touchent aucun serveur. Voir Partager du JSON via URL Hash.

FAQ

Si Claude dirige 26 % de la R&D IA, est-il déjà en train de construire le prochain modèle sans surveillance ?

Non. 26 % correspond à l’AL4 d’Epoch AI : Claude peut terminer l’essentiel d’une tâche à partir d’un prompt de haut niveau ; un humain supervise et décide de la mise en production. Anthropic écrit que Claude n’a atteint l’AL5 autonomie totale sur aucun sous-ensemble mesuré de R&D IA.

Comment s’articulent « plus de 90 % collabore » et « 26 % dirige » ?

90 % est AL3 ou plus : Claude peut faire de gros blocs sous direction humaine étroite. 26 % est la part de ce travail déjà montée en AL4. Diriger est inclus dans « collabore ou plus ». Ce ne sont pas deux tas exclusifs.

Comment 30 000 Agents collaborent-ils, et qui les surveille ?

Ils mènent recherche et ingénierie de façon semi-autonome sur une plateforme interne et peuvent se déléguer du travail. Chaque Agent a sa propre identité ; les messages passent par un canal ouvert. 100 % des actions passent un monitor en ligne avant exécution et un monitor hors ligne ensuite. En août 2026, environ 1 décision sur 47 000, parmi plus d’un milliard, a été bloquée.

Où le JSON apparaît-il dans ce workflow ?

Nœuds de l’arbre des tâches, notes Automation Level, identités d’Agent, messages ouverts, arguments de Tool Calling, décisions monitor d’autorisation ou de blocage : presque tout est un enregistrement structuré. Sans contrat parseable, on ne peut ni auditer 30 000 Agents, ni rejouer qui a dirigé quelle tranche.

Que devrait retenir un développeur de cette divulgation ?

D’abord séparer assister, collaborer, diriger, autonome. Puis laisser identité, horodatage et JSON validable sur chaque tool call et chaque message d’Agent. La porte avant l’exécution ; le matériau de rejeu après. Les pourcentages bougeront. La couche contrat, elle, ne périme pas.

Résumé

Anthropic a mis 26 %, 90 %, 30 000, 0.002 % et 6 % sur la table parce que ces chiffres se mesurent, se vérifient et se recalculent chaque mois. Ils ne mesurent pas « à quel point le modèle sait discuter ». Ils mesurent où humains et Agents se tiennent sur la ligne de production qui construit le prochain modèle.

26 % c’est diriger, pas l’autonomie. La collaboration est déjà répandue. La porte reste humaine. Les Agents peuvent construire des modèles ensemble parce que l’identité, les messages ouverts, le Tool Calling et les décisions monitor partagent un même flux parseable.

Les titres continueront à lire 26 % trop grand. Quiconque lit la source devrait d’abord regarder les définitions de niveau, puis vérifier si ce JSON est encore là.

← Retour au blog