Anthropic a publié un compte rendu d'ingénierie détaillé expliquant comment il a rendu claude.ai et l'application de bureau Claude environ trois fois plus rapides en un sprint de deux semaines, et le problème est que la majeure partie du travail a été effectuée par Claude lui-même. L'article, publié sur le blog d'ingénierie d'Anthropic, décrit une campagne de performances exécutée à partir d'un seul canal Slack avec le modèle d'IA dans chaque thread, trouvant les goulots d'étranglement, établissant des références, fournissant des améliorations et surveillant chaque déploiement.
Les chiffres, mesurés au 75e centile, sont substantiels. Le temps d'accès à une page tapable sur un nouveau chargement de claude.ai est passé de 3,1 secondes à 0,55 seconde. Le démarrage d'une nouvelle session Claude Code est passé de 0,8 seconde à 0,3 seconde, et le chargement d'une session cloud Claude Cowork est passé de 2,6 secondes à 0,73 seconde. Au total, Anthropic estime que les améliorations permettent d'économiser des dizaines de milliers d'heures d'attente chaque jour. Pour plus de contexte sur cette histoire, consultez notre couverture de l'industrie de l'IA.
Mesurer d'abord, puis bouger
Le sprint a commencé par la mesure plutôt que par le code. En utilisant Claude pour analyser les données d'utilisation via un serveur Datadog MCP, l'équipe a identifié les quatre parcours utilisateur qui représentent 95 % de l'activité : lancer l'application, démarrer une conversation, charger une conversation existante et envoyer un message. Sur le Web et sur ordinateur, ces parcours se sont décomposés en treize mesures distinctes, et l'équipe a ajouté des instruments jusqu'à ce que chacune soit directement comparable – en commençant lors d'une interaction utilisateur et en se terminant une fois le résultat rendu.
Une fois les bases de référence en place, l'équipe a dressé une liste d'une vingtaine de projets triés sur le volet, chacun ciblant un parcours spécifique, et a demandé à Claude d'estimer l'impact de chacun en millisecondes pour fixer des objectifs de sprint. Le plan a été mis en œuvre tôt : Anthropic rapporte avoir atteint douze des treize cibles au troisième jour. Cela a laissé à Claude la possibilité d'identifier d'autres opportunités et de proposer de nouveaux axes de travail, qui se sont rapidement transformés en projets à part entière et ont poussé les résultats au-delà des objectifs initiaux.
Ce qui a été réellement expédié
Les modifications techniques se lisent comme une liste de contrôle du travail moderne en matière de performances Web. Pour des lancements plus rapides, l'équipe a intégré un compositeur statique dans le HTML afin que les utilisateurs puissent commencer à taper lors de l'initialisation de React, et a précompilé un cache de code V8 afin que le processus principal du shell de bureau ne soit plus recompilé à partir de zéro au démarrage. Pour une navigation plus rapide entre les conversations, le compositeur reste monté plutôt que d'être démonté et reconstruit, les sessions sont pré-extraites lorsqu'un utilisateur les survole et les rendus de la barre latérale ont été réduits de 90 %.
L'ampleur de l'historique des fusions est le chiffre principal : plus de trois mille modifications ont été apportées au cours du sprint sans un seul incident ou restauration face au client, selon le message.
Claude Tag : un agent avec des garde-corps
Le sprint s'est déroulé sur ce qu'Anthropic appelle Claude Tag, actuellement en version bêta et décrit comme un modèle de recherche interne à peu près comparable à l'Opus 5.5. La division du travail est la partie la plus importante de l’histoire. Claude a détecté les goulots d'étranglement, construit des benchmarks, mis en œuvre des correctifs et surveillé chaque déploiement, travaillant de manière asynchrone pendant des heures, même pendant la nuit. Les humains ont fixé les objectifs, fait les compromis et approuvé chaque changement avant la fusion.
L’équipe souhaitait également effectuer des itérations plus rapidement que sa cadence de déploiement, c’est pourquoi elle a construit des mesures en laboratoire comme proxy pour les lectures du monde réel. Parmi les questions posées par les ingénieurs : le nombre d'instructions JavaScript pourrait-il remplacer la synchronisation de l'horloge murale en tant que signal de retour plus rapide pour valider les prototypes avant le déploiement ?
Pourquoi c'est important pour l'ingénierie assistée par l'IA
L'article d'Anthropic est moins remarquable pour les optimisations spécifiques (les shells statiques, la prélecture et la réduction du rendu sont des techniques établies) que pour ce qu'il démontre sur le développement piloté par l'IA à l'échelle de la production. Un laboratoire frontalier vient de réaliser une refonte de trois mille modifications des performances d'un produit de consommation phare, avec des agents d'IA effectuant l'essentiel du travail d'identification, de mise en œuvre et de vérification, tandis que les humains conservaient le pouvoir d'approbation sur chaque modification.
Le résultat s’inscrit également dans un contexte concurrentiel où la réactivité est une caractéristique du produit. Claude est en concurrence directe avec ChatGPT d'OpenAI et Gemini de Google pour attirer l'attention des consommateurs et des développeurs, et la vitesse perçue façonne l'utilisation quotidienne des produits d'assistance autant que la qualité du modèle. La réduction du temps d'interactivité de 3,1 secondes à 0,55 seconde répond à la plainte la plus courante des utilisateurs concernant le produit.
For engineering teams watching from the outside, the transferable lesson from Anthropic's account is the loop structure: measure user journeys precisely, let the model propose and validate changes against those measurements, keep a human approval gate, and expand scope only as fast as the measurement system can verify. Anthropic's own framing is that once Claude can measure something, it can make it faster — so the team kept finding more things to measure.
Whether similar agent-driven sprints become standard practice across the software industry remains to be seen, but Anthropic has provided one of the most concrete public data points yet that they can work at scale. Readers tracking how AI is reshaping software development can follow our AI research coverage for further developments.
---
Restez à la Pointe de l'IALes dernières actualités, analyses et percées en IA — au même endroit.
Lire plus d'actualités IA →
