Claude Code accélère la recherche, puis affaiblit l’appropriation du code

Anthropic a fait évoluer Claude Code au-delà du code passe-partout, mais un chercheur signale un renversement préoccupant : une productivité accrue, associée à une maîtrise moindre de ses propres expériences. Ce témoignage place un problème humain au cœur de l’horizon d’Anthropic. Un agent de codage peut produire un logiciel de recherche acceptable tout en modifiant discrètement la façon dont son utilisateur comprend ce logiciel.

Cette inquiétude a émergé dans une publication Reddit du 31 août, rédigée par un doctorant de troisième année travaillant sur le traitement automatique du langage et l’interprétabilité. Claude Code prend désormais en charge l’ossature des expériences, le remaniement des dataloaders, le débogage initial et les scripts d’analyse. L’étudiant examine et approuve les diffs, mais détecte des problèmes plus tard, car la base de code lui paraît étrangère.

Cela ne prouve pas que Claude Code dégrade globalement la qualité de la recherche. Il s’agit d’une expérience individuelle auto-déclarée, et ni l’identité de l’auteur ni son historique expérimental n’ont été vérifiés de manière indépendante. Pourtant, les propres études d’Anthropic décrivent le même modèle de délégation à bien plus grande échelle. Les humains décident de plus en plus de ce qui doit se produire, tandis que Claude décide de la manière de l’implémenter.

Cette répartition paraît efficace lorsque les tests apportent des réponses rapides et fiables. Le code de recherche est plus délicat, car un programme qui passe les tests peut tout de même intégrer la mauvaise population, métrique, politique de seed, baseline ou comparaison statistique. L’enjeu central n’oppose donc pas Claude Code à un autre agent de codage. Il oppose la vitesse d’implémentation à la capacité du chercheur à expliquer chaque choix déterminant.

Un flux de recherche a franchi une frontière invisible

Le changement significatif n’était pas que Claude Code écrivait davantage de code, mais qu’il assumait la responsabilité de décisions intégrées à l’expérience.

Le flux de travail de l’étudiant a commencé avec le code passe-partout d’argparse, les graphiques et la configuration. Ces tâches traduisent généralement une décision établie en syntaxe répétitive. Les déléguer peut faire gagner du temps sans transférer beaucoup de jugement scientifique.

La frontière s’est déplacée progressivement. L’ossature des expériences détermine comment les conditions sont créées et comparées. Les dataloaders déterminent quels exemples parviennent à un modèle, comment ils sont transformés et si des fuites peuvent se produire. Le débogage détermine quels comportements inattendus reçoivent de l’attention. Les scripts d’analyse décident de la manière dont des mesures brutes deviennent des conclusions visibles.

Chaque tâche peut sembler relever de l’implémentation tout en portant une partie de la méthode. Un remaniement de dataloader peut modifier l’ordre d’échantillonnage, le padding, le filtrage ou le batching. Un script d’analyse peut omettre des exécutions ayant échoué ou agréger les résultats au mauvais niveau. Une métrique peut être implémentée exactement comme demandé tout en mesurant autre chose que la question de recherche.

Le témoignage du chercheur décrit clairement le décalage qui en résulte. Lorsqu’un résultat paraissait autrefois suspect, l’étudiant avait une intuition quant à la ligne qui pouvait en être responsable. Désormais, l’enquête commence comme l’audit du dépôt de quelqu’un d’autre.

Cette distinction compte davantage que le fait que chaque fonction générée paraisse propre. Un logiciel de recherche n’est pas seulement un instrument qui produit un résultat. Son écriture crée aussi un modèle mental des flux de données, des hypothèses, des changements d’état et des points de défaillance.

L’examen des diffs ne reconstruit pas toujours ce modèle. Un évaluateur peut vérifier que chaque modification paraît plausible sans reconstituer le comportement combiné de plusieurs modules. La difficulté s’accroît lorsqu’un agent effectue des modifications coordonnées dans la configuration, le prétraitement, l’entraînement, l’évaluation et la visualisation.

La discussion Reddit montre également que les chercheurs tracent cette frontière différemment. Un commentateur a limité le code généré à l’analyse et à la visualisation. Un autre a déclaré n’écrire aucun code, mais décrire le comportement attendu avec un niveau de détail élevé. D’autres ont soutenu que l’implémentation elle-même reste un moyen important de comprendre une méthode.

Ces commentaires sont des anecdotes, et non une comparaison contrôlée. Leur intérêt réside dans la mise au jour d’un choix non résolu. Les chercheurs s’accordent sur le fait que les agents peuvent éliminer les tâches fastidieuses, mais pas sur les tâches d’implémentation qui sont intellectuellement dispensables.

L’événement relève donc d’un différend sur les frontières plutôt que d’un lancement de produit. Claude Code est devenu suffisamment capable pour que les utilisateurs puissent déléguer des parcours techniques entiers avant que les institutions n’aient défini des pratiques de vérification acceptables. C’est là que naît la tension de l’article : le résultat arrive avant que l’appropriation n’ait été reconstruite.

L’horizon d’Anthropic atteint désormais l’exécution scientifique

Les données d’utilisation d’Anthropic suggèrent que la délégation de bout en bout devient normale, même si une exécution réussie n’établit pas la validité scientifique.

Anthropic a étudié environ 400 000 sessions Claude Code impliquant quelque 235 000 personnes entre octobre 2025 et avril 2026. Son étude sur le codage agentique a constaté que les utilisateurs prenaient généralement la plupart des décisions de planification, tandis que Claude prenait la plupart des décisions d’exécution.

La distinction paraît rassurante, car les humains conservent l’objectif. Elle l’est moins lorsque les choix d’implémentation influencent l’objectif que l’expérience teste réellement. Un chercheur peut demander une reproduction fidèle alors qu’un agent sélectionne une dépendance, un paramètre par défaut ou un chemin de prétraitement qui modifie la question opérationnelle.

Anthropic a rapporté que la part des sessions consacrée au débogage a diminué de près de moitié sur la période d’observation de sept mois. L’usage s’est déplacé vers l’exécution de code, le déploiement de systèmes, l’analyse de données et la production de documents non liés au code. La valeur estimée d’une tâche typique a également augmenté d’environ 25 %.

Ces chiffres décrivent l’usage observé du produit, et non l’apprentissage mesuré ni la fiabilité de la recherche. La définition du succès reposait sur des signaux vérifiables tels que des tests réussis ou du travail validé par commit. Ces signaux sont utiles pour les tâches logicielles, mais ils ne peuvent pas déterminer si une expérience isole le mécanisme causal visé.

L’étude a également constaté que l’expertise du domaine restait précieuse. Les experts réussissaient plus souvent et se remettaient plus efficacement des malentendus. Pourtant, l’écart de performance entre les experts et les utilisateurs intermédiaires restait modeste.

Ce constat étaye les deux camps du débat. Les agents de codage peuvent aider des spécialistes d’un domaine à effectuer un travail technique sans expérience approfondie du développement logiciel traditionnel. Toutefois, la récupération après une erreur dépend toujours de la capacité à reconnaître que l’agent a mal compris le domaine.

L’horizon d’Anthropic devient particulièrement déterminant dans la recherche en apprentissage automatique, car les expériences comportent de multiples sources d’incertitude qui interagissent. L’initialisation du modèle, la composition du jeu de données, la conception de l’évaluation, la précision numérique et le comportement matériel peuvent tous influencer les résultats. Une suite de tests au vert ne couvre que les hypothèses anticipées par son auteur.

L’agent peut également donner à un flux de travail une apparence plus cohérente que le raisonnement sous-jacent. Une nomenclature cohérente, des fonctions modulaires et des commentaires clairs améliorent la lisibilité. Ils ne garantissent pas que la condition de contrôle choisie répond à la question scientifique visée.

Cette différence sépare la correction logicielle de la correction épistémique. La correction logicielle demande si l’implémentation respecte une spécification. La correction épistémique demande si la spécification et l’implémentation, ensemble, étayent la conclusion énoncée.

Les groupes de recherche répartissent traditionnellement cette charge entre auteurs, directeurs de recherche, évaluateurs et efforts de réplication. Le codage agentique introduit un autre décideur dans la chaîne, mais sans responsabilité quant à l’affirmation publiée. Le chercheur reste responsable, même lorsque l’agent a fourni la plupart des détails d’implémentation.

Les éléments fournis par Anthropic confirment donc l’ampleur du changement sans résoudre son risque central. Les agents exécutent des tâches plus larges, et les utilisateurs expérimentés les dirigent souvent efficacement. La question ouverte est de savoir si les utilisateurs conservent une compréhension procédurale suffisante pour contester un résultat plausible mais trompeur.

Produire davantage ne signifie pas exercer davantage de contrôle expérimental

Le compromis central oppose la productivité immédiate à la construction plus lente d’une intuition diagnostique.

Anthropic a interrogé 132 de ses ingénieurs et chercheurs en août 2025, mené des entretiens avec 53 répondants et examiné 200 000 transcriptions internes de Claude Code. Les employés ont déclaré eux-mêmes utiliser Claude dans 60 % de leur travail et gagner environ 50 % en productivité.

Ces chiffres proviennent du personnel d’Anthropic et ne doivent donc pas être considérés comme des mesures indépendantes de la productivité universitaire. Ils révèlent néanmoins à quelle vitesse la délégation peut s’étendre au sein d’une organisation techniquement sophistiquée.

Selon l’analyse du travail d’Anthropic, les employés déléguaient couramment des tâches ennuyeuses, bien définies, peu risquées ou faciles à vérifier. Le débogage ponctuel et le code de recherche figuraient parmi les exemples.

C’est dans cette catégorie que le conflit actuel devient aigu. Le code de recherche est souvent qualifié de ponctuel, car il n’est pas maintenu comme un produit destiné aux clients. Pourtant, un court script peut produire la figure, le benchmark ou l’ablation qui porte l’affirmation centrale d’un article.

Anthropic a constaté que les employés estimaient que seuls 0 à 20 % de leur travail pouvaient être entièrement délégués, malgré leur usage fréquent de Claude. Une supervision active restait courante, en particulier pour les tâches à forts enjeux. Les employés ont également exprimé des inquiétudes quant à la perte de pratique dans l’écriture et la critique du code.

L’expérience du doctorant ressemble à ce schéma, avec un avertissement supplémentaire. La supervision par l’approbation des diffs n’a pas préservé la représentation mentale construite par l’implémentation. L’étudiant pouvait évaluer les changements locaux tout en perdant une compréhension intégrée du système.

Il s’agit d’une dette de compréhension, une responsabilité stockée chez l’opérateur plutôt que seulement dans le dépôt. Le code peut rester organisé tandis que la capacité du chercheur à prédire son comportement se détériore. Cette dette devient visible lorsque les résultats s’écartent des attentes.

La dette technique traditionnelle entraîne souvent des coûts de maintenance évidents. La dette de compréhension peut rester cachée, car le pipeline continue de fonctionner. Elle apparaît lors de défaillances inhabituelles, de questions d’évaluateurs, de tentatives de réplication ou de modifications de la conception expérimentale.

Le gain de vitesse est réel. Un agent peut générer en quelques minutes des balayages de paramètres, des fonctions de traçage, des fixtures de test et des variantes de configuration. Il peut également examiner des logs répartis sur de nombreux fichiers sans se fatiguer de recherches répétitives.

Toutefois, la vitesse modifie l’allocation de l’attention du chercheur. Une implémentation plus rapide encourage davantage d’expériences, de branches et de mesures. Le volume total peut croître plus vite que la capacité du chercheur à examiner les hypothèses.

Ce déséquilibre modifie le sens même de la productivité. Dix exécutions supplémentaires sont utiles lorsqu’elles testent une séquence délibérée d’hypothèses. Elles sont moins informatives lorsque le chercheur ne peut pas expliquer pourquoi les configurations diffèrent ni quel chemin a produit un chiffre rapporté.

La pression pèse le plus lourdement sur les doctorants et les petits laboratoires. Les incitations à la publication récompensent la production, tandis que les directeurs de recherche ont rarement le temps d’examiner chaque implémentation générée. Un concurrent plus rapide peut explorer davantage d’idées et soumettre plus tôt.

La réponse forcée ne consiste pas simplement à refuser l'assistance de l'IA. Les chercheurs qui abandonnent les agents de codage peuvent perdre du temps sur un travail qui n'améliore pas le jugement scientifique. La réponse plus difficile consiste à distinguer une implémentation qui ne fait qu'exprimer une décision d'une implémentation qui en prend silencieusement une.

Cette séparation doit avoir lieu avant la génération, et non après l'apparition d'un résultat suspect. Sinon, l'implémentation produite par l'agent devient la spécification par défaut. Le chercheur examine alors les écarts par rapport aux choix de l'agent au lieu de définir ces choix indépendamment.

Claude Code peut reproduire des résultats sans s'approprier la question

Les preuves d'une forte capacité d'exécution rendent le contrôle humain des hypothèses, des métriques et de l'interprétation plus important, non moins important.

Un préprint de 2026 a présenté SocSci-Repro-Bench, un benchmark constitué de 221 tâches de reproduction issues de 54 articles en sciences sociales. Des chercheurs ont évalué Claude Code et OpenAI Codex à partir de matériels d'études dont les conditions de reproductibilité étaient connues.

Le benchmark de reproductibilité a constaté que les deux agents reproduisaient une part substantielle des résultats publiés. Claude Code a obtenu de meilleures performances globales, tandis que les résultats variaient selon le langage de programmation et le type de dépôt.

C'est significatif, car la reproduction exige davantage que la génération d'une fonction isolée. Un agent doit inspecter du code existant, gérer les dépendances, diagnostiquer les échecs, exécuter les analyses et relier les sorties aux affirmations. Ce sont des tâches proches de celles que les chercheurs délèguent de plus en plus.

Le benchmark a également identifié une limite directement pertinente pour la recherche originale. Un cadrage subtil des prompts pouvait orienter les agents vers des recherches de spécifications confirmatoires. Une recherche confirmatoire explore des choix d'analyse qui soutiennent un résultat privilégié plutôt que de tester les alternatives de manière neutre.

L'agent n'a pas besoin de fabriquer des données pour introduire un biais. Il peut réagir utilement à l'orientation implicite d'un prompt. Demander de « trouver pourquoi l'effet a disparu » présente l'absence d'effet comme un problème technique, plutôt que comme un résultat potentiellement valable.

Ce mécanisme complique le conseil habituel consistant à inspecter le code généré. Chaque choix individuel peut sembler raisonnable. Le biais peut émerger de la succession des choix, notamment les exclusions, les transformations, les règles d'arrêt et les tentatives d'analyse répétées.

C'est pourquoi les artefacts de recherche les plus déterminants devraient rester des spécifications rédigées par des humains, même lorsqu'un agent les implémente. Ils comprennent l'hypothèse, les limites du jeu de données, la métrique principale, le dispositif d'évaluation, le choix des références, les règles d'exclusion et les critères d'interprétation.

Rédigé par un humain ne signifie pas saisir manuellement chaque ligne. Cela signifie que le chercheur s'engage sur le comportement attendu avant de demander à l'agent de l'implémenter. Un document de conception en langage clair, des invariants testables ou un plan d'analyse préenregistré peuvent établir ce point de référence.

Le chercheur devrait ensuite demander à Claude Code d'expliciter les choix déterminants. Une description utile des modifications devrait identifier les valeurs par défaut changées, le filtrage des données, les niveaux d'agrégation, la gestion de l'état aléatoire et les changements de dépendances. Un résumé générique des fichiers modifiés ne suffit pas.

L'exécution indépendante importe également. La personne ou le processus qui vérifie le résultat ne devrait pas se fier uniquement aux explications produites par le même agent qui a écrit le code. Un petit calcul construit à la main, un fixture figé ou une seconde implémentation peut tester la métrique centrale.

Cela ressemble à la logique d'un système de connaissances personnel. L'objectif n'est pas de collecter davantage de texte généré. Il est de préserver le raisonnement qui relie une question, une décision, un artefact et un résultat.

Les journaux de l'agent peuvent étayer cet historique, mais les journaux seuls sont trop détaillés et trop dépendants du contexte conversationnel. Les équipes de recherche ont besoin de comptes rendus concis des décisions, expliquant pourquoi un choix a été fait et quelles preuves l'invalideraient.

Les performances de Claude Code sur les tâches de reproduction ne tranchent donc pas la question de l'appropriation. Elles montrent que les agents peuvent devenir des exécutants compétents de flux de travail computationnels. La compétence d'exécution accroît le besoin d'un compte rendu indépendant de l'intention scientifique.

Les preuves présentent encore d'importantes lacunes

Ni une plainte virale ni les indicateurs de réussite d'Anthropic ne peuvent nous dire si les agents de codage améliorent la fiabilité de la recherche originale en apprentissage automatique.

Le compte Reddit repose sur un témoignage personnel et est apparu le même jour que cette analyse. Son auteur décrit un flux de travail qui semble réel, mais le dépôt sous-jacent, l'historique des bugs et l'évolution de la productivité ne sont pas disponibles. Les commentateurs apportent des expériences contrastées sans résultats standardisés.

Les études d'Anthropic sont plus larges, mais elles répondent à des questions différentes. L'achèvement des sessions, le code validé et les tests réussis mesurent si les utilisateurs ont atteint un objectif opérationnel. Ils ne mesurent pas si la conclusion d'un article résiste à une réplication indépendante.

L'enquête interne en milieu de travail repose en partie sur les estimations des employés. Les participants travaillent également dans l'entreprise qui développe Claude, avec un accès exceptionnellement solide aux modèles, à l'infrastructure et aux collègues. Leurs résultats pourraient ne pas se transposer à un étudiant en doctorat qui maintient seul un dépôt expérimental.

L'enquête auprès de spécialistes quantitatifs des sciences sociales offre une vision académique plus large. Anthropic a interrogé 1 260 chercheurs en février et mars 2026. Quatre-vingt-un pour cent avaient essayé des chatbots d'IA pour la recherche, mais seuls 20 pour cent utilisaient régulièrement des agents de codage intégrés au terminal.

Parmi les utilisateurs d'agents de codage, 86 pour cent ont déclaré utiliser Claude Code, tandis que 31 pour cent ont déclaré utiliser Codex. Les répondants pouvaient utiliser plusieurs outils. L'enquête sur l'adoption par les chercheurs a également constaté que les utilisateurs publiaient davantage de documents de travail et de propositions de subventions que des non-utilisateurs comparables.

Anthropic a explicitement averti que cette relation n'établissait pas de causalité. Les premiers adoptants peuvent déjà être plus productifs, mieux financés ou plus confiants techniquement. L'échantillon a également été recruté pour une étude offrant l'accès à Claude, ce qui pourrait favoriser les chercheurs intéressés par l'IA.

Les preuves les plus importantes qui manquent sont longitudinales et fondées sur les résultats. Les chercheurs ont besoin de comparaisons contrôlées mesurant la détection des erreurs, la compréhension méthodologique, le temps nécessaire pour réparer des expériences défectueuses, le succès des réplications et la qualité de l'incertitude rapportée.

Les mesures de productivité doivent également distinguer le volume d'exécution des connaissances utiles. Davantage d'expériences peuvent améliorer la découverte, mais elles peuvent aussi accroître les risques de tests multiples et surcharger l'évaluation par les pairs. Un ensemble de résultats plus vaste n'est pas automatiquement une contribution plus solide.

Le rapport sur les risques d'Anthropic de février 2026 apporte une autre mise en garde. L'entreprise a indiqué que Claude Opus 4.6 n'était pas encore capable d'automatiser entièrement la recherche et le développement dans des domaines clés. Elle a décrit de meilleures performances sur des tâches bien délimitées avec des critères de réussite clairs.

Cette limite s'applique directement au travail académique. De nombreuses questions de recherche restent ambiguës pendant des semaines, et les critères de réussite changent à mesure que les preuves s'accumulent. Un agent de codage peut bien fonctionner pour une implémentation délimitée tout en peinant face au jugement nécessaire pour reformuler le problème.

Le rapport a également indiqué qu'aucun des 16 membres du personnel technique d'Anthropic interrogés ne pensait que le modèle pouvait déjà servir de remplacement direct à un chercheur débutant. Il ne s'agit pas d'une évaluation indépendante, mais cela fixe une limite aux affirmations d'automatisation plus ambitieuses.

Les preuves étayent donc une conclusion étroite. Claude Code peut exécuter des flux de travail complexes liés à la recherche et accroître la production déclarée. Les études existantes n'établissent pas qu'une délégation étendue préserve la compréhension d'un chercheur ou améliore la validité scientifique.

Toute affirmation plus forte dépasserait les données disponibles. La préoccupation actuelle mérite d'être étudiée, car le mécanisme est plausible et la tendance d'adoption est visible. Elle ne devrait pas devenir un verdict généralisé sur chaque chercheur utilisant un agent.

L'appropriation de la recherche nécessite une définition opérationnelle

L'appropriation devrait signifier être capable de prédire, tester et défendre un comportement déterminant, et non taper personnellement chaque caractère.

Le débat devient improductif lorsque l'appropriation est réduite à un pourcentage de code écrit à la main. Un chercheur peut produire manuellement un dépôt sans comprendre les bibliothèques héritées. Un autre peut générer l'essentiel de la syntaxe tout en gardant un contrôle précis des hypothèses et des tests.

Une meilleure norme se concentre sur les décisions susceptibles de modifier les conclusions. Le chercheur devrait identifier la source de chaque jeu de données, l'unité d'analyse, la variable cible et toutes les règles de filtrage. Il devrait expliquer comment sont traités l'aléa, les valeurs manquantes, les exécutions échouées et l'agrégation.

Le dispositif d'évaluation mérite une protection particulière. Il convertit le comportement du modèle en un chiffre publiable et survit souvent à l'implémentation d'entraînement. Si un agent l'écrit, le chercheur devrait le valider sur de petits cas dont les réponses sont connues manuellement.

Les métriques exigent le même traitement. Un nom familier peut masquer des variantes importantes, notamment la moyenne macro par opposition à la moyenne micro ou l'agrégation pondérée par échantillon. Le code doit refléter une définition écrite qui existe indépendamment de l'implémentation générée.

Les références encodent également un jugement. Un agent peut sélectionner un checkpoint disponible ou réutiliser une configuration existante, mais la commodité n'établit pas l'équité. Les chercheurs doivent documenter pourquoi chaque comparaison est pertinente et si le calcul, les données et l'ajustement diffèrent.

Les modifications générées devraient rester suffisamment petites pour être examinées comme des affirmations cohérentes. Un patch qui modifie simultanément le chargement, l'entraînement, l'évaluation et les graphiques est difficile à valider, même lorsque chaque fichier paraît soigné. Des modifications atomiques facilitent la localisation des échecs.

Les tests devraient vérifier des invariants scientifiques, et pas seulement l'exécution du programme. Ils peuvent notamment confirmer que les identifiants d'entraînement et de test ne se chevauchent jamais, que des étiquettes mélangées détruisent les performances et qu'une métrique correspond à un fixture calculé à la main. Ces vérifications ciblent des échecs de recherche plausibles.

Les chercheurs ont également besoin de périodes délibérées sans l'agent. Reconstruire un pipeline de mémoire révèle plus efficacement les lacunes de compréhension que relire un diff. Expliquer l'expérience à un collègue de laboratoire peut révéler des hypothèses cachées derrière des abstractions propres.

L'agent peut aider dans ce processus sans s'autoévaluer. Il peut générer des questions sur un module, cartographier la lignée des données ou identifier des branches non testées. Le chercheur doit répondre à partir du code et de la conception de l'expérience, puis confirmer ces réponses indépendamment.

Pour les encadrants et les laboratoires, l'appropriation devrait devenir un artefact examinable. Les pull requests peuvent inclure l'hypothèse, le résultat attendu, les hypothèses modifiées, les preuves de validation et les incertitudes non résolues. Cela crée une trace durable qui dépasse les transcriptions de chat.

De telles pratiques imposent des coûts ; elles devraient donc se concentrer sur les parcours aux conséquences élevées. Le code récurrent, le formatage, les graphiques de routine et les utilitaires isolés nécessitent un examen plus léger. La sélection des données, les métriques, l'évaluation et l'interprétation des résultats exigent une vérification plus approfondie.

Ce modèle préserve une grande partie du bénéfice de vitesse tout en reconnaissant pourquoi l'implémentation comptait sur le plan éducatif. Écrire du code obligeait les chercheurs à se confronter aux détails. Les flux de travail agentiques doivent recréer cette confrontation grâce aux spécifications, aux tests et à l'explication.

L'objectif n'est pas la nostalgie de la programmation manuelle. Il s'agit d'un jugement scientifique fiable. Un chercheur s'approprie une expérience lorsqu'il peut prédire son comportement, identifier ses hypothèses fragiles et défendre sa sortie face à un examen critique.

Trois signaux montreront si le compromis s'améliore

La prochaine étape devrait être évaluée selon les résultats de compréhension et de réplication, et non selon le nombre de lignes supplémentaires qu'un agent peut générer.

Le premier signal est l’étude randomisée qu’Anthropic prévoit de mener sur les agents de codage auprès de chercheurs en sciences sociales. Son enquête de 2026 servira de référence à une expérience donnant aux chercheurs accès à Claude Code. L’assignation aléatoire peut dissocier les effets de l’outil des caractéristiques des premiers utilisateurs particulièrement enthousiastes.

Les résultats les plus instructifs iraient au-delà du nombre d’articles et de propositions. Des mesures de compréhension du code, de détection des erreurs, de dérive des spécifications et de reproduction indépendante testeraient directement la préoccupation soulevée par l’étudiant en doctorat. La productivité, sans ces mesures, laisserait la question centrale entière.

Si l’étude constate une production accrue sans affaiblissement de la validation ni de la compréhension, l’argument en faveur d’une adoption généralisée dans la recherche se renforcera. Si la compréhension recule ou si des erreurs évitables persistent plus longtemps, les laboratoires devront imposer des limites de délégation plus strictes.

Le deuxième signal sera de savoir si les conférences, revues et laboratoires exigent la divulgation du code de recherche généré par des agents. Les politiques actuelles sur la paternité des travaux et l’usage de l’IA se concentrent souvent sur le texte des manuscrits. Les méthodes computationnelles nécessitent des traces plus précises, car les choix d’implémentation façonnent directement les résultats.

Une divulgation utile indiquerait quels composants ont été générés par un agent, quel modèle ou outil a été utilisé, et comment les comportements critiques ont été testés de manière indépendante. Elle n’aurait pas besoin d’exposer chaque prompt ni de sanctionner l’assistance ordinaire.

Si les grandes instances adoptent des normes de divulgation reproductibles, les évaluateurs pourront examiner l’usage des agents comme une composante de la méthode. Si les politiques restent centrées sur la prose, une part croissante de la production scientifique restera insuffisamment documentée.

Le troisième signal est l’écart de performance entre les benchmarks délimités et la recherche ouverte. Les tâches de reproduction offrent des cibles connues et des matériaux existants. La recherche originale exige de décider quelle cible importe, de traiter des éléments de preuve ambigus et de changer de direction après un échec.

Les futures évaluations devraient suivre les agents au cours de projets de plusieurs semaines aux spécifications incomplètes. Elles devraient mesurer si les systèmes préservent l’intention expérimentale, mettent en évidence les incertitudes et résistent aux prompts qui encouragent une analyse confirmatoire.

Un écart qui se réduit renforcerait l’affirmation d’Anthropic selon laquelle les experts du domaine peuvent déléguer davantage d’exécution en toute sécurité. Des échecs persistants sur des projets ambigus soutiendraient un rôle plus limité, les agents servant d’implémenteurs sous des spécifications humaines explicites.

Les chercheurs n’ont pas besoin d’attendre passivement ces études. Ils peuvent identifier un composant aux conséquences importantes, le reconstruire indépendamment et comparer le résultat au parcours généré par l’agent. Ils peuvent aussi demander à des collègues d’expliquer un pipeline sans consulter son auteur.

L’horizon anthropique ne se définit pas par le moment où Claude Code peut écrire l’intégralité d’un dépôt. Il se définit par la capacité des chercheurs à conserver un jugement responsable pendant que l’agent le fait.

Avant d’approuver le prochain grand diff généré, posez une question plus difficile : pourriez-vous prédire quel résultat changerait si une hypothèse était modifiée ? Si la réponse n’est pas claire, cessez d’étendre l’expérience et reconstruisez la chaîne allant de la méthode au code.