Le 13 octobre 2026, Anthropic a expliqué sur son blog d’ingénierie pourquoi elle a remplacé Git, l’outil de gestion de versions qu’utilisent presque tous les développeurs, par Scion, un système maison. En mai 2026, l’entreprise fusionnait (intégrait à son code commun) environ 2 500 modifications par jour en moyenne dans son dépôt de code principal. Pour septembre, le billet annonce « plus de 30 000 par jour », et son graphique montre un record de 30 401 le 9 septembre. Anthropic relie cette hausse à la capacité de Claude, son propre modèle, à écrire du code.
Chez Anthropic, écrire du code « n’est plus ce qui freine » la construction de systèmes ou la recherche, résume le billet (notre traduction). Le frein, ce sont désormais les outils conçus pour l’échelle humaine : gestion des versions, compilation et tests automatiques. Scion est un outil interne. La leçon vaut pourtant pour toute PME ou agence qui confie du travail à des agents IA (présentés dans notre guide des modèles et agents IA) : quand une machine produit dix fois plus, les étapes de contrôle, à commencer par la relecture et la validation, deviennent le goulot.
Les chiffres publiés par Anthropic
Ces chiffres viennent du billet, sauf la moyenne sur sept jours, lue sur son graphique.
| Indicateur | Chiffre publié |
|---|---|
| Modifications fusionnées par jour, mai 2026 | environ 2 500 en moyenne |
| Annonce du billet pour septembre 2026 | « plus de 30 000 par jour » |
| Record sur le graphique du billet | 30 401, le 9 septembre |
| Moyenne sur sept jours au 9 septembre (lecture du graphique) | environ 18 000 |
| Historique de la branche principale | près de 100 Go |
| Copie de travail compressée | plus de 25 Go |
| Copies du code récupérées chaque jour pour les tests automatiques | de l’ordre de 25 millions |
| Miroirs Git internes au plus fort | plusieurs centaines |
| Trafic Git quotidien si ces copies étaient récupérées sans optimisation | plus de 600 pétaoctets |
Scion remet le serveur au centre
Git est décentralisé : chaque copie du dépôt contient tout l’historique et fonctionne hors ligne, le bon choix pour la grande majorité des projets, reconnaît Anthropic. Chez elle, presque tous ceux qui récupèrent le code sont des agents et des tâches automatiques, connectés par définition. L’entreprise utilisait déjà Git comme un système centralisé, avec une copie de référence et, au plus fort, plusieurs centaines de miroirs internes.
Scion inverse la logique : le serveur calcule l’historique, enregistre les versions et réalise les fusions, tandis que chaque machine garde un cache limité et ne télécharge que les fichiers utiles. Les questions sur le dépôt, comme « qui a modifié telle ligne ? », passent par une API : beaucoup de tâches se passent ainsi de copie locale. Anthropic s’est inspirée de Piper, chez Google, et de Sapling, chez Meta.
L’entreprise annonce une infrastructure 200 fois plus légère en processeur et en mémoire que ses anciens miroirs Git, des récupérations de code en secondes au lieu de minutes et 25 % de capacité processeur gagnée sur les tests automatiques. Le développeur Simon Willison, dans son commentaire du 13 octobre, y voit une réinvention de la gestion de versions centralisée, dans la lignée de Subversion.
Sept personnes, cinq mois et beaucoup de « non »
Sept personnes ont construit Scion, Antique (l’outil de revue de code, où les modifications sont relues) et une demi-douzaine d’autres systèmes, et migré tout le dépôt, le tout en cinq mois, pendant que le volume quotidien de code fusionné était multiplié par dix. Le premier programme d’import de l’historique Git, écrit en grande partie à la main, a été réécrit sans autre consigne par une version interne préliminaire de Claude Mythos Preview : 20 fois moins de mémoire, quatre fois plus de vitesse.
Tous les ingénieurs du projet jugent aujourd’hui Claude meilleur qu’eux pour écrire du code. Ils apportent la vue d’ensemble et les arbitrages de conception, et leur rôle consiste très souvent à dire « non » à Claude. Les agents violent parfois une règle de base du système pour suivre une pratique qui n’aurait jamais dû être tolérée : plusieurs programmes relisaient tout le journal des versions pour dater une fusion, au lieu d’interroger l’outil de revue. Le rapport d’Anthropic sur les agents IA qui sortent du cadre décrivait une dérive voisine : des agents qui contournent une règle pour finir leur tâche.
La revue contradictoire, où une IA cherche les failles du travail d’une autre, a aussi ses travers : une de ces revues, trop méfiante envers un autre service interne, a poussé Claude à empiler contrôles et complexité en excès. Les membres de l’équipe relisent toujours chaque demande de modification du système, mais en examinent l’intention plutôt que chaque ligne. Le physicien Matthew Schwartz, qui a signé 36 manuscrits avec Claude en trois mois, relevait un autre défaut : le modèle annonce volontiers avoir fini quand ce n’est souvent pas le cas.
Des tests et une relecture à réorganiser
Anthropic dit revoir tous ses réflexes hérités de l’échelle humaine. Une file d’attente de fusion classique, où chaque modification attend son tour, perd son sens quand des centaines, voire des milliers de modifications peuvent être fusionnées pendant qu’une série de tests tourne.
Faute d’avoir pu reproduire efficacement le verrou global sur la file de fusion, la norme du secteur, l’entreprise a misé sur des tests automatiques après la fusion et avant la mise en production. Des modifications simultanées peuvent alors entrer en conflit, mais Claude les corrige en général plus vite qu’un humain ne les repère, selon le billet.
L’outil de revue n’impose pas la même validation à une modification de commentaires et à un changement sensible de la logique : les relecteurs humains réservent ainsi leur attention aux cas qui comptent. Des droits d’accès se posent dossier par dossier, afin de protéger le code le plus sensible. Pour la surveillance, des instances de Claude veillent chacune sur la santé d’un seul composant, dans un canal Slack ; l’équipe les appelle des « superfans ».
Cinq réglages à faire chez vous
Votre volume n’a rien de comparable, et Anthropic le dit elle-même : peu d’organisations auront ces problèmes à court terme. Le mécanisme apparaît pourtant dès qu’un agent rédige vos devis, vos articles, vos fiches produits ou le code de votre site : la production accélère, et la relecture, restée humaine, devient la file d’attente.
- Repérez chaque validation humaine (devis, article, publication, mise à jour du site) et demandez-vous qui relira si le volume est multiplié par cinq. Si la réponse est « la même personne, le soir », vous tenez votre point de blocage.
- Classez les modifications par risque, comme Anthropic sépare un commentaire d’un changement de logique. Une coquille corrigée peut partir sans validation ; un prix, une clause ou une mention légale, jamais. Écrivez ces règles noir sur blanc dans une charte IA d’entreprise.
- Donnez vos contraintes à l’agent avant qu’il commence : tarifs, ton, sources interdites, promesses à ne jamais faire au client. Elles tiennent dans un skill ou un fichier .md que Claude consulte dès que la tâche s’y rapporte.
- Relisez l’intention avant le détail. Exigez de l’agent un résumé de ce qu’il a changé et pourquoi, comparez-le à votre demande, puis vérifiez ligne à ligne les seuls passages à risque.
- Ajoutez des contrôles automatiques après coup : liens cassés, chiffres repris d’une source et mentions obligatoires se vérifient par programme. Limitez aussi les accès, comme Scion avec ses droits par dossier : un agent n’a besoin que des dossiers de sa tâche, principe repris dans notre liste des accès et règles à préparer avant d’installer un agent.
Les limites de l’exemple
Anthropic prévient que Scion ne remplace pas Git pour un usage général : il ne se justifie que pour des dépôts gigantesques, avec des dizaines de milliers d’ingénieurs ou des essaims d’agents. L’entreprise rappelle que sa consommation interne de jetons (l’unité dans laquelle se mesure et se facture l’usage d’un modèle d’IA) dépasse de loin ce qu’une autre entreprise accepterait de payer. Elle juge difficile d’en proposer une version utile à d’autres : il faudrait migrer toute la chaîne de développement, revue de code et tests compris, et ses outils internes sont trop spécifiques.
Les chiffres viennent de l’entreprise, et nous n’avons trouvé aucune vérification indépendante. Un nombre de modifications fusionnées mesure un débit ; il ne dit rien de la taille ni de l’utilité de chaque modification.
Anthropic s’attend à ce que ce type de problème se répande d’ici six à douze mois. Elle veut faire évoluer les serveurs Git avec GitHub, GitLab et la communauté open source, sans renoncer au modèle de Git. Les annonces de ces plateformes sont à suivre si votre équipe ou votre prestataire travaille déjà avec des agents.
Un assistant qui suit vos règles
Le récit d’Anthropic le montre : un agent rapide demande un circuit de validation à sa mesure. Pour un assistant IA réglé sur votre activité, avec les accès que vous choisissez, découvrez notre assistant IA.