Le 16 novembre 2026, Addy Osmani a publié sur le blog de Claude Code un article d'une dizaine de minutes, How the Claude Code team thinks about verification. Il y écrit : « On the Claude Code team, the vast majority of our code (~90%) is written and reviewed by Claude. »1 Personne ne relit chaque diff. L'équipe a donc construit une couche de vérification qui demande aux agents de prouver que leur changement fonctionne, et elle traite cette couche comme un système à part entière : protégé des changements qu'il juge, mesuré, corrigé, élagué. Le texte répond à une question que se pose toute équipe qui confie du code à des agents : combien d'agents un développeur peut-il piloter sans perdre la main sur la qualité ?
Un ou deux agents, ou des centaines
Addy Osmani pose le calcul dès l'introduction : sans boucles de vérification, « you can really only run one or two Claudes at a time, because you have to check everything yourself. With them, you can run dozens or hundreds in parallel. » Il cite une mesure interne sur la génération de fichiers structurés : un correcteur séparé, qui note le travail de Claude contre une grille, a amélioré le taux de réussite « by up to 10 points over a standard prompting loop », avec les plus forts gains sur les problèmes les plus durs1. Ce chiffre vient d'Anthropic et n'a pas été reproduit ailleurs.
L'argument tient en une phrase du billet : ce qui coûtait cher à vérifier, tests, benchmarks, spécifications, exécutions de bout en bout, ne coûte presque plus rien à demander à un agent. Une fois générés, ces tests s'exécutent comme n'importe quel logiciel, donc souvent et sans beaucoup de tokens supplémentaires. Les échecs répétés nourrissent la configuration : si un agent échoue sans cesse à un test qui cherche des données personnelles dans les journaux, on en fait un hook ou une règle explicite du fichier CLAUDE.md1. Le compte @ClaudeDevs l'a résumé ainsi en annonçant l'article : « Claude writes better code when it can verify its work. »2
Trois familles de tests qui résistent à l'agent
L'équipe écarte d'abord deux défauts. Les tests instables (flaky) « train the agent to run them again rather than fixing the failing code » ; les tests lents réduisent le nombre d'exécutions par lot. Elle investit ensuite dans trois familles1 :
| Famille | Ce que fait le test | Quand l'utiliser | Outils cités |
|---|---|---|---|
| End-to-end | Rejoue un parcours réel de l'utilisateur et rend une trace, une capture d'écran et la description de la panne | En priorité : « If you have to focus on one test type, pick end-to-end. » | CDP (Chrome DevTools Protocol), simulateurs, harnais d'API |
| De propriétés | Énonce une règle qui ne doit jamais casser et génère des milliers d'entrées pour la réfuter | Aller-retour encodage et décodage, invariants (un solde jamais négatif), idempotence, version optimisée contre version naïve | fast-check (JS/TS), Hypothesis (Python), proptest (Rust) |
| Différentiel | Lance l'ancien et le nouveau système sur les mêmes entrées, aléatoires ou tirées du trafic de production, et compare | Migrations à grande échelle | Normalisation des écarts sans importance, liste des changements approuvés |
Le test end-to-end passe en premier parce qu'un agent le trompe difficilement : « either the whole feature works or it doesn't ». Il donne aussi un meilleur diagnostic. Là où un test unitaire ne renvoie que « Error: Timeout after 30 seconds », un test end-to-end explique que « 'Place order' stayed disabled because the payment form never loaded ». Le billet propose une feature map : la liste des fonctionnalités vues par l'utilisateur, avec chemins, raccourcis, sélecteurs et résultats attendus, qui sert à la fois de guide et de grille de notation pour l'agent.
Les tests de propriétés visent les cas limites que l'agent rate par biais : il teste les entrées auxquelles il pense, le générateur produit des cas « that aren't created with the same bias as the agent that created the original code ». Le test différentiel sert aux équipes qui réécrivent un système existant : l'ancien système devient l'oracle du nouveau. La même logique sert aux migrations WinDev avec un golden master inversé.
Exécuter le changement, trois tentatives au plus
Pour l'équipe, vérifier veut dire exécuter : « Running the app end to end matters more than tests. » Claude pilote l'application avec l'extension Chrome pour le web, un serveur MCP iOS ou Android pour le mobile, le computer use pour le bureau, ou des services lancés en local pour le backend. Un skill nommé verify, rangé dans un dossier .claude/skills/ au plus près du code concerné, décrit comment démarrer et piloter l'application. Claude sait l'utiliser avant de commiter ; l'équipe le teste à la dure pour qu'il reste rapide et fiable : « It's your smoke test harness, so you want it rock solid. »1
Quand un contrôle échoue, Claude tente de corriger. La règle est écrite : « If a check is still failing after three rounds, Claude stops and brings in a human. » Un agent ne tourne donc pas en rond sur un problème qu'il ne comprend pas, et le coût d'un échec reste borné.
Des règles que le changement ne peut pas réécrire
- Les propriétaires du code écrivent les contrôles. « The people who own the code write the checks for it, and refine them until they flag what the owner would flag. » Un contrôle qui appelle un relecteur humain doit dire pourquoi.
- Une checklist déclenchée par le diff. L'équipe tient « a reliability checklist with 39 items », chacun avec un déclencheur lisible dans le diff, un contrôle et les incidents ou PR qui l'ont fait naître. Claude ne lance que les items dont le déclencheur correspond, « usually 3 to 10 ». Exemple : quand un changement touche le stockage des sessions, Claude vérifie que
--resumerecharge toujours les anciens transcripts. - Un seul relecteur, plusieurs passes. Plutôt que d'empiler les relecteurs, l'équipe règle le relecteur principal avec un fichier
REVIEW.md, et chaque passe reprend le contexte des précédentes et des échecs passés. - Le REVIEW.md vient de la branche de base. « Code Review reads the REVIEW.md file from the base or default branch, never from the pull request's changes. » Un agent ne peut pas modifier, dans le même changement, les règles qui vont le juger. Et une revue réussie sur un commit dépassé « means nothing ».
- Les contrôles bon marché d'abord. Claude lance tests, build et linter avant d'ouvrir une pull request : un agent qui pousse sans tester localement consomme du temps de revue et de CI partagé.
Un tampon sur chaque commit, une barrière à trois positions
Chaque commit porte un tampon qui dit comment il a été vérifié, y compris « none » : les commits non vérifiés se retrouvent par une simple requête dans l'historique. Une barrière de commit peut bloquer un commit si la session n'a contenu ni /code-review ni /verify. Elle a trois positions1 :
- off : elle ne fait rien ;
- observe : elle laisse passer et journalise ce qu'elle aurait bloqué, pour repérer les faux positifs ;
- enforce : elle bloque, sauf si le message de commit explique pourquoi le changement n'a pas été vérifié.
Toute nouvelle barrière démarre en mode observe. Une soupape évite l'impasse : « If commits have been blocked twice in the session, the next one will be allowed through so Claude doesn't get stuck – Claude Code isn't perfect. »
Qui vérifie les vérificateurs
L'équipe mesure ses contrôles comme un service en production. Elle suit le nombre de changements fusionnés puis annulés, le nombre de changements rejetés par un mainteneur avant fusion, et un sous-ensemble de changements de taille comparable restés propres. Pour évaluer la revue de code, elle reconstruit le dépôt tel qu'il était au moment de la revue et ne compte que les constats qui décrivent le bon bug. Elle mesure le rappel à trois étages, constats bruts, après vérification, revue finale, pour voir où les bugs se perdent. Chaque constat est classé Important, Nit ou Pre-existing, ce dernier signifiant que l'auteur n'est pas responsable d'un bug déjà présent. L'équipe pousse le rappel jusqu'au point où l'amélioration suivante reviendrait à surapprendre l'évaluation1.
Les ratés deviennent des règles, par deux chemins. Le premier fouille les commentaires de revue humaine et les reverts : un motif devient candidat s'il apparaît dans au moins deux PR et se repère dans un diff ; « Three agents will try to disprove them », puis un humain approuve la règle dans une PR. Le second rejoue trois chercheurs de bugs sur une PR liée à un incident connu ; si au moins deux trouvent le bug, il est détectable, et un petit diff qui le rate signale une règle à écrire dans REVIEW.md.
Les tests instables suivent une règle stricte : « Claude can't skip them, add sleeps or retry until they pass. If it can't find the root cause, it deletes the test and writes down why. » Et tout s'élague : suites de tests, étapes de vérification et fichiers .md « only grow if you let them ».
Ce que votre équipe peut reprendre
La plupart de ces pratiques ne dépendent pas de Claude Code. Par ordre de mise en place :
- Un parcours end-to-end et un skill pour le lancer. Prenez le flux métier qui compte le plus (commande, souscription, connexion), écrivez la procédure qui démarre l'application et le rejoue, et tenez la feature map à côté.
- Une limite de tentatives. Trois essais, puis un humain.
- Des règles de revue lues depuis la branche de base. Le fichier qui juge une PR ne doit jamais venir de cette PR.
- Une barrière en mode observe avant de bloquer. Quelques semaines de journal montrent ce qu'elle aurait arrêté.
- Des tests différentiels pour les migrations. Sur une réécriture de legacy, mêmes entrées dans l'ancien et le nouveau système, sorties comparées, écarts approuvés listés.
Le billet conclut sur le changement de métier : « your job shifts from reading every diff to defining what 'done' looks like and reviewing the evidence, which is what lets you run many Claudes at once. » Notre article sur l'anneau de contraintes autour des agents décrit le même déplacement, vu du SDLC. Le lendemain, Addy Osmani a relayé le billet sous forme d'article sur X3.
Les chiffres de l'article (90 % du code, 10 points, 39 items) sont déclarés par Anthropic et n'ont pas fait l'objet d'une mesure indépendante.
Sources
- Addy Osmani, « How the Claude Code team thinks about verification », blog Claude Code, 16 novembre 2026, consulté le 19 novembre 2026 : claude.dev.
- @ClaudeDevs, post X du 16 novembre 2026 : x.com.
- Addy Osmani, article X du 17 novembre 2026 : x.com.
Passer à l’action
Des agents qui écrivent du code chez vous, et personne pour tout relire ?
Un FDE SFEIR installe la couche de vérification : parcours end-to-end, skill de vérification, règles de revue et barrières de commit.