Avec l'essor fulgurant des capacités de programmation de l'IA, l'efficacité de développement interne d'Anthropic a connu une croissance explosive sans précédent. Selon les données officielles divulguées, en mai de cette année, le nombre moyen quotidien de fusions de code était d'environ 2500, tandis qu'en septembre ce chiffre avait grimpé à plus de 30000. Cette vitesse de croissance explosive du code a commencé à dépasser les outils de développement existants, comme le système de contrôle de versions Git.
Face à la saturation des services d'intégration continue, l'équipe avait auparavant effectué trois réparations temporaires, mais la durée pendant laquelle chacune tenait devenait de plus en plus courte, et il a finalement fallu passer par une refonte complète pour résoudre durablement le problème. Pour briser définitivement le goulot d'étranglement des performances de la gestion du code source, l'équipe de recherche et développement de 7 personnes d'Anthropic a consacré 5 mois à construire un tout nouveau système de gestion de versions conçu spécifiquement pour les bases de code ultra-larges — Scion — et a réussi à migrer intégralement l'immense monorepo de l'entreprise depuis Git.
Sur le plan de l'architecture, Scion adopte un modèle innovant dans lequel les opérations principales sont traitées côté serveur et les données sont récupérées à la demande par les clients, accompagné d'un mécanisme de cache hiérarchique efficace. Cette optimisation a permis de réduire l'infrastructure liée à la gestion du code source à seulement 1/200 de celle de l'ancienne infrastructure miroir Git. Fait remarquable, au cours du développement du système, l'équipe a utilisé Claude pour réécrire le prototype du pipeline d'importation de données : celui-ci s'exécute 4 fois plus vite que la version écrite à la main, tout en consommant 1/20 de la mémoire de l'original, ce qui a considérablement raccourci le cycle de construction de l'ensemble du système.
Tout en bénéficiant d'un gain de productivité décuplé grâce à l'IA, Anthropic a également tiré un ensemble d'enseignements pratiques précieux. L'équipe souligne que les ingénieurs doivent faire les bons compromis au niveau de l'architecture, examiner rigoureusement les solutions générées par l'IA, oser dire « non » aux sorties d'IA irraisonnables, tout en clarifiant la logique du système et en maîtrisant la conception globale : c'est seulement ainsi que le temps économisé grâce au code généré par l'IA ne sera pas gaspillé dans des attentes ultérieures et des retouches fréquentes.