⚡ L’essentiel
Anthropic a développé son propre système de contrôle de version après que son volume de modifications de code ait explosé de 2 500 à 30 000 par jour entre mai et septembre 2026. Cette croissance, coïncidant avec les sorties de nouveaux modèles Claude, dépasse les capacités de Git et révèle l’intensité sans précédent du développement d’IA moderne.
Quand Git ne suit plus : l’infrastructure à l’épreuve de l’IA
Le 13 octobre 2026, Anthropic a publié un article technique qui a fait l’effet d’une bombe dans la communauté DevOps. L’entreprise y révèle avoir construit un système de contrôle de version entièrement propriétaire pour remplacer Git, l’outil quasi-universel utilisé par des millions de développeurs depuis deux décennies.
La raison ? Une croissance qui défie l’entendement. En mai 2026, Anthropic fusionnait environ 2 500 modifications de code par jour dans son monorepo. Quatre mois plus tard, en septembre, ce chiffre atteignait plus de 30 000 modifications quotidiennes — une augmentation de 1 200% qui a littéralement mis Git à genoux.
Simon Willison, observateur reconnu de l’écosystème IA, a analysé les données publiées par Anthropic et ajouté une dimension révélatrice : cette explosion coïncide précisément avec les sorties publiques successives des nouveaux modèles Claude en 2026. Une corrélation qui suggère que chaque avancée en IA génère un effet multiplicateur sur l’activité de développement.
30 000 modifications par jour : que se passe-t-il vraiment ?
Pour contextualiser l’ampleur du phénomène, il faut comprendre ce que représentent 30 000 modifications quotidiennes. Selon les données d’Anthropic, ces changements se divisent en deux catégories : les pull requests classiques (propositions de modifications soumises pour révision) et ce que l’entreprise appelle mystérieusement les « antique change requests » — probablement des modifications héritées du système Git précédent.
Cette vélocité soulève une question fondamentale : quelle proportion de ce code est générée par l’IA elle-même ? Avec 30 000 modifications par jour, même une équipe de plusieurs centaines d’ingénieurs ne pourrait atteindre ce volume sans assistance automatisée massive. L’hypothèse la plus probable : Anthropic utilise ses propres modèles Claude pour générer, tester et optimiser du code à grande échelle, créant une boucle d’auto-amélioration où l’IA développe l’IA.
Cette dynamique expliquerait l’accélération exponentielle observée. Plus Claude devient performant, plus il peut contribuer à son propre développement, accélérant ainsi le cycle d’innovation. Nous assistons peut-être au moment historique où l’IA franchit le seuil de contribution nette positive à sa propre évolution.
Pourquoi Git ne pouvait pas tenir
Git a été conçu en 2005 pour gérer le développement collaboratif du noyau Linux — un projet certes massif, mais suivant des rythmes humains. Son architecture distribuée, où chaque développeur possède une copie complète de l’historique, devient un handicap à l’échelle d’Anthropic.
D’après les experts DevOps, Git commence à montrer des signes de faiblesse au-delà de 1 000 commits quotidiens dans un monorepo. À 30 000 modifications par jour, les opérations de base comme cloner le dépôt, fusionner des branches ou résoudre des conflits deviennent prohibitives en temps de calcul.
L’entreprise n’a pas détaillé publiquement l’architecture de son nouveau système, mais les contraintes sont claires : gérer des dizaines de milliers de modifications simultanées, maintenir la cohérence d’un monorepo géant, permettre des code reviews efficaces malgré le volume, et probablement intégrer nativement des workflows d’IA pour la génération et la validation de code.
Un investissement stratégique de plusieurs millions
Développer un système de contrôle de version propriétaire n’est pas une décision prise à la légère. Les estimations d’experts situent un tel projet entre 5 et 15 millions de dollars, incluant la conception, le développement, les tests et la migration depuis Git.
Pourquoi ne pas adapter des solutions existantes comme Mercurial ou Perforce, déjà utilisées à grande échelle ? La réponse tient probablement aux besoins ultra-spécifiques du développement d’IA moderne : intégration avec des pipelines d’entraînement de modèles, gestion simultanée de code et de données massives, workflows optimisés pour la génération automatisée de code.
En partageant publiquement cette information, Anthropic envoie un double message. D’une part, l’entreprise démontre sa maturité technique et sa capacité à résoudre des problèmes d’infrastructure que peu d’organisations rencontrent. D’autre part, c’est un outil de recrutement puissant : dans la guerre des talents en IA, offrir des défis techniques uniques attire les meilleurs ingénieurs.
Implications pour l’industrie : une bifurcation en cours
La décision d’Anthropic s’inscrit dans une tendance plus large mais révèle une accélération inquiétante. Quand Google a développé Piper, l’entreprise avait déjà plus de 10 ans d’existence et des dizaines de milliers d’employés. Anthropic atteint ce seuil critique en moins de deux ans, avec une équipe bien plus réduite.
Cette trajectoire suggère que nous assistons à une bifurcation dans l’outillage de développement. D’un côté, les outils open-source universels comme Git, adaptés au développement traditionnel par des équipes humaines. De l’autre, des systèmes propriétaires hyper-optimisés, conçus pour un développement hybride humain-IA à des échelles exponentielles.
Pour les développeurs, les implications sont majeures. Les compétences en Git, considérées comme fondamentales depuis 15 ans, pourraient devenir secondaires dans les entreprises d’IA de pointe. La maîtrise de systèmes propriétaires et de workflows d’IA-assisted coding devient un différenciateur de carrière.
Pour l’industrie dans son ensemble, cela soulève des questions de fragmentation. Si chaque grande entreprise d’IA développe son propre système, nous pourrions voir émerger des écosystèmes incompatibles, compliquant la mobilité des talents et la collaboration inter-entreprises.
Les questions que personne ne pose (encore)
Au-delà des chiffres impressionnants, plusieurs interrogations demeurent sans réponse. Comment Anthropic maintient-il la qualité et la sécurité du code avec une telle vélocité ? Les pratiques traditionnelles de code review, où des humains examinent chaque ligne, deviennent mathématiquement impossibles à 30 000 modifications par jour.
La solution probable : des systèmes automatisés de validation, probablement pilotés par IA, qui vérifient la cohérence, détectent les bugs potentiels et évaluent les risques de sécurité. Mais cela soulève une question philosophique : si l’IA génère du code et l’IA le valide, quel est le niveau réel de compréhension humaine du système ?
Autre mystère : cette croissance est-elle soutenable ? Une multiplication par 12 en quatre mois, si elle se poursuivait au même rythme, conduirait à des millions de modifications quotidiennes d’ici fin 2027. Soit cette croissance se stabilise naturellement, soit Anthropic devra réinventer son infrastructure à nouveau dans moins d’un an.
Scénarios pour les prochains mois
Plusieurs trajectoires se dessinent pour les 6 à 12 prochains mois. Scénario propriétaire : Anthropic garde son système privé, créant un avantage compétitif durable mais fragmentant davantage l’écosystème. Cette approche maximise l’avantage stratégique mais limite l’influence sur l’industrie.
Scénario open-source partiel : publication d’une version simplifiée du système, positionnant Anthropic comme leader technique et attirant contributeurs et talents. C’est la stratégie qu’a suivie Meta avec PyTorch et React, avec un succès notable.
Scénario commercialisation : création d’une division produit vendant la solution à d’autres entreprises d’IA, générant une nouvelle source de revenus. OpenAI, Google DeepMind, Mistral et d’autres pourraient rencontrer les mêmes limitations dans les mois à venir.
À court terme (1-3 mois), attendez-vous à des réactions d’autres géants de l’IA révélant leurs propres approches, des discussions animées dans la communauté DevOps sur les limites de Git, et potentiellement l’émergence de startups proposant des solutions similaires.
Ce que cela révèle sur l’état de l’IA en 2026
Au-delà de l’aspect purement technique, cette annonce est un indicateur macro de la maturité de l’industrie de l’IA. Nous sommes entrés dans une phase où les entreprises d’IA ne développent plus simplement des modèles, mais réinventent l’infrastructure fondamentale du développement logiciel.
La corrélation entre les sorties de modèles Claude et l’augmentation des modifications suggère un effet de rétroaction positive : de meilleurs modèles permettent un développement plus rapide, qui produit de meilleurs modèles, accélérant encore le développement. Cette dynamique auto-renforçante pourrait expliquer pourquoi les capacités de l’IA progressent de manière si spectaculaire en 2026.
Pour les investisseurs, cela signifie que les besoins en infrastructure des entreprises d’IA sont largement sous-estimés. Un système de contrôle de version custom représente plusieurs millions de dollars — et ce n’est qu’un composant parmi des dizaines. Les coûts réels de développement d’IA à l’échelle d’Anthropic, OpenAI ou Google DeepMind sont probablement 5 à 10 fois supérieurs aux estimations publiques.
Une nouvelle ère du développement logiciel
L’abandon de Git par Anthropic n’est pas un simple changement d’outil. C’est le signal que nous entrons dans une ère où l’infrastructure de développement conçue pour des humains atteint ses limites face au développement assisté ou généré par IA.
Dans les années à venir, nous verrons probablement émerger un écosystème complet d’outils spécialisés pour le développement d’IA : systèmes de contrôle de version adaptés, plateformes de CI/CD à ultra-haute échelle, outils de code review automatisés, environnements de test massivement parallélisés.
La question n’est plus de savoir si d’autres entreprises suivront cette voie, mais quand. Et pour les développeurs, organisations et investisseurs, le message est clair : les règles du jeu changent, et l’infrastructure qui a porté 20 ans de révolution logicielle doit être repensée pour l’ère de l’IA.
Reste à savoir si cette évolution créera un écosystème plus performant et accessible, ou si elle creusera un fossé entre les géants de l’IA disposant de ressources illimitées et le reste de l’industrie. La réponse à cette question façonnera le paysage technologique de la prochaine décennie.
