🚀 Lancement des "Routines" : Transformer Claude Code d'un outil réactif en un coéquipier proactif

📋 Aperçu

• Type : Atelier / Lancement de produit et tutoriel
• Sujet principal : L'introduction des "Routines" dans Claude Code, une fonctionnalité qui élimine le besoin d'infrastructure d'agent manuelle en permettant aux développeurs de configurer, guider et superviser facilement des agents de codage IA autonomes et proactifs.
• Intervenants : Mia (Membre de l'équipe Applied AI chez Anthropic)

🎯 Objectif principal & Contexte

Cet atelier a été conçu pour répondre à un problème majeur dans l'écosystème actuel des développeurs IA : la création d'agents IA proactifs s'exécutant en arrière-plan nécessite une infrastructure de base lourde (tâches cron, hébergement, webhooks). Mia a pour but de présenter les "Routines" — la solution gérée d'Anthropic — pour aider les développeurs à faire passer Claude du statut "d'outil" réactif attendant un prompt, à celui de "coéquipier" autonome qui détecte les problèmes et agit en fonction de planifications ou d'événements natifs.

Figure 1 : Le changement de paradigme fondamental — d'une IA réactive qui attend un prompt à un agent proactif qui surveille, détecte et agit de manière indépendante.

Figure 2 : Le workflow en cinq étapes pour déployer une Routine Claude — d'une simple commande /schedule à la supervision de l'agent en direct via l'interface web.

---

🧠 Concepts clés & Étapes (Intégration du tutoriel)

Concepts fondamentaux :

• Agents proactifs vs. réactifs : Passer d'une IA qui attend que l'utilisateur appuie sur "Entrée" (Réactive), à une IA qui surveille activement les environnements et initie des tâches de manière indépendante (Proactive).
• Infrastructure d'agent gérée (Managed Agent Infrastructure) : Anthropic gère la persistance des données, l'état de la session, l'hébergement et l'authentification. Les développeurs n'ont plus besoin de dépendre de machines locales ou de construire des stacks cloud secondaires pour maintenir les agents actifs.
• Architecture Generator-Critiquer (Revue Agent-à-Agent) : Un pattern d'architecture système où une première routine IA génère le travail (ex. : écrire du code) et où une seconde routine indépendante se déclenche pour critiquer et réviser automatiquement ce travail avant toute intervention humaine.

Guide étape par étape : Créer une Routine via la CLI

1. Initialiser : Ouvrez votre terminal et lancez Claude Code.
2. Commande : Tapez /schedule suivi de vos instructions en langage naturel (ex. : "Une fois par semaine, examine les modifications mergées et crée une PR pour mettre à jour la doc").
3. Configurer : Claude posera de façon autonome des questions de suivi pour affiner la routine (ex. : "À quelle heure chaque semaine ?", "Dois-je te notifier sur Slack ?").
4. Déployer : Claude génère la routine, en liant les dépôts et les connecteurs nécessaires en backend.
5. Superviser/Piloter : Ouvrez l'interface web de Claude (claude.ai), accédez au panneau "Code" et cliquez sur "Routines" pour regarder l'agent travailler en temps réel, injecter de nouvelles instructions ou interrompre le processus.

Figure 3 : Le pattern Generator-Critiquer — des Routines empilées créent un pipeline de revue auto-régulé sans aucun logiciel d'orchestration personnalisé.

---

🧭 Analyse stratégique & Avancées majeures ("Game Changers")

• Connexions cachées : Mia mentionne qu'en interne chez Anthropic, le nombre de PRs via Claude Code a augmenté de 200 % depuis le début de l'année. Cela révèle une conséquence cachée des outils de codage IA : Une dette technique et une lourdeur opérationnelle exponentielles. En rendant les ingénieurs 3 fois plus rapides pour pousser du code, ils ont involontairement submergé leur ingénieur en documentation. Les "Routines" sont la solution d'Anthropic à un goulot d'étranglement qu'ils ont eux-mêmes créé. La vélocité de production de code a dépassé la maintenance annexe, faisant des agents autonomes une nécessité, et non un luxe.
• Le véritable enjeu (The "So What?") : Le plus grand obstacle à l'IA agentique en entreprise n'est pas l'intelligence de l'IA ; c'est la surcharge DevSecOps (overhead) requise pour héberger, authentifier et superviser en toute sécurité des sessions IA "headless" (sans interface). En absorbant ce fardeau d'infrastructure (authentification, persistance d'état, écouteurs de webhooks), Anthropic positionne Claude Code non plus comme une simple extension d'IDE, mais comme un composant natif et robuste d'une plateforme CI/CD.
• L'avancée majeure : La pilotabilité de session en direct pour les agents headless. Historiquement, les agents autonomes s'exécutent dans des "boîtes noires" — vous les lancez et croisez les doigts en espérant qu'ils ne génèreront pas d'hallucinations ou n'entreront pas dans des boucles d'échec coûteuses. La capacité à superviser une tâche de fond autonome via une interface Web/CLI, à intervenir exactement là où se trouve l'agent, à lui poser une question en pleine exécution, ou à l'arrêter manuellement (comme l'a démontré Mia) modifie fondamentalement la dynamique de confiance vis-à-vis de l'adoption de l'IA. Cela crée un pont entre les modèles "Human-in-the-loop" et "Human-out-of-the-loop".

---

📊 Analyse détaillée

(Note : Les horodatages reflètent le déroulement séquentiel de la transcription fournie, incluant la réinitialisation du timecode à mi-parcours du texte).

[00:00:00 - 00:03:13] Le changement de paradigme : Outil vs Coéquipier

• Mia présente son rôle chez Anthropic : elle passe la moitié de son temps à développer des produits de première partie, et l'autre moitié à aider les clients à construire des agents basés sur les modèles Anthropic.
• Elle met en évidence un immense point de douleur pour les développeurs : la tentative d'exécuter Claude Code de manière autonome à l'aide de tâches cron traditionnelles. Gérer cette infrastructure est un calvaire.
• Philosophie centrale : Les agents de codage ne devraient pas attendre qu'un humain appuie sur entrée. Un "outil" attend ; un "coéquipier" remarque quand quelque chose est cassé et agit de façon proactive.

[00:03:36 - 00:06:51] La complexité (overhead) de construire des agents proactifs aujourd'hui Mia détaille les obstacles techniques spécifiques auxquels les développeurs sont confrontés lors de la création d'agents autonomes de A à Z :

• Hébergement et État : Faire tourner des agents sur un ordinateur portable local est risqué ; s'il s'éteint, la session meurt. Les développeurs doivent concevoir un hébergement cloud robuste et une persistance des données.
• Infrastructure de déclenchement (Trigger) : Les développeurs doivent créer des tâches cron personnalisées ou déployer des endpoints/webhooks dédiés uniquement pour recevoir les triggers.
• Le problème de la boîte noire : Une fois qu'une session headless est lancée, les développeurs perdent en visibilité. Ils ne peuvent ni piloter, ni limiter, ni observer, ni reprendre la session sans devoir développer des tableaux de bord personnalisés complexes.

[00:06:51 - 00:09:59] Présentation de l'architecture des "Routines"

• Les Routines permettent aux développeurs de ne définir que quatre éléments : le prompt, les dépôts, les connecteurs et un trigger. Anthropic s'occupe de tout le reste.
• Infrastructure gérée : L'état de la session et l'authentification des connecteurs sont gérés côté serveur par Anthropic.
• Déclencheurs personnalisés : Prise en charge de la planification temporelle, l'intégration native d'événements GitHub et l'injection de payload sur mesure via des webhooks personnalisés.
• Pilotabilité omnicanale : Toute routine automatisée n'est au final qu'une session Claude Code standard sous le capot. Les développeurs peuvent intervenir depuis l'interface Web, la CLI ou l'application Desktop de manière fluide.

[00:09:59 - 00:12:56] Étude de cas interne : Automatisation de la documentation

• Les ingénieurs d'Anthropic ont augmenté leur production hebdomadaire de PRs de 200 % en début d'année.
• Cela a complétement submergé "Sarah", l'unique ingénieure documentation gérant la documentation de Claude Code et du SDK Agent.
• Solution : Sarah a utilisé la commande /schedule dans la CLI pour donner cette instruction à Claude : « Une fois par semaine, examine toutes les nouvelles modifications mergées sur main par rapport à notre repo de doc et crée une PR pour mettre à jour la documentation... »
• Claude a géré la configuration de manière conversationnelle, posant des questions pour préciser les préférences de notification (ex. : pings Slack).

[00:13:38 - 00:14:52] Les 3 piliers de la conception d'une Routine Mia souligne les décisions stratégiques associées à la cartographie d'une automatisation :

1. Trigger : Quand elle s'exécute ? (Basée sur le temps vs sur les événements).
2. Contexte : De quoi a-t-elle besoin ? (Repos, Google Drive pour correspondre au langage marketing interne, Slack pour les notifications). Note cruciale : L'accès de l'IA au contexte définit le "plafond de son succès".
3. Pilotabilité : Comment la sortie est-elle validée ? (Supervision humaine vs Revue Agent-à-Agent).

-- Réinitialisation du Timecode dans le flux original de la transcription --

[00:10:00 - 00:12:35] Plongée approfondie dans les Triggers et le Contexte

• Déclencheurs planifiés (Scheduled Triggers) : Utiles pour les analyses d'écarts et la synchronisation hebdomadaire entre le code source et la documentation.
• Déclencheurs d'événements (Event Triggers) : Déclenchement de l'exécution du code selon la création d'une branche de release, ou l'ajout d'un label spécifique (ex. : "Need Docs") à une PR mergée.
• Connecteurs : Mia détaille l'importance de fournir à l'IA des bases de connaissances secondaires. Ex. : Connecter Google Drive pour que Claude reproduise le jargon marketing en interne lors de la génération de documentation externe.

[00:12:35 - 00:14:54] Implémentation d'une revue Agent-à-Agent (Generator-Critiquer)

• Mia recommande explicitement les systèmes multi-agents via les Routines.
• Exemple de workflow : L'Agent A crée une PR pour la documentation. L'Agent B est déclenché par la création de la PR de l'Agent A. L'Agent B révise le code et laisse des commentaires de critique automatiques avant qu'un ingénieur humain ne s'en mêle.
• Les développeurs conservent leur autorité en examinant et en validant la version finale de la PR.

[00:14:54 - 00:17:38] Démo en direct 1 : Routine temporelle dans l'interface Web

• Mia passe sur claude.ai, naviguant vers la section Code via le panneau de gauche.
• Elle inspecte la Routine de synchronisation hebdomadaire du lundi à 10h00.
• L'interface démontre une transparence totale : les développeurs peuvent voir Claude lire le code source, vérifier le changelog, le comparer avec le dépôt doc, et ouvrir avec succès une PR.

[00:17:38 - 00:21:21] Démo en direct 2 : Événements GitHub & Pilotabilité active

• Mia met en place une nouvelle Routine pour se déclencher chaque fois qu'une nouvelle "issue GitHub" est ouverte.
• Tâche : Si un utilisateur ouvre une issue pour se plaindre d'une doc manquante, Claude doit investiguer, écrire la doc, ouvrir une PR et notifier Mia sur Slack.
• Elle procède à un test en créant une issue manuellement : "Outils manquants dans la documentation de la nouvelle version."
• L'instant de "Pilotabilité" (Steerability) : La Routine se déclenche immédiatement. Mia regarde Claude commencer ses déductions. Cependant, elle avait déjà réparé ce problème manuellement. Elle tape directement au sein de la session autonome en direct : "Arrête cette session, j'ai déjà fait ces modifications." Claude s'exécute sur-le-champ. Cela souligne tout l'intérêt de l'intervention "human-in-the-loop" pour la gestion des tâches autonomes.

Figure 4 : Quatre capacités fondamentales qui définissent la fonctionnalité Routines — abolir les barrières en matière d'infrastructure, de comportement, d'observabilité et d'orchestration dans le développement de l'IA agentique.

[00:21:21 - 00:22:30] Cas d'usage pratiques en entreprise Mia conclut en transposant cette technologie pour correspondre aux divers profils (personas) d'équipes d'ingénierie :

• Minimisation des risques de déploiement (DevOps) : Une Routine activée par un webhook de déploiement CI/CD. Claude obtient l'accès au code source et aux outils de monitoring (Datadog/Grafana). En cas d'anomalie dans les métriques, Claude effectue une investigation, recommande un "Go/No-Go", ou révoque (revert) de lui-même le code et envoie un SMS à l'ingénieur d'astreinte via Twilio.
• Triage sous astreinte (On-Call Triage) : L'exploration et le filtrage autonome des rapports d'incident.
• Product Management (Backlog Grooming) : Une Routine hebdomadaire qui parcourt la montagne d'issues GitHub et les innombrables fils Slack, les catégorise, et priorise la génération de PRs pour les correctifs critiques.

🔑 Points clés à retenir

1. Abstraction totale de l'infrastructure : Les "Routines" éliminent totalement les lourdeurs du DevSecOps (hébergement, cron, authentification, webhooks) qui étaient jusqu'ici nécessaires avant de pouvoir déployer des agents IA en arrière-plan.
2. Évolution d'"Outil" vers "Coéquipier" : Les IA de codage ne sont plus de simples exécutants passifs répondant aux commandes, mais deviennent des moniteurs systèmes capables d'identifier les lacunes du code et d'y remédier en toute autonomie.
3. Interruptibilité en direct : La possibilité d'accéder au portail web et d'observer le "chain of thought" d'un agent autonome se déployer sous nos yeux — et de l'interrompre ou de rediriger son exécution à chaud — met fin à la fameuse phobie de la "boîte noire" limitant le déploiement de l'IA au sein de bases de code en production.
4. Revue de code agentique native : Grâce à l'orchestration des triggers avec les Routines, les développeurs peuvent composer des pipelines multi-agents capables de se corriger eux-mêmes (Generator-Critiquer) et ce, sans utiliser d'orchestrateurs complexes de type LangChain.

❓ Questions en suspens / Suivi

• Gestion des coûts : Si une routine basée sur un événement se déclenche sur des dépôts extrêmement actifs (ex. : déclenchement à chaque création de PR ou d'issue), comment Anthropic prévient-il une explosion hors de contrôle des coûts liés aux tokens ? Y a-t-il des barrières budgétaires incluses par défaut ?
• Limites de sécurité vis-à-vis du système : Si un agent est autorisé à interagir avec le code source, avec GitHub et avec les tableaux de bord de Datadog en production, quels sont les garde-fous pour contrer l'exécution d'une instruction destructrice sans autorisation (comme réaliser un rollback abusif) après une mauvaise interprétation d'une métrique par l'IA ?
• Limites de la plateforme : Pendant combien de temps au maximum une session rattachée à une Routine peut-elle tourner avant de déclencher un timeout du côté des serveurs opérés par Anthropic ?