Anthropic در گزارش When AI builds itself می‌گوید تا مهٔ ۲۰۲۶ بیش از ۸۰٪ کدی که در مخزنش merge می‌شود را Claude نوشته است؛ پیش از عرضهٔ Claude Code در فوریهٔ ۲۰۲۵ این سهم تک‌رقمی بود. همین شرکت در نظرسنجی اوت ۲۰۲۵ از ۱۳۲ مهندس و پژوهشگرش شنیده بود که بیشترشان فقط ۰ تا ۲۰٪ کارشان را می‌توانند کامل به Claude بسپارند.
این دو عدد تناقض نیستند: یکی سهم کد است و دیگری سهم کاری که بدون نظارت سپرده می‌شود، و نُه ماه هم با هم فاصله دارند. ولی کنار هم نشان می‌دهند کار اصلی کجا مانده است: در متنی که آدم‌ها برای Claude می‌نویسند، و در بازبینی چیزی که برمی‌گرداند. گزارش‌های تیم‌به‌تیم Anthropic همین را با جزئیات نشان می‌دهند.
عددها، با قیدهای خودشان
- بیش از ۸۰٪ کد mergeشده تا مهٔ ۲۰۲۶ را Claude نوشته است. مدیران Anthropic پیش‌تر ۹۰٪ یا بیشتر گفته بودند؛ گزارش عدد محافظه‌کارانه‌تر را می‌دهد، چون خط انتساب کدش شکاف دارد. (When AI builds itself)
- هشت برابر کد در روز برای هر مهندس در فصل دوم ۲۰۲۶ نسبت به ۲۰۲۴. خود گزارش می‌گوید این تقریباً به‌طور قطع بهره‌وری واقعی را بزرگ‌تر از آنچه هست نشان می‌دهد، چون تعداد خط کیفیت را نمی‌سنجد. (همان‌جا)
- در نظرسنجی اوت ۲۰۲۵، کارمندان گفتند در حدود ۶۰٪ کارشان از Claude استفاده می‌کنند و بهره‌وری‌شان ۵۰٪ بالا رفته است (یک سال قبل‌ترش ۲۰٪). ۲۷٪ از کاری که با Claude انجام شده، بدون آن اصلاً انجام نمی‌شد. رایج‌ترین استفادهٔ روزانه رفع باگ بود (۵۵٪) و بعد فهم کد (۴۲٪). (How AI is transforming work at Anthropic)
- در حدود ۲۰۰ هزار transcript داخلی Claude Code از فوریه تا اوت ۲۰۲۵، بیشینهٔ فراخوانی پیاپی ابزار در هر transcript از ۹٫۸ به ۲۱٫۲ رسید و نوبت‌های انسان از ۶٫۲ به ۴٫۱ کم شد. (همان‌جا)
الگوی مشترک: چیزی که تیم‌ها برای Claude می‌نویسند
تحلیل داده. Anthropic می‌گوید ۹۵٪ پرس‌وجوهای تحلیلی کسب‌وکارش را Claude جواب می‌دهد، با دقت حدود ۹۵٪ در مجموع. همان پست می‌گوید بدون skill، دقت Claude روی evalهای خودشان از ۲۱٪ بالاتر نرفت. فاصلهٔ این دو عدد در evalهایشان skill است: دانش کسب‌وکار و روال تحلیل که مکتوب شده، کنار لایهٔ semantic و اعتبارسنجی. پست هشدار هم می‌دهد که این دقت یعنی شکاف آشکاری پیدا نشده، نه اینکه جواب غلط نمی‌آید. (How Anthropic enables self-service data analytics with Claude)
مهندسی RL. تیم برای اشتباه‌های تکراری Claude در فراخوانی ابزار یک خط به CLAUDE.md اضافه کرد، از این جنس: «run pytest not run and don't cd unnecessarily - just use the right path». به گفتهٔ گزارش، ثبات کار به‌طور معناداری بهتر شد. (How Anthropic teams use Claude Code، PDF)
مهندسی امنیت. نیمی از همهٔ slash commandهای سفارشی مونوریپوی Anthropic را این تیم نوشته است. (همان PDF)
تیم خود Claude Code. برای نمونه‌سازی، حالت auto-accept را روشن می‌کنند و Claude را در حلقهٔ نوشتن، اجرای تست و تکرار رها می‌کنند؛ بعد راه‌حلی را که حدود ۸۰٪ کامل است بازبینی و تمام می‌کنند. کلیدهای Vim در Claude Code همین‌طور ساخته شد و حدود ۷۰٪ پیاده‌سازی نهایی کار خودکار Claude بود. شرطشان: از وضعیت تمیز git شروع کن و مرتب checkpoint commit کن تا اگر Claude از مسیر خارج شد، برگشتن ساده باشد. (همان PDF)
دیتاساینس و ML. اسمش را گذاشته‌اند ماشین اسلات: وضعیت را commit کن، بگذار Claude نیم ساعت کار کند، بعد یا نتیجه را بپذیر یا از اول شروع کن. به تجربهٔ خودشان، از نو شروع‌کردن اغلب موفق‌تر از اصلاح اشتباه‌های Claude است. (همان PDF)
بیرون از مهندسی
- تیم حقوقی نمونهٔ اولیهٔ یک «درخت تلفن» ساخت که هر کس را به وکیل درست در Anthropic برساند. یکی از اعضا در یک ساعت اپی ساخت که با speech-to-text جواب پیشنهاد می‌دهد و آن را با صدا می‌خواند، برای عضوی از خانواده که به‌خاطر بیماری در حرف‌زدن مشکل دارد.
- بازاریابی رشد یک پلاگین Figma ساخت که تا ۱۰۰ نسخه از یک تبلیغ می‌سازد، هر دسته در نیم ثانیه؛ نوشتن متن تبلیغ از دو ساعت به ۱۵ دقیقه رسید.
- طراحان محصول می‌گویند ۸۰٪ وقت Figma و Claude Code هر دو باز است. حذف عبارت research preview از کل کدبیس، که یک هفته رفت‌وبرگشت می‌خواست، با دو تماس ۳۰ دقیقه‌ای تمام شد.
- زیرساخت داده وقتی podهای Kubernetes زمان‌بندی نمی‌شدند، اسکرین‌شات داشبورد را به Claude Code داد؛ Claude منو به منو تا هشدار تمام‌شدن IP podها پیش رفت و دستور ساخت IP pool تازه را داد، بی‌آنکه متخصص شبکه لازم شود.
هر چهار مورد از همان PDF است؛ خلاصه‌اش در وبلاگ Claude هم هست.
جایی که کار نمی‌کند
- تیم RL می‌گوید Claude یک PR کوچک تا متوسط را فقط حدود یک‌سوم دفعات در تلاش اول درست درمی‌آورد. توصیه‌شان: اول یک‌باره امتحان کن، اگر نشد سراغ کار هدایت‌شده برو. (PDF)
- کارمندان نگران تحلیل‌رفتن مهارتشان‌اند. گزارش ۲۰۲۵ به پارادوکس نظارت اشاره می‌کند: نظارت بر Claude همان مهارتی را می‌خواهد که با واگذاری کار ضعیف می‌شود. بعضی هم می‌گویند حالا بیشتر با Claude کار می‌کنند تا با همکارانشان. (How AI is transforming work at Anthropic)
- گزارش ۲۰۲۶ می‌گوید بسیاری از کارکنان معتقد بودند کد نوشتهٔ Claude در اواخر ۲۰۲۵ هنوز از کد انسانی Anthropic کیفیت پایین‌تری داشت؛ اجماع کامل نیست. (When AI builds itself)
- یک تحلیل گذشته‌نگر نشان داد اگر Claude هر تغییر کد را خودکار بازبینی می‌کرد، حدود یک‌سوم باگ‌های پشت حادثه‌های گذشتهٔ claude.ai پیش از production گرفته می‌شد. بقیه نه. (همان‌جا)
در مخزن خودمان
مخزن این سایت خصوصی است، پس آنچه در ادامه می‌آید owner-reported است.
CLAUDE.md ما بخشی دارد به اسم Traps already paid for: هر خطش دامی است که یک بار در آن افتادیم و نمی‌خواهیم Claude دوباره بیفتد. مثلاً اینکه خروجی یک اجرای Nx را در اسکریپت به tail pipe نکن، چون daemon آن pipe را به ارث می‌برد و فرمان هیچ‌وقت برنمی‌گردد. این همان خط pytest تیم RL است، در پروژه‌ای دیگر. قاعدهٔ دیگرش این است که کد انیمیشن از حافظه نوشته نمی‌شود و Claude اول skill مربوط به GSAP را می‌خواند. تا امروز، از ۷۱ commit این مخزن ۶۶ تا خط هم‌نویسندگی Claude را دارند.
همین پست را هم Claude Code از روی ایده‌ای روی بُرد محتوا، از راه MCP سرور CMS خودمان، به‌صورت پیش‌نویس ساخت. منتشر کردنش با یک نفر است که آن را می‌خواند.
منابع
- When AI builds itself، Anthropic، داده‌ها تا مهٔ ۲۰۲۶
- How AI is transforming work at Anthropic، Anthropic، ۲ دسامبر ۲۰۲۵
- How Anthropic teams use Claude Code، ۲۴ ژوئیهٔ ۲۰۲۵، و متن کامل PDF
- How Anthropic enables self-service data analytics with Claude، ۳ ژوئن ۲۰۲۶
پیش‌نویس با کمک AI، بازبینی توسط پارسا امیرآبادی‌زاده