Anthropic revela cómo revisa el código que Claude escribe en un 90%

Anthropic ha mostrado cómo es el code review cuando el código lo escribe casi por completo un modelo. Claude genera alrededor del 90% del código de Claude Code, y la atención humana se ha convertido en el recurso más escaso. El equipo formuló su objetivo así: el mínimo tiempo humano de revisión con el mismo nivel de reversiones e incidentes. Entre junio y septiembre, los merges aumentaron más del doble y la proporción de reversiones cayó más de un 40%.

Las métricas están elegidas con astucia de ingeniería. Se optimiza el número de aprobaciones por PR, el número de comentarios y el tiempo de espera de la persona. Las reversiones y los incidentes actúan como límite: si crecen, la ganancia de velocidad no se da por buena.

Un pipeline de siete capas en el que el humano entra tarde

El sistema se compone de filtros sucesivos. Cada uno quita una parte de la carga al revisor humano:

• Antes del PR. Claude ejecuta por su cuenta los tests, el build y el linter. Después, un subagente con contexto limpio revisa el diff. Hay skills internas: búsqueda de bugs, simplificación del diff y verificación e2e.
• Revisión con IA en cada PR. Varios agentes buscan bugs en paralelo, un grupo aparte vota cada hallazgo y se descartan las observaciones puramente de estilo. Los hallazgos se etiquetan como Important, Nit y Pre-existing, para que un bug antiguo no se le cargue al autor. Cada hallazgo exige respuesta. Tras el lanzamiento de la preview, la proporción de PR con comentarios sustanciales subió del 16% al 54%.
• Revisión de seguridad. Bloquea el merge.
• CI habitual. Lint, comprobación de tipos y tests en todas las plataformas.
• Aprobación según el riesgo. Un clasificador determina cuántas personas hacen falta. La documentación, los textos y las funciones tras un flag requieren cero personas; los cambios habituales, una; los más críticos, dos. La facturación, el actualizador automático y los workflows de CI siempre requieren a una persona.
• Despliegue. Merge queue y flags. Primero ven el cambio los usuarios internos, luego el canal latest y después stable.
• Reversión rápida.

La lógica es la siguiente: las comprobaciones automáticas, baratas, descartan lo evidente, y el costoso tiempo humano se gasta donde el precio de un error es alto.

Cuando el agente autor y el agente revisor se persiguen toda la noche

La historia más reveladora del análisis tiene que ver con los bucles infinitos. El agente autor y el agente revisor pueden intercambiarse correcciones sin fin. Un PR pasó más de 50 rondas en una noche, hasta que el autor detuvo el proceso. El análisis mostró que alrededor del 59% de las observaciones se referían a código antiguo. En cada ronda, el revisor encontraba un par más de bugs heredados, no errores nuevos en el cambio.

En términos de tokens, es una pérdida pura: cada ronda se paga con el contexto del diff, la ejecución de varios agentes y la votación. El equipo fijó un límite de tres rondas, y la revisión repetida ahora examina solo el diff nuevo. La etiqueta Pre-existing resuelve la otra mitad del problema: la deuda antigua es visible, pero no bloquea el PR de otro.

Aparte hay un mecanismo para controlar la calidad del propio revisor. Cada incidente pasado se convierte en un eval, y el revisor se ejecuta a diario contra esos casos. Cualquier cambio de prompt o de modelo que empeore la puntuación se revierte. El agente revisor se prueba como cualquier componente de producción.

Cuatro reglas que se pueden trasladar a cualquier equipo

El análisis incluye un conjunto de principios que no dependen de la infraestructura de Anthropic:

• El nivel de riesgo lo determina el cambio, no el autor.
• La vía ligera está disponible solo para autores de confianza.
• La aprobación de un agente nunca cuenta como aprobación humana.
• Quien encarga una tarea a un agente responde por el código como si lo hubiera escrito él mismo.

Para los equipos en los que los agentes ya escriben una parte notable del código, de aquí se desprende un plan concreto. Conviene empezar clasificando por riesgo las rutas del repositorio: qué se puede mergear sin intervención humana y qué requiere siempre revisión, como la facturación y el CI en Anthropic. Después hay que montar una revisión multiagente con votación y etiquetado de hallazgos, limitar el número de rondas y construir evals propios a partir de incidentes reales. Para quienes no quieran montarlo todo por su cuenta, Code Review para Claude Code ya está en GA en los planes Team y Enterprise. El artículo original se publicó en claude.dev.