Claude Code verlagert Reviews vor den Pull Request und Menschen zu den Risiken

Das Claude-Code-Team beschreibt einen Workflow, in dem Agents die meisten Routinefehler finden, bevor ein Mensch die Änderung sieht. Von Juni bis September hat sich die Zahl gemergter Pull Requests mehr als verdoppelt, während der Anteil zurückgesetzter Änderungen um mehr als 40 % sank.

Das Review beginnt vor dem Pull Request

Vor dem Öffnen eines Pull Requests führt Claude Tests, Build und Linter aus. Ein zweiter Agent prüft den Diff mit frischem Kontext. Danach folgen verpflichtende CI, parallele Fehlersuche, ein separater Sicherheitscheck und eine Merge Queue.

Nach Angaben des Teams schreibt Claude rund 90 % des Claude-Code-Codes. Im Anthropic-Monorepo stieg die Zahl täglicher Änderungen von etwa 2.500 im Mai auf mehr als 30.000 im September. Jede Zeile manuell zu lesen, taugt bei diesem Volumen nicht mehr als Kontrollmechanismus.

Menschliche Aufmerksamkeit folgt dem möglichen Schaden

Ein Klassifikator teilt Änderungen in drei Stufen ein. Dokumentation und Texte können nach grünen automatischen Prüfungen ohne weitere Person passieren, normale Produktänderungen brauchen eine und besonders riskanter Code zwei. Sensible Bereiche wie Billing und CI verlangen immer eine menschliche Freigabe.

Damit ändert sich die Aufgabe erfahrener Entwickler. Statt Routinefehler zu suchen, entscheiden Menschen über Architektur, Umfang und Risiko. Für Teams mit Coding Agents ist das wichtiger als die Modellwahl: Review wird zum Verteilsystem für knappe menschliche Aufmerksamkeit.

Anthropics eigene Kennzahlen sind noch kein allgemeines Rezept

Die Zahlen stammen von dem Team, das Werkzeug und Prozess entwickelt. Das ist kein unabhängiges Experiment. Der Workflow stützt sich auf hohe Testabdeckung, Feature Flags, schrittweisen Release und schnellen Rollback. Ohne diese Sicherungen würden weniger menschliche Augen Fehler nur schneller in die Produktion bringen.

Automatisches Review kann außerdem seine eigene Arbeit erzeugen. Ein Pull Request durchlief mehr als 50 Runden. Nach einer Obergrenze und erneuter Prüfung nur des neuen Diffs sank der Anteil mit mindestens fünf Runden von 8,9 % auf 1,5 %.

Reverts, Incidents und menschliche Wartezeit liefern das Urteil

Entscheidend ist nicht die Zahl der Agent-Kommentare, sondern die Entwicklung von Reverts und Incidents zusammen mit der Wartezeit auf einen Menschen. Anthropic misst Median und 95. Perzentil menschlicher Freigaben und macht aus früheren Incidents einen täglichen Eval.

Teams sollten mit einem Repository beginnen, Risikostufen definieren und sensible Bereiche unter menschlicher Kontrolle halten. Erst stabile Produktionsdaten zeigen, ob Automatisierung Aufmerksamkeit spart oder die Rechnung nur an den Bereitschaftsdienst weiterreicht.

Liliths Urteil

Wenn ein Agent 90 % des Codes schreibt, kann kein Mensch über jeder Zeile stehen. Er muss an der Weiche sitzen und erkennen, welche Änderung auf den Abgrund zufährt.