Claude Code adelanta la revisión al pull request y reserva a las personas para el riesgo

El equipo de Claude Code ha descrito un workflow en el que los agentes detectan la mayoría de los errores rutinarios antes de que una persona vea el cambio. Entre junio y septiembre, los pull requests integrados aumentaron a más del doble y la proporción de cambios revertidos cayó más de un 40 %.

La revisión empieza antes de que exista el pull request

Antes de abrirlo, Claude ejecuta las pruebas, el build y el linter. Un segundo agente revisa el diff con contexto nuevo. En el propio pull request se añaden CI obligatorio, búsqueda paralela de fallos, una revisión de seguridad separada y una merge queue.

El equipo afirma que Claude escribe cerca del 90 % del código de Claude Code. En el monorepo de Anthropic, los cambios diarios pasaron de unos 2.500 en mayo a más de 30.000 en septiembre. Leer cada línea a mano dejó de ser un mecanismo de control creíble.

La atención humana se asigna según el impacto del cambio

Un clasificador aplica tres niveles. La documentación o los textos pueden avanzar sin otra persona si superan los controles automáticos, los cambios normales de producto requieren una y el código de mayor riesgo exige dos. Las rutas sensibles, como billing y CI, siempre necesitan aprobación humana.

Así cambia el trabajo del ingeniero sénior. En lugar de perseguir defectos rutinarios, decide sobre arquitectura, alcance y riesgo. Para un equipo que despliega coding agents, importa más que elegir modelo: la revisión se convierte en un sistema para dirigir una atención humana escasa.

Las métricas internas de Anthropic aún no son una receta universal

Las cifras proceden del equipo que construye tanto la herramienta como el proceso. No es un experimento independiente y el workflow depende de una alta cobertura de pruebas, feature flags, release gradual y rollback rápido. Sin esos apoyos, reducir la mirada humana solo aceleraría la llegada de errores a producción.

La revisión automática también puede fabricarse trabajo. Un pull request superó las 50 rondas. Tras limitar las rondas y revisar solo el diff nuevo, la proporción que necesitaba cinco o más bajó del 8,9 % al 1,5 %.

Los reverts, los incidentes y la espera humana darán la respuesta

La señal útil no será el número de comentarios del agente, sino la evolución de reverts e incidentes junto al tiempo que un pull request espera a una persona. Anthropic mide la mediana y el percentil 95 de las aprobaciones humanas y convierte incidentes anteriores en un eval diario.

Los equipos deberían empezar por un repositorio, definir niveles de riesgo y mantener las áreas sensibles bajo control humano. Solo los datos estables de producción mostrarán si la automatización ahorró atención o trasladó la factura al ingeniero de guardia.

El veredicto de Lilith

Cuando un agente escribe el 90 % del código, una persona no puede vigilar cada línea. Tiene que controlar el desvío y detectar qué cambio se dirige al precipicio.