Salesforce et Claude Code : une révolution du développement IA

Salesforce adopte Claude Code pour transformer le développement logiciel

Salesforce a opéré un changement majeur dans sa manière de développer des logiciels en intégrant des agents d'IA, notamment Claude Code d'Anthropic, dans l'ensemble de ses processus. Cette transition marque un tournant significatif pour l'entreprise, qui utilise désormais des agents d'IA sans limites de tokens pour la création de ses logiciels.

Les résultats de cette intégration sont impressionnants : les développeurs de Salesforce ont réussi à produire 79 % de demandes de tirage supplémentaires tout en réduisant les erreurs. Une migration d'API, initialement prévue pour durer 231 jours, a été accomplie en seulement 13 jours.

Les développeurs deviennent orchestrateurs

Dans ce nouveau modèle, les développeurs ne se contentent plus d'écrire du code ligne par ligne. Ils orchestrent désormais des équipes d'agents d'IA spécialisés pour gérer des tâches complexes. Cette approche, appelée "changement agentique", est soutenue par Salesforce qui a déployé Claude Code à l'échelle de l'entreprise, offrant à chaque développeur des tokens illimités.

En avril 2026, Salesforce a constaté une augmentation de 50,8 % des éléments de travail terminés par développeur par rapport à l'année précédente. Le score de sortie efficace, mesurant la valeur du code expédié, a bondi de 151,3 %, bien que ces chiffres ne soient pas vérifiés indépendamment.

Production accrue et incidents réduits

Srinivas Tallapragada, responsable de l'ingénierie chez Salesforce, a souligné que malgré l'augmentation des demandes de tirage, les incidents ont diminué de 5 %. Grâce à la plateforme Engineering 360, les garde-fous de sécurité et les normes de qualité sont intégrés dans le flux de travail agentique.

Salesforce a également développé des outils comme la "AI Expert Suite" et les "Salesforce Foundation Plugins" pour standardiser et partager les meilleures pratiques entre les développeurs. Les sous-agents et équipes d'agents permettent de gérer des flux de travail parallèles, simplifiant ainsi la décomposition des tâches complexes.

Un exemple concret de migration rapide

Un exemple frappant de cette efficacité est la migration de 33 points de terminaison API vers une nouvelle architecture cloud-native. Ce projet, qui aurait normalement pris 231 jours-homme, a été réalisé en 13 jours grâce à un cadre basé sur des règles et des implémentations de référence.

Les cycles de retour d'information intégrés ont permis d'améliorer la précision, tandis que les boucles LLM autonomes ont fonctionné sans intervention humaine. Le résultat a été cinq demandes de tirage, dont une majeure couvrant 21 points de terminaison avec une couverture de test complète.

Défis et critiques

Malgré ces succès, Tallapragada reconnaît plusieurs défis non résolus, notamment la gestion du contexte lors de longues sessions agentiques et la sécurité accrue nécessaire pour les agents opérant sur des systèmes. La question de l'évolution des ingénieurs juniors dans ce nouveau cadre reste également en suspens.

Des voix critiques, comme celle de George Hotz, estiment que l'utilisation d'agents d'IA pourrait être une erreur coûteuse pour l'industrie. Hotz et d'autres soulignent que les modèles d'IA actuels ne peuvent pas remplacer la programmation humaine de manière efficace et que le code généré peut être de qualité inférieure.

Malgré ces critiques, Salesforce continue d'explorer cette voie, convaincue des bénéfices potentiels de l'IA dans le développement logiciel.

Plus de production, moins d'incidents

La question évidente, à savoir si la qualité souffre à ce rythme, est abordée par Tallapragada qui fait référence à la plateforme de surveillance de l'entreprise, Engineering 360. Malgré l'augmentation des demandes de tirage, les incidents ont diminué de 5 %. Les garde-fous de sécurité et les normes de qualité sont intégrés dans le flux de travail agentique, dit-il.

"Lorsque les outils agentiques sont appliqués correctement, la qualité ne souffre pas de la vitesse. Elle en bénéficie", écrit Tallapragada. Salesforce ne soutient pas cette affirmation par des audits externes ou des mesures indépendantes.

Les ingénieurs construisent désormais leurs propres flux de travail agentiques plutôt que d'utiliser simplement des outils standard, selon Tallapragada. Les compétences dites Claude Code, des capacités réutilisables qui codifient le contexte de l'équipe, les conventions de nommage et les modèles de flux de travail, sont devenues un nouveau type d'artefact d'ingénierie. Salesforce a également créé une bibliothèque organisée appelée "AI Expert Suite" et "Salesforce Foundation Plugins" qui sert de fondation partagée pour tous les développeurs.

Les sous-agents et les équipes d'agents, des agents d'IA spécialisés qui gèrent des flux de travail parallèles au sein d'une tâche plus large, changent la manière dont le travail complexe est décomposé. Les développeurs ne naviguent plus entre cinq systèmes. Ils décrivent le résultat souhaité, et des agents coordonnés gèrent les étapes individuelles.

Migration d'API en 13 jours au lieu de 231

En exemple concret, Tallapragada cite la migration de 33 points de terminaison API vers une nouvelle architecture cloud-native. L'approche traditionnelle aurait pris environ 231 jours-homme, estime l'entreprise. En utilisant un cadre basé sur des règles construit sur Claude avec des fichiers Markdown et des implémentations de référence, la migration a été réalisée en 13 jours ; 18 fois plus rapide.

Chaque cycle de retour d'information sur les demandes de tirage était intégré dans l'ensemble de règles, de sorte que la précision continuait à s'améliorer. Des boucles LLM autonomes de construction, de correction et de validation fonctionnaient sans intervention manuelle. Les migrations étaient parallélisées à travers des environnements isolés. Le résultat : cinq demandes de tirage, avec la plus grande demande unique livrant 21 points de terminaison avec une couverture de test complète.

"La compétence la plus importante aujourd'hui est de savoir comment structurer les problèmes pour un système agentique, quand déléguer par rapport à rester impliqué, et comment construire des modèles réutilisables sur lesquels votre équipe peut s'appuyer", écrit Tallapragada.

Sécurité, talents juniors et structure d'équipe restent des problèmes non résolus

Tallapragada est franc sur une série de problèmes non résolus, les qualifiant de "vraiment difficiles". La gestion du contexte lors de longues sessions agentiques est une compétence que les ingénieurs doivent encore apprendre. La qualité des fichiers CLAUDE.md—configurations de contexte persistantes qui alignent Claude avec une base de code—varie considérablement entre les équipes et a un grand impact sur la qualité de sortie. La sécurité nécessite également une réflexion nouvelle. Lorsque les agents agissent sur des systèmes plutôt que de faire simplement des suggestions, le rayon d'action d'un outil mal configuré devient beaucoup plus large.

Il y a aussi la question du pipeline de talents. "Lorsque les agents gèrent davantage la couche d'exécution, comment les ingénieurs juniors évoluent-ils vers des ingénieurs seniors si l'IA absorbe une grande partie du travail de niveau d'entrée ? Quel est le rôle d'un designer ou d'un chef de produit dans ce nouveau monde ?" écrit Tallapragada. Salesforce expérimente avec des unités d'une ou trois personnes au lieu des équipes Scrum traditionnelles. Ils n'ont pas encore de réponses claires.

Bond de productivité ou dette technique en pilote automatique ?

Une opinion très différente a été exprimée il y a quelques jours par le programmeur et hacker bien connu George Hotz. Utiliser des agents d'IA dans le développement logiciel sera l'une des erreurs les plus coûteuses de l'industrie, soutient-il.

Les LLM sont des "modèles statistiques sophistiqués" qui "imitent la distribution de la programmation" mais ne peuvent jamais véritablement programmer, dit Hotz. Les grandes organisations sont particulièrement à risque car les développeurs moins expérimentés ne peuvent pas repérer les sorties défectueuses.

Même Andrej Karpathy, qui se compte désormais parmi les partisans du codage agentique, a signalé des problèmes de qualité. Le code généré par les agents "n'est pas nécessairement un code super incroyable tout le temps", a-t-il déclaré, le qualifiant de "gonflé, avec beaucoup de copier-coller, des abstractions maladroites qui sont fragiles, et ça fonctionne, mais c'est juste vraiment moche". Contrairement à Hotz, cependant, Karpathy reste convaincu par la nouvelle approche et a récemment rejoint Anthropic.

Un débat plus large sur les coûts croissants de l'IA par rapport à ses bénéfices s'intensifie également, aux côtés de questions sur ce que les modèles livrent réellement dans le travail quotidien.