Statistiques de Claude Code.

Claude Code est une étude de cas utile sur la rapidité avec laquelle les outils de codage IA passent de l’assistance de type autocomplétion à des flux de travail agentiques : commandes de terminal, modifications de fichiers, navigation dans les dépôts, commentaires de pull-request et séquences d’exécution plus longues. Mais les “statistiques de Claude Code” peuvent signifier plusieurs choses différentes.

Certains chiffres décrivent l’adoption dans les enquêtes auprès des développeurs. D’autres décrivent le comportement d’utilisation au sein des sessions Claude Code. D’autres encore mesurent la capacité technique sur des benchmarks tels que SWE-bench Verified ou Terminal-Bench. D’autres enfin ne sont que des signaux d’écosystème — étoiles GitHub, activité npm ou recherche sur les dépôts publics. Cet article sépare ces catégories, en privilégiant les documents officiels d’Anthropic, la documentation produit, les enquêtes auprès des développeurs, les sources primaires GitHub/npm, les articles universitaires et les organisations de benchmark indépendantes. Il ne considère pas les affirmations non sourcées concernant les utilisateurs actifs mensuels, les revenus, les clients d’entreprise ou le retour sur investissement universel comme des statistiques fiables.

Statistiques principales

Les chiffres les plus détaillés proviennent des propres recherches d’Anthropic sur les sessions Claude Code. Chacun est une télémétrie directe ou une analyse structurée — mais produite par le fournisseur, et mesurée selon une conception d’étude spécifique.

Ce qu’est Claude Code — et ce que mesurent ses statistiques

Claude Code est un outil de codage agentique utilisable depuis le terminal, l’IDE, l’application de bureau et le navigateur, avec un accès via les abonnements Claude ou les comptes Anthropic Console (Documentation Claude Code). Cette définition est importante car les statistiques de Claude Code ne sont pas interchangeables avec les statistiques du modèle Claude.

La documentation de démarrage d’Anthropic liste des exigences d’installation précises — Node.js 18+, 4 Go+ de RAM, et des systèmes pris en charge incluant macOS 10.15+, Ubuntu 20.04+, Debian 10+, et Windows 10+ via WSL (Documentation Anthropic). Une conséquence pratique est que l’« unité » d’analyse varie : une session peut inclure de nombreux appels d’outils et tours ; une invocation GitHub Action est limitée par --max-turns (par défaut 10) ; une exécution de benchmark donne à un agent un échafaudage spécifique ; et une réponse à une enquête représente une utilisation auto-déclarée, non une télémétrie observée.

Adoption dans les enquêtes auprès des développeurs

Le pourcentage d’adoption explicite le plus fort provient de l’enquête auprès des développeurs 2025 de Stack Overflow — plus de 49 000 répondants de 177 pays, avec une question sur les IDE/outils compatibles avec l’IA qui nomme explicitement Cursor, Claude Code et Windsurf (Stack Overflow).

Ces 10 % ne doivent pas être confondus avec la constatation distincte selon laquelle les modèles Claude Sonnet ont été utilisés par 45 % des développeurs professionnels dans la question sur l’utilisation des LLM — « utilisation du modèle Claude » et « Claude Code en tant qu’environnement de développement compatible avec l’IA » sont des concepts différents (Stack Overflow). JetBrains ajoute un contexte fort : son enquête 2025 sur l’état de l’écosystème des développeurs (24 534 développeurs après nettoyage, menée d’avril à juin 2025) a révélé que 85 % des développeurs utilisent des outils d’IA et 62 % utilisent régulièrement au moins un assistant de codage (JetBrains). L’Octoverse 2025 de GitHub est encore différent — activité observée sur plus de 180 millions de développeurs et 630 millions de dépôts, mais il ne publie pas les pourcentages de part de marché de Claude Code (Blog GitHub).

Modèles d’utilisation : sessions, tours, autonomie et répartition des tâches

Les statistiques d’utilisation les plus détaillées proviennent de l’étude d’Anthropic “Codage agentique et retours persistants à l’expertise” — environ 400 000 sessions de 235 000 personnes entre octobre 2025 et avril 2026 (Anthropic). Le chiffre le plus frappant est le temps d’exécution actif moyen : 20 heures par semaine et par utilisateur, mesuré comme temps d’exécution actif plutôt que temps de saisie.

L’étude d’Anthropic indique que les humains déterminent principalement ce qui doit être fait, tandis que Claude détermine principalement comment cela est exécuté (Anthropic). La répartition des tâches a également changé : la part du débogage a diminué de près de moitié au cours de la période d’étude, tandis que le déploiement, l’analyse de données et la génération de documents non codés ont augmenté, et la valeur médiane des tâches tentées a augmenté d’environ 25 % (Anthropic). La série Economic Index ajoute que le succès de Claude diminue à mesure que la longueur des tâches augmente, tandis que l’interaction multi-tours compense partiellement la complexité (Anthropic).

Expertise, taux de réussite et les « retours persistants à l’expertise »

L’une des découvertes les plus importantes est que de meilleurs outils d’IA n’effacent pas l’expertise humaine.

Les métriques de succès dépendent du système humain-IA, et non du modèle seul : les experts sont meilleurs pour spécifier les tâches, repérer les changements incorrects, réduire la portée et décider quand intervenir. La constatation d’abandon va dans le même sens — Anthropic rapporte que les novices abandonnent les sessions échouées plusieurs fois plus fréquemment (Anthropic). Ces taux sont mesurés selon une conception d’étude et une définition de succès spécifiques ; ils doivent être interprétés comme une preuve que l’expertise reste complémentaire au codage agentique plutôt que comme des taux de succès universels pour chaque dépôt.

Utilisation interne d’Anthropic et tendances d’autonomie

Anthropic publie plusieurs statistiques concernant son utilisation interne. Sa page produit Claude Code indique que, chez Anthropic, « la majorité du code est désormais écrite par Claude Code » (Anthropic) — une affirmation forte concernant le propre flux de travail d’Anthropic, et non une revendication concernant toutes les entreprises.

Ces chiffres suggèrent des périodes d’autonomie plus longues et moins d’interruptions, mais les humains n’ont pas disparu : pour les tâches de complexité minimale, 87 % des appels d’outils impliquaient des humains, contre 67 % pour les tâches de complexité élevée (Anthropic). Anthropic a également signalé que le succès sur les tâches les plus difficiles des employés a doublé pendant la période d’observation — il est préférable de le présenter comme un changement relatif, car le dossier ne donne pas les pourcentages absolus de début et de fin. Les données internes d’Anthropic sont précieuses car elles proviennent d’un travail réel, mais Anthropic est à la fois le fabricant du produit et une organisation exceptionnellement native de l’IA, de sorte que ces chiffres montrent ce qui est possible dans l’environnement d’Anthropic, et non l’adoption au niveau de la population.

Statistiques sur les produits, le déploiement, la sécurité et les prix

La documentation de Claude Code fournit des détails opérationnels concrets, même si elle ne divulgue aucun nombre public d’utilisateurs, de totaux d’installations ou de revenus.

La documentation de sécurité décrit Claude Code comme étant en lecture seule par défaut, nécessitant une autorisation explicite avant de modifier des fichiers ou d’exécuter des commandes, avec des identifiants chiffrés, une rétention limitée et une référence SOC 2 Type II / ISO 27001 via le Trust Center d’Anthropic (Anthropic Docs). La documentation sur l’utilisation des données indique que, par défaut, Anthropic n’entraîne pas de modèles génératifs sur le code ou les invites envoyés via Claude Code (Anthropic Docs) — pour les organisations, souvent plus pertinente que n’importe quel score de benchmark.

Signaux publics de l’écosystème : GitHub, npm et détection open-source

Les données publiques de l’écosystème peuvent suivre la visibilité et l’engagement des développeurs, mais elles ne doivent pas être confondues avec la mesure des utilisateurs actifs. Le dépôt canonique est anthropics/claude-code, exposant les étoiles, les forks, les observateurs, les problèmes et les versions (GitHub).

La sémantique de l’API de GitHub est importante : dans les métadonnées du dépôt, watchers_count reflète stargazers_count, tandis que les observateurs de notifications réels sont subscribers_count (Documentation GitHub). Les étoiles sont mieux traitées comme de l’attention, les forks comme de l’expérimentation — aucun ne prouve une utilisation en production. Le package npm canonique est @anthropic-ai/claude-code, où les nombres de téléchargements représenteraient des récupérations de packages, et non des installations confirmées (npm). Des travaux universitaires commencent à étudier les agents dans les dépôts publics — l’ensemble de données AIDev couvre 932 791 pull requests rédigées par des agents à travers cinq agents de codage, y compris Claude Code (arXiv) — mais les dépôts privés, les flux de travail locaux uniquement et les déploiements d’entreprise sont manquants, de sorte que la détection publique est une lentille de borne inférieure, et non un décompte exhaustif.

Benchmarks et contexte de capacité

Les statistiques de Claude Code sont souvent mélangées aux statistiques de benchmark du modèle Claude. Cela n’est utile que si la distinction est explicite : les benchmarks évaluent les modèles Claude avec des outils, des invites et des environnements d’exécution particuliers.

Sur Terminal-Bench, Anthropic a rapporté Claude Opus 4 à 43,2 % et Claude Sonnet 4 à 35,5 % dans une configuration d’agent externe comparable — et a séparément rapporté des scores plus élevés en utilisant Claude Code plutôt que le cadre externe identique, illustrant que le logiciel agentique environnant affecte les performances mesurées (Anthropic). La conclusion la plus sûre : les benchmarks mesurent une capacité technique contrainte, et non l’adoption, la productivité, les revenus ou la part de marché. Un score élevé à SWE-bench ne nous dit pas combien de développeurs utilisent Claude Code chaque jour.

Affirmations non étayées ou souvent mal interprétées concernant Claude Code

Plusieurs statistiques attrayantes ne sont pas étayées par le dossier et ne doivent pas être traitées comme des faits.

Note sur la qualité des sources

Les preuves les plus solides spécifiques à Claude Code proviennent des recherches officielles d’Anthropic sur les sessions, l’autonomie, les modèles de travail internes, l’indice économique et les interactions de développement logiciel — télémétrie directe ou analyse structurée, mais produite par le fournisseur (Anthropic).

Questions fréquemment posées

Sources et lectures complémentaires