Ce n'est pas une formule marketing. C'est une vraie fonctionnalité.
Lors de Code with Claude SF, le 6 mai, Anthropic a annoncé une nouvelle capacité pour Claude Managed Agents, baptisée Dreaming. Une fois son travail terminé, un agent peut utiliser ses périodes d'inactivité pour relire d'anciennes conversations, extraire des schémas qu'il n'avait pas vus sur le moment et les transformer en mémoire à long terme. La prochaine fois qu'une tâche similaire arrive, son comportement peut changer.
En clair, beaucoup d'agents IA terminaient une tâche puis repartaient presque de zéro à la suivante. Avec Dreaming, l'intervalle entre deux missions n'est plus perdu. L'agent réfléchit, synthétise et met à jour sa propre base de mémoire.
Anthropic utilise elle-même une analogie proche de l'humain qui repense à sa journée après le travail.
Ce que fait réellement Dreaming
Techniquement, Dreaming est un processus planifié, pas une activité menée par l'agent pendant qu'il travaille. Il se déclenche quand l'agent est inactif, parcourt les conversations passées et la mémoire existante, puis cherche trois types de signaux.
- Des erreurs répétées, par exemple un agent qui échoue cinq fois en une semaine sur la même catégorie de requêtes SQL. Dans une session isolée, il peut ne pas s'en rendre compte; en comparant plusieurs sessions, le motif devient évident.
- Des flux de travail qui convergent, c'est-à-dire des chemins qui ont conduit plusieurs fois au succès pour des tâches similaires.
- Des préférences d'équipe, comme des conventions de nommage, un style de code ou des formats de rapport partagés par plusieurs agents.
Après extraction, le système de mémoire n'est pas simplement empilé. Il est restructuré. Anthropic résume l'idée dans son blog: "Memory lets each agent capture what it learns as it works. Dreaming refines that memory between sessions."
L'agent apprend pendant le travail, puis consolide après coup. Cette séparation en deux couches distingue Dreaming d'un RAG classique ou d'une simple fenêtre de contexte plus large.
Les développeurs peuvent contrôler les mises à jour de Dreaming de deux manières. Ils peuvent laisser le système écrire automatiquement de nouvelles mémoires, ou exiger une revue humaine avant que chaque nouvelle découverte prenne effet. La première option convient aux agents non supervisés; la seconde aux flux d'entreprise qui doivent rester auditables.
Dreaming est actuellement en research preview.
Outcomes confie aussi les critères d'acceptation à l'IA
Anthropic a présenté en même temps Outcomes, une fonction qui répond à un autre problème: aider l'agent à déterminer si son travail est suffisamment bon.
Le principe est simple. Le développeur écrit une rubric, autrement dit des critères de réussite. Le système lance ensuite un agent évaluateur séparé, dans son propre contexte. Si le résultat ne respecte pas le standard, cet évaluateur indique les problèmes précis et l'agent initial recommence.
Le point clé est que l'évaluateur dispose d'un contexte séparé. Ce n'est pas de l'auto-évaluation, qui tend presque toujours à valider le résultat. Un contexte propre permet de chercher les défauts sans que l'agent ne réinterprète les critères à son avantage.
Selon Anthropic, ses tests internes montrent qu'Outcomes augmente le taux de réussite des tâches jusqu'à 10 points de pourcentage par rapport à un prompt loop standard, avec des gains plus marqués sur les tâches difficiles. Dans la génération de fichiers, la qualité des docx a progressé de 8,4% et celle des pptx de 10,1%.
Dix points dans un benchmark, ce n'est pas marginal. C'est proche de ce que des équipes espèrent parfois obtenir en changeant de génération de modèle. Ici, le gain vient d'un mécanisme de collaboration, pas d'un nouveau modèle.
Outcomes est disponible en public beta.
L'orchestration multi-agent fait passer les agents au travail d'équipe
La troisième nouveauté est Multi-agent Orchestration. Elle est moins radicale conceptuellement que Dreaming, mais sa valeur opérationnelle est directe.
Elle permet à un lead agent de distribuer du travail à plusieurs specialist agents. Chaque specialist peut utiliser un modèle, un prompt et un ensemble d'outils différents. Toute la progression reste traçable dans Claude Console.
L'exemple donné par Anthropic est une enquête d'incident. Un lead agent envoie quatre sous-agents examiner l'historique de deployment, les error logs, les metrics et les support tickets. Une fois les quatre pistes terminées, le lead agent assemble les résultats et produit une conclusion.
Cette architecture reprend l'esprit du système de Code Review interne d'Anthropic: plusieurs reviewers travaillent en parallèle, puis un verifier séparé contrôle le résultat. L'entreprise en fait maintenant un produit pour ses clients.
Pourquoi l'ensemble dépasse une simple annonce de fonctions
Pris ensemble, les trois éléments forment une boucle nette. Dreaming permet aux agents de s'améliorer d'une tâche à l'autre, Outcomes leur permet d'évaluer le résultat, et Multi-agent Orchestration leur permet de coordonner des pairs.
C'est une boucle d'autoapprentissage: travailler, être évalué, revoir, mettre à jour la mémoire, puis retravailler. L'intervention humaine n'est pas nécessaire à chaque étape.
C'est pourquoi Code with Claude SF reste important même sans nouveau modèle. L'ambition d'Anthropic dépasse ici une mise à jour incrémentale de type Opus 4.8.
Les gains de benchmark des modèles deviennent plus difficiles et plus coûteux. Obtenir 5% à 10% de mieux à chaque génération demande de plus en plus d'effort. Mais la capacité de travail des agents ne dépend pas seulement du modèle. Elle peut aussi progresser grâce à des mécanismes de coordination et à l'expérience accumulée. Si un apprentissage dans les temps morts comme Dreaming fonctionne en production, Anthropic tient une voie d'accélération qui ne repose pas uniquement sur les scaling laws.
Le risque est réel. Un agent capable d'écrire sa propre mémoire peut aussi figer de mauvaises conclusions. Anthropic propose une option de revue humaine, mais il faudra des mois d'exploitation pour savoir si les entreprises accepteront des mises à jour de mémoire totalement automatiques.
Dreaming deviendra-t-il un standard de la prochaine génération d'agents? Probablement. Memory d'OpenAI et Personal Context de Google avancent déjà vers la mémoire personnalisée, mais Anthropic déplace l'idée des préférences utilisateur vers la capacité de travail de l'agent. Si cette abstraction tient, les concurrents devront répondre.
Code with Claude SF a aussi livré d'autres chiffres: les 23.000 ingénieurs de Mercado Libre ont un KPI de 90% d'autonomie du code avant le troisième trimestre 2026; la limite de cinq heures de Claude Code a doublé; le volume d'appels API a été multiplié par 17 sur un an.
Mais le signal le plus important n'est pas dans ces chiffres. Il est dans le fait que les agents commencent à apprendre à devenir meilleurs par eux-mêmes.
Sources: Anthropic is letting Claude agents 'dream' so they don't sleep on the job (SiliconANGLE); New in Claude Managed Agents: dreaming, outcomes, and multiagent orchestration (SD Times); CocoLoop; Live blog: Code w/ Claude 2026 (Simon Willison)