Anthropic dobra revisão do Claude Code e reduz erros em 50%
Anthropic detalha novo fluxo de revisão do Claude Code que combina várias camadas de verificação automática, agentes de IA independentes e aprovações humanas por risco, reduzindo retrabalho e reversões.

Inteligência Artificial
Novo processo de revisão do Claude Code integra múltiplas verificações e aprovações para aumentar a precisão.
Leia também: Era dos semicondutores muda economia e tecnologia até 2030
A Anthropic detalhou, nesta semana, um novo processo de revisão de código no repositório do Claude Code que dobra a capacidade de mesclar mudanças e corta pela metade o retrabalho, ao combinar agentes de IA, verificações automatizadas em camadas e revisões humanas ajustadas ao risco de cada alteração.
Revisão começa antes do pull request
No fluxo atual, o trabalho de checagem do código começa antes mesmo de o desenvolvedor abrir um pull request. O próprio Claude executa testes automatizados, builds e linters, e um agente separado revisa as mudanças em um contexto limpo, sem influência de histórico recente.
Depois de criado o pull request, entram em ação diversas verificações automáticas. Revisores alimentados por Claude inspecionam o código em busca de bugs e problemas lógicos. Mais de um agente pode investigar de forma independente as suspeitas levantadas, e outro grupo verifica essas descobertas antes de qualquer aprovação.
Há ainda uma trilha específica para segurança, capaz de bloquear o merge quando encontra vulnerabilidades ou riscos não resolvidos.
Entenda o contexto
Entre junho e setembro recentes, o volume de pull requests mesclados no Claude Code mais que dobrou, enquanto a proporção de mudanças que precisaram ser revertidas caiu mais de 40%. A equipe passou a redesenhar o processo de revisão para lidar com o crescimento do código gerado por IA sem perder controle de qualidade.
Segundo Addy Osmani, Morgan Westlee Lunt e Qing Wang, integrantes da equipe do Claude Code, “o processo de revisão evoluiu para integrar múltiplas camadas de verificação automatizada e revisões assistidas por IA, reduzindo o tempo de revisão manual sem aumentar regressões ou incidentes”.
Como funciona a aprovação por risco
A participação humana deixa de ser igual para todo mundo e passa a depender do risco da mudança. Atualizações de baixo risco, como ajustes de documentação ou funcionalidades internas protegidas por feature flags, podem ser aprovadas só pelas checagens automáticas, sem revisão humana obrigatória.
Mudanças classificadas como risco médio precisam da aprovação de ao menos uma pessoa. Já alterações de alto risco exigem duas aprovações humanas, além das verificações por IA. Áreas especialmente sensíveis, como workflows de integração contínua (CI) e infraestrutura crítica, mantêm supervisão humana obrigatória, independentemente da classificação inicial.
A lógica é deslocar o foco da quantidade de código lido manualmente para o impacto potencial da alteração. Com isso, quem revisa consegue gastar menos tempo em tarefas repetitivas e mais em decisões de arquitetura, direção do produto e pontos de falha que realmente importam.
Limites para ciclos de revisão
Para evitar que a automação se transforme em uma enxurrada de comentários e correções intermináveis, a equipe colocou um freio nos ciclos de revisão. O processo limita a três rodadas de feedback automatizado antes de pedir que o autor reavalie a implementação de forma mais profunda.
Nas rodadas seguintes, os agentes de IA e revisores humanos se concentram apenas nas mudanças novas, em vez de reexaminar o pull request inteiro a cada ciclo. Isso reduz fadiga, acelera o fluxo e ajuda a manter as discussões focadas.
Os resultados aparecem nos números: a taxa de pull requests aprovados após uma única rodada de revisão subiu de 65% para 78%, enquanto a fatia de mudanças que precisavam de cinco ou mais rodadas caiu de 8,9% para 1,5%.
O que muda para desenvolvedores e revisores
Na prática, o novo modelo reposiciona o papel de quem tradicionalmente fazia revisão linha a linha. Em vez de vasculhar cada trecho de código em busca de erro trivial, revisores humanos passam a atuar como supervisores de risco e guardiões de arquitetura, responsáveis pelas decisões estratégicas e pelos trechos mais delicados do sistema.
A Anthropic deixa claro, porém, que automação não significa diluição de responsabilidade. “A pessoa que dirige um agente de IA continua sendo responsável pelo código que ele produz”, afirma a equipe. Em outras palavras, usar Claude ou outros agentes para implementar mudanças não transfere culpa em caso de bug ou incidente.
Para os desenvolvedores, o efeito direto é um ciclo de revisão mais rápido, com menos idas e vindas e menor chance de revertê-las depois de ir para produção. A redução de burocracia, especialmente em mudanças de baixo risco, libera tempo para avanço em novas funcionalidades.
Feature flags e aprendizado contínuo
As mudanças aprovadas raramente vão direto a todos os usuários. Em geral, são lançadas atrás de feature flags, testadas internamente e liberadas de forma gradual. Se algo dá errado, as reversões alimentam um conjunto de dados próprio, usado para medir o desempenho dos revisores automatizados e treinar melhorias futuras.
Esse ciclo de feedback fecha a lógica do modelo: o mesmo sistema que ajuda a evitar incidentes também aprende com as falhas que escapam, refinando aos poucos a capacidade dos agentes de identificar riscos reais.
Ao tornar público o processo do Claude Code, a Anthropic se coloca como referência para equipes que já convivem com grande volume de código gerado por IA e buscam manter eficiência sem abrir mão de qualidade, segurança e responsabilidade humana sobre o software em produção.

