Les emplois des développeurs évoluent à mesure que l’IA progresse

L’IA redéfinit les compétences et les rôles dans le développement logiciel

L’IA transformera les métiers du logiciel même si elle ne les supprime pas. Cette distinction est importante. Une entreprise pourrait compter à peu près le même nombre de collaborateurs technologiques dans deux ans, tout en exigeant d’eux un travail sensiblement différent.

Les développeurs logiciels doivent de plus en plus travailler avec du code généré par l’IA, en évaluer la qualité, identifier les erreurs et décider où l’automatisation a du sens pour l’entreprise. La capacité à coder reste importante, mais elle s’inscrit désormais dans un ensemble de compétences plus large. Les développeurs qui créent le plus de valeur seront de plus en plus ceux qui savent combiner jugement d’ingénierie et capacités de l’IA.

Cela change l’équation des talents pour les dirigeants. Des plans de recrutement fondés sur les fiches de poste d’hier peuvent vite devenir obsolètes. Les entreprises doivent identifier quelles capacités vont gagner en importance, quelles tâches l’IA peut absorber et où l’expertise humaine reste essentielle. Le recrutement, la formation, le développement de carrière et les indicateurs de performance devront peut-être évoluer de concert.

La nuance pour les dirigeants de la direction générale est que les effectifs, à eux seuls, deviennent un indicateur faible de l’impact de l’IA sur la main-d’œuvre. La question la plus utile est de savoir quel travail les employés accomplissent et quelle valeur ils peuvent produire avec l’IA. Les dirigeants devraient suivre l’évolution des compétences, de la productivité, de la qualité et de la conception des rôles, plutôt que de supposer que l’adoption de l’IA doit se traduire directement par des suppressions de postes.

L’opportunité est importante. Les entreprises qui requalifient des employés compétents peuvent préserver les connaissances institutionnelles tout en développant les compétences nécessaires à un développement appuyé par l’IA. Mais cela exige un investissement délibéré. La transformation par l’IA modifie la manière dont le travail technique est organisé, mesuré et piloté.

Les outils de codage automatisé évoluent vers une plus grande autonomie

Les outils de codage par IA ont progressé rapidement. Les premiers produits suggéraient surtout des lignes individuelles ou de petits blocs de code. Des systèmes plus avancés peuvent désormais générer de plus grandes quantités de logiciel et prendre en charge des tâches d’ingénierie de plus en plus complexes avec moins d’intervention humaine.

Cette évolution modifie l’économie de la production logicielle. Les développeurs peuvent déléguer davantage de travail d’implémentation à l’IA et consacrer plus de temps à définir les exigences, relire les résultats, tester les systèmes, résoudre des problèmes difficiles et prendre des décisions d’architecture. Il en résulte un processus de développement différent, dans lequel les personnes supervisent et orientent de plus en plus des systèmes automatisés.

Les entreprises ajustent déjà leur approche des talents. Les employeurs augmentent leur demande de programmeurs disposant de compétences en IA. Cela suggère que les organisations voient actuellement de la valeur dans la combinaison de développeurs expérimentés et de l’IA, plutôt que de considérer l’automatisation comme un simple remplacement des équipes d’ingénierie.

Les dirigeants doivent aussi distinguer capacité technique et préparation à la production. Un système d’IA capable de générer du code complexe a toujours besoin de contrôles autour de la sécurité, de la fiabilité, de la propriété intellectuelle, des exigences réglementaires et de la qualité logicielle. Le code généré peut contenir des vulnérabilités, des hypothèses erronées ou des erreurs difficiles à détecter. Une plus grande autonomie renforce donc l’importance d’une revue humaine efficace et de tests automatisés.

La gouvernance devient particulièrement importante à mesure que ces systèmes obtiennent l’autorisation de modifier du code, d’utiliser des informations internes ou d’interagir avec des environnements de production. Les entreprises ont besoin de règles claires définissant ce à quoi les agents IA peuvent accéder, quelles actions exigent une approbation humaine et qui reste responsable lorsqu’un logiciel généré échoue.

L’orientation stratégique est claire, même si l’issue finale ne l’est pas. Le codage devient plus automatisé, et la frontière entre les outils pour développeurs et les systèmes capables d’accomplir des tâches de développement évolue rapidement. Les dirigeants de la direction générale n’ont pas besoin de prédire exactement où cette frontière se stabilisera. En revanche, ils ont besoin d’un modèle opérationnel capable de s’adapter à mesure que la technologie progresse.

La demande de développeurs capables de travailler avec l’IA croît bien plus vite que celle des rôles de développeur traditionnels

Le marché du travail logiciel évolue rapidement. Les entreprises ont toujours besoin de développeurs, mais elles recherchent de plus en plus des profils capables de combiner compétences d’ingénierie traditionnelles et IA. Ce basculement est déjà visible dans les données de recrutement.

Selon un rapport de juin de Randstad Digital, les rôles de développement logiciel augmentés par l’IA ont progressé de près de 600 % sur cinq ans. Les rôles de développeur traditionnels ont progressé de 28 % sur la même période. L’écart est considérable. Il suggère que les employeurs ne réduisent pas simplement leur demande de talents logiciels. Ils modifient le type de talents logiciels qu’ils valorisent.

Pour les dirigeants, cela a des implications qui vont au-delà du recrutement. Les compétences en IA influenceront de plus en plus la planification des effectifs, la rémunération, la mobilité interne et les budgets de formation. Les entreprises qui s’appuient uniquement sur le recrutement externe pourraient faire face à une concurrence plus forte pour les talents IA expérimentés. Développer les ingénieurs déjà en poste offre une autre voie, en particulier lorsque ces employés comprennent déjà les systèmes de l’entreprise, ses clients, ses exigences de sécurité et ses processus métier.

Les capacités en IA prennent de plus en plus de valeur dans le développement logiciel. Les PDG, DSI et CTO devraient examiner les capacités dont ils auront besoin au cours des prochaines années et déterminer s’il faut recruter, requalifier ou combiner les deux approches.

Cela change aussi ce que les dirigeants doivent attendre des équipes techniques. Savoir utiliser un outil de codage par IA ne suffit pas. Les employés à forte valeur ajoutée doivent comprendre quand le résultat de l’IA est utile, quand il n’est pas fiable et comment vérifier le logiciel qui en résulte. De solides fondamentaux d’ingénierie restent donc importants à mesure que les compétences en IA se généralisent.

Les outils de codage par IA font gagner du temps, mais les développeurs en consacrent une grande partie à relire les résultats de l’IA

Générer du code plus vite n’est qu’une partie de l’équation de productivité. L’IA peut réduire le temps que les développeurs consacrent à écrire du code, mais le logiciel produit doit toujours être vérifié. Ce travail de vérification peut absorber une grande partie du temps initialement économisé par l’automatisation.

Une enquête du fournisseur de plateforme logicielle Harness a révélé que plus de quatre développeurs sur cinq déclaraient que l’essentiel du temps gagné sur le codage est désormais consacré à relire les résultats des outils de codage par IA. C’est un résultat important pour les dirigeants qui évaluent le retour financier du développement assisté par l’IA.

Ce constat ne signifie pas que les outils de codage par IA n’apportent aucun gain de productivité. La revue fait déjà partie intégrante du développement logiciel professionnel, et l’IA peut permettre aux équipes de produire et d’évaluer davantage de code sur une même période. La productivité peut aussi se manifester ailleurs : expérimentation plus rapide, cycles de développement plus courts, moins de tâches répétitives ou capacité accrue à traiter le travail existant.

Mais les dirigeants devraient éviter de considérer la vitesse de génération du code comme une mesure complète du succès. Si les développeurs génèrent des logiciels plus rapidement mais passent nettement plus de temps à vérifier des résultats incorrects, non sécurisés ou inadaptés, l’amélioration nette peut être plus faible que prévu. Des indicateurs tels que le délai de livraison, les taux de défauts, les problèmes de sécurité, les reprises, la fiabilité des systèmes et la capacité des développeurs peuvent offrir une vision plus complète.

Il y a aussi une implication pour la main-d’œuvre. À mesure que l’IA prend en charge une plus grande part de la génération initiale de code, les développeurs ont besoin de compétences plus solides en revue et en vérification. Ils doivent être capables de détecter des problèmes subtils, de comprendre le code généré et de décider s’il répond aux exigences métier et techniques. Le jugement humain reste donc important, même si la quantité de code directement écrit diminue.

Pour les dirigeants de la direction générale, l’objectif doit être une amélioration mesurable de l’entreprise plutôt qu’un usage maximal de l’IA. Les entreprises devraient établir une base de référence de productivité avant un déploiement large et comparer les résultats après adoption. Si l’IA réduit les délais de livraison tout en maintenant ou en améliorant la qualité et la sécurité, elle crée de la valeur opérationnelle. Si la revue et les reprises absorbent l’essentiel des gains, les dirigeants doivent améliorer les outils, les processus, la formation ou les cas d’usage avant d’élargir l’investissement.

L’adoption de l’IA augmente le coût du développement logiciel

L’IA peut accélérer le développement logiciel, mais l’équation financière va bien au-delà du prix d’un outil de codage par IA. L’adoption de l’IA peut accroître les dépenses liées aux outils de développement, aux données, à l’infrastructure informatique et aux systèmes nécessaires pour faire fonctionner l’IA à grande échelle.

Ces coûts peuvent augmenter rapidement à mesure que l’usage s’étend. Davantage de développeurs utilisant l’IA signifie plus de requêtes vers les modèles d’IA, une demande de calcul plus forte, un traitement de données supplémentaire et potentiellement des dépenses plus élevées en cloud et en infrastructure. Les entreprises peuvent aussi supporter des coûts liés aux contrôles de sécurité, à l’intégration des systèmes, au monitoring, à la gouvernance et à la revue du travail généré par l’IA. Une expérimentation relativement peu coûteuse peut donc présenter un profil de coûts très différent lorsqu’elle est déployée à l’échelle d’une grande organisation.

Cela fait de l’économie de l’IA un sujet de direction générale plutôt qu’une simple décision d’achat IT. Les DSI et DAF doivent comprendre le coût total de l’adoption et le comparer à des améliorations mesurables de la livraison logicielle. Une génération de code plus rapide a une valeur financière limitée si l’infrastructure supplémentaire, la revue humaine ou la remédiation absorbent les gains obtenus.

Les dirigeants devraient par conséquent évaluer les investissements dans le développement par IA à partir des résultats métier plutôt que des taux d’adoption. Les mesures utiles incluent le coût de développement par projet, le délai de mise en production, la capacité des développeurs, les taux de défauts et de reprises, les dépenses d’infrastructure et le coût d’exploitation de chaque workflow activé par l’IA. Ces mesures peuvent révéler quelles applications génèrent des retours durables et lesquelles augmentent surtout les dépenses technologiques.

Il y a une nuance importante. La hausse des dépenses en IA n’est pas automatiquement la preuve de mauvais retours. Des coûts plus élevés peuvent se justifier lorsque l’IA aide une entreprise à lancer des produits plus vite, à améliorer la qualité logicielle, à accroître la capacité d’ingénierie ou à créer de nouveaux revenus. L’essentiel est de relier les dépenses aux résultats et de déterminer si ces bénéfices persistent à mesure que le déploiement s’étend.

Les DSI doivent faire de l’upskilling et du reskilling un élément central de la transformation par l’IA

La transformation par l’IA change autant les personnes que les processus. À mesure que les outils de développement gagnent en capacités, les employés IT ont besoin de nouvelles compétences pour les utiliser, les superviser et les évaluer. La formation doit donc devenir une priorité pour les DSI qui pilotent cette transition.

L’upskilling consiste à renforcer les capacités dont les employés ont besoin dans leurs rôles actuels, tandis que le reskilling les prépare à exercer un travail sensiblement différent. Les deux comptent dans une organisation technologique appuyée par l’IA. Les développeurs peuvent avoir besoin de compétences plus solides en codage assisté par l’IA, validation des résultats, sécurité, tests et conception de systèmes. Les managers peuvent avoir besoin d’apprendre à mesurer la productivité lorsque les contributions humaines et celles de l’IA sont de plus en plus combinées.

Ullrich, dont le poste et l’entreprise ne sont pas précisés dans l’extrait fourni, souligne directement ce défi pour la main-d’œuvre : « Il sera vraiment important d’avoir des employés qui sentent qu’ils ont la possibilité de monter en compétences et de se reconvertir, car il y aura probablement beaucoup de stress parmi les employés pendant que ce changement se produit. »

Pour les dirigeants, la formation doit être reliée aux besoins réels de la main-d’œuvre plutôt que proposée comme un large catalogue de cours sur l’IA. Les dirigeants peuvent identifier les rôles que l’IA est en train de transformer, définir les compétences que ces rôles exigeront, mesurer les écarts de capacités actuels et orienter la formation vers ces écarts. Les employés devraient aussi avoir des occasions d’appliquer leurs nouvelles compétences à des workflows réels afin que l’organisation puisse déterminer si la formation améliore les performances.

La planification des effectifs mérite une attention similaire. Certaines tâches deviendront de plus en plus automatisées, tandis que d’autres gagneront en importance. Les organisations pourraient avoir besoin de moins d’heures consacrées à la création routinière de code et de davantage d’expertise dans la revue des résultats de l’IA, l’architecture logicielle, la cybersécurité, la gouvernance des données et la résolution de problèmes complexes. Cette transition peut créer des opportunités de mobilité interne si les employés reçoivent une préparation adaptée.

La nuance pour les dirigeants de la direction générale est que la formation seule ne résoudra pas tous les défis liés à la main-d’œuvre. L’adoption de l’IA peut modifier les structures organisationnelles, les parcours de carrière, les exigences de recrutement et le nombre de personnes nécessaires pour certaines activités. Les dirigeants doivent communiquer sur ce qui change tout en restant clairs sur les domaines où l’issue demeure incertaine.

Lorsqu’il est mené efficacement, le reskilling peut aider les entreprises à conserver des connaissances institutionnelles précieuses tout en développant de nouvelles capacités techniques. L’objectif n’est pas simplement d’apprendre aux employés à utiliser le dernier produit d’IA. Il s’agit de construire une main-d’œuvre capable de s’adapter à mesure que la technologie, les exigences métier et le processus de développement logiciel continuent d’évoluer.

Principaux enseignements pour les dirigeants

• Les compétences évoluent plus vite que les effectifs : l’IA peut transformer les rôles logiciels sans les supprimer. Les dirigeants devraient mettre à jour le recrutement, les indicateurs de performance et les plans de main-d’œuvre autour des compétences activées par l’IA et de l’adaptabilité.
• L’automatisation du codage gagne en capacités : les outils d’IA passent de simples suggestions de code à la prise en charge de tâches d’ingénierie complexes. Les dirigeants devraient renforcer la supervision humaine, les tests, la sécurité et la gouvernance à mesure que l’autonomie augmente.
• Les développeurs compétents en IA gagnent en valeur : Randstad Digital indique que les rôles de développement logiciel augmentés par l’IA ont progressé de près de 600 % sur cinq ans, contre 28 % pour les rôles de développeur traditionnels. Les entreprises devraient combiner recrutement ciblé et développement interne des compétences.
• Les gains de productivité exigent une revue efficace : plus de quatre développeurs sur cinq interrogés par Harness consacrent l’essentiel du temps gagné grâce au codage activé par l’IA à la revue des résultats générés. Mesurez la performance de l’IA à travers la vitesse de livraison, la qualité, les reprises et la sécurité plutôt qu’à travers la seule génération de code.
• L’économie de l’IA exige un examen plus attentif : les outils de développement peuvent ajouter des coûts de données, d’infrastructure, de gouvernance et de revue à mesure que l’adoption monte en puissance. Les DSI et DAF devraient relier les dépenses totales en IA à des résultats mesurables en matière de productivité, de qualité et de revenus.
• Le reskilling doit devenir une priorité pour la main-d’œuvre : à mesure que l’IA modifie les responsabilités techniques, les employés ont besoin d’occasions concrètes de développer des capacités pertinentes. Les DSI devraient aligner la formation sur les rôles émergents, la mobilité interne et des besoins métier mesurables.