Dev avec IA les bons et les mauvais réflexes

Les assistants de codage IA excellent dans les tâches de programmation routinières et bien comprises.

Pour la plupart des entreprises, la grande victoire des assistants de codage assistants de codage IA est la rapidité. Plus précisément, la vitesse dans les domaines où l’effort humain est coûteux et ajoute peu de valeur stratégique, comme le code standard, la documentation et les utilitaires simples. Si la tâche est suffisamment répétitive pour être ennuyeuse, elle est généralement adaptée à l’IA.

Les modèles d’aujourd’hui, en particulier ceux qui sont formés à partir de bibliothèques open-source et de modèles communs, sont performants lorsque le problème est clairement défini. Un travail frontal standard, des services dorsaux simples, des tests unitaires, voilà des scénarios où l’IA brille. Les développeurs saisissent des invites précises et le système renvoie un code fonctionnel, parfois prêt pour la production. L’IA est optimisée pour les tâches peu complexes.

Kevin Swiber, stratège API chez Layered System, souligne que la maîtrise du moment et de la manière d’utiliser ces outils devient une compétence essentielle. Les choses évoluent rapidement. Rester au courant des capacités n’est plus facultatif, c’est stratégique.

Charity Majors, directrice technique et cofondatrice de Honeycomb, note que les travaux de développement courants, les applications web, les API REST et l’échafaudage d’API sont ceux qui en bénéficient le plus. C’est logique. Ces modèles sont omniprésents sur l’internet. L’IA apprend ce qui est prévisible. Elle le reproduit efficacement.

Vous obtenez également de la valeur dans les flux de travail adjacents qui ne ressemblent pas à du codage mais qui ont un impact sur la vitesse de livraison, la rédaction de tests, l’échafaudage de la conception et même l’observabilité. Spencer Kimball, PDG de Cockroach Labs, explique que ces tâches représentent 70 % de l’utilisation de l’IA, ce qui a permis de libérer du temps pour le développement à haute complexité.

Il n’est pas nécessaire d’attendre un point de basculement. Vous pouvez commencer à obtenir des résultats presque instantanément dans ces cas d’utilisation à faible risque et à volume élevé. Pour les entreprises de taille moyenne qui cherchent à augmenter la vélocité sans gonfler leurs effectifs, l’utilisation de l’IA dans les tâches de développement courantes est très prometteuse.

Selon l’enquête 2024 de Stack Overflow auprès des développeurs, 63 % des développeurs professionnels utilisent déjà l’IA dans le cadre du développement de logiciels. La tendance est claire : l’IA prospère dans les domaines où les problèmes sont résolus et où la vitesse est importante.

Les assistants de codage de l’IA sont confrontés à des tâches de développement complexes et ambiguës

L’IA commence à perdre son emprise lorsque nous nous lançons dans des tâches complexes et ouvertes. Il s’agit de situations où le problème est trop abstrait, la base de code trop vaste ou l’architecture trop nuancée. L’IA générative a du mal à raisonner à travers de multiples dépendances à la fois. Elle peut passer pour compétente, mais n’est pas toujours cohérente.

Swiber met en garde contre cette situation : laissez le modèle s’emballer et vous vous retrouverez avec du mauvais code, des heures perdues ou des progrès manqués. Lorsque le contexte est important, et c’est généralement le cas en entreprise, vous ne voulez pas qu’un outil génératif empile des décisions que vous n’avez pas autorisées. Une seule dépendance oubliée peut entraîner une dérive de l’intégration dans votre environnement.

Charity Majors le dit simplement : L’IA est meilleure pour le greenfield, le nouveau code, que pour la maintenance des systèmes existants. C’est une préoccupation pour toute entreprise qui exécute des charges de travail critiques sur des piles complexes de backend. L’IA a du mal à raisonner sur des systèmes profondément interconnectés. Elle n’a pas le modèle persistant d’un développeur qui a vécu dans votre base de code pendant trois ans.

Harry Wang, Chief Growth Officer chez Sonar, souligne le coût opérationnel. Réparer les erreurs de l’IA n’est pas bon marché. Vous pouvez dépenser plus d’argent pour déboguer des erreurs subtiles qu’il n’en faudrait pour confier la tâche à un humain dès le départ. Il y a un moment où trop d’IA vous ralentit.

Il est également vrai que ces modèles peuvent s’effondrer à grande échelle. Leur « fenêtre contextuelle », c’est-à-dire la quantité de code ou de texte qu’ils peuvent traiter simultanément, est limitée. Lorsqu’ils s’effondrent, ils le font souvent discrètement, en introduisant des résultats d’apparence logique qui sont fondamentalement erronés. C’est ce qui les rend dangereux pour tout ce qui est essentiel à la mission.

Le leadership a un rôle à jouer à cet égard. L’IA ne peut fonctionner sans gouvernance du code. Le contrôle des versions, l’examen des résultats et des vérifications strictes du déploiement ne sont pas négociables. Vous ne pouvez pas confier le volant à un système qui ne comprend pas toute la route et supposer que vous arriverez à bon port.

Utilisez l’IA lorsque la clarté est importante. Évitez-la lorsque l’ambiguïté domine. Telle est la situation actuelle. Elle est en mouvement, mais c’est là que nous en sommes.

La supervision humaine reste essentielle pour compléter le code généré par l’IA

Soyons francs, l’IA ne remplace pas les ingénieurs. Elle accélère certaines parties de leur travail, mais ne leur enlève pas la responsabilité de connaître et de posséder le résultat. Lorsqu’un assistant de codage IA fournit un résultat, ce n’est pas la ligne d’arrivée, c’est le début d’une boucle de révision. C’est le début d’une boucle de révision. Chaque morceau de code généré a besoin d’une validation humaine. Il n’y a pas d’exception.

Les modèles sont efficaces pour combler les lacunes, suggérer des fonctions ou éliminer les redondances. Mais ils fonctionnent toujours indépendamment des connaissances de votre équipe dans le domaine, des normes d’ingénierie et des contraintes architecturales. Cette séparation crée des risques. La syntaxe peut être précise, mais la logique peut toujours se briser. Et lorsque c’est le cas, les problèmes sont subtils, souvent découverts lors de l’intégration ou, pire, de l’adoption par le client.

Harry Wang, de Sonar, met en évidence le coût opérationnel. Si le débogage du code prend plus de temps que son écriture, le modèle n’a pas atteint son objectif. Ce n’est pas une hypothèse. Les entreprises constatent que cela se produit avec des cas marginaux, des invites incomplètes ou des scénarios dans lesquels l’IA a fait des suppositions que l’équipe n’a pas perçues suffisamment tôt. Cela conduit à des retouches, et non à des progrès.

La solution n’est pas compliquée, il suffit de tout passer en revue. Traitez les résultats de l’IA comme des données brutes pour les contrôles de qualité de l’ingénierie. Elles doivent être testées, tout comme le code écrit par un humain. En associant les résultats à des pipelines de CI solides, vous bénéficiez d’un effet de levier sans introduire le chaos.

Les dirigeants doivent également adapter les attentes de l’équipe. La vitesse de production augmentera. Il en sera de même pour le volume des itérations. Mais il n’y a pas de compromis à faire sur la sécurité ou l’exactitude du code. L’IA permet de réduire les tâches fastidieuses, mais pas les responsabilités. Vous êtes toujours responsable de la qualité des logiciels, de la confiance dans les versions et du risque d’incident.

Pour aller vite sans casser les systèmes de base, chaque dirigeant qui soutient l’adoption de l’IA doit également faire respecter une règle simple : aucun code généré par l’IA n’entre en production sans être validé par un humain. Cela permet de s’assurer que la mise à l’échelle ne se fait pas au détriment de la fiabilité.

Les responsables de l’ingénierie doivent trouver un équilibre entre l’expérimentation stratégique et une gouvernance solide lorsqu’ils intègrent l’IA.

L’IA évolue rapidement. Soyons clairs : attendre qu’elle se stabilise n’est pas une stratégie. Les développeurs l’utilisent déjà. Certains le font sans autorisation ni politique en place. Les données sont indéniables. Selon le rapport 2024 de BlueOptima, 64 % des développeurs qui utilisent l’IA générative ont commencé à le faire avant qu’elle ne soit officiellement autorisée. Il ne s’agit pas d’un déploiement lent. Elle est déjà opérationnelle dans les équipes, souvent de manière informelle.

Les dirigeants ne peuvent pas se permettre d’être réactifs dans ce domaine. Que vous soyez à la tête d’une startup ou que vous gériez un groupe d’ingénierie international, l’adoption de l’IA a besoin de garde-fous. L’objectif est de responsabiliser vos collaborateurs, de réduire le temps consacré à des tâches de faible valeur, tout en protégeant l’entreprise contre les risques et les conséquences involontaires.

Spencer Kimball, PDG de Cockroach Labs, l’a compris. Si l’IA permet un gain de productivité de 30 %, cela se traduit par une réduction réelle des coûts d’ingénierie ou par un avantage d’échelle sans augmentation des effectifs. Cela fait avancer l’entreprise.

Mais il y a une limite. M. Swiber souligne qu’en l’absence d’une surveillance adéquate, l’IA peut générer des problèmes récursifs. Un petit bogue dans la sortie, non vérifié, peut déclencher une boucle complète de validations échouées et de débogage inefficace. La supervision permet de résoudre ce problème. Une surveillance en temps réel, des révisions de code cohérentes et des cadres politiques clairs permettent aux développeurs d’innover sans faire exploser la vélocité.

L’objectif stratégique n’est pas d’imiter ce que font les autres. Il s’agit de définir exactement comment l’IA est autorisée à soutenir vos ingénieurs et où son utilisation est bloquée. Définissez clairement ce qu’est une « utilisation approuvée ». Faites ensuite respecter cette définition avec la même clarté que celle que vous appliqueriez à n’importe quel outil d’infrastructure standard.

L’appropriation est importante. Si les développeurs utilisent des outils sans politique, ils opèrent également sans canaux de responsabilité. Cela ouvre des brèches que les équipes de sécurité ou d’assurance qualité ne détecteront que lorsqu’il sera trop tard. La solution est simple : intégrez l’IA à votre stratégie de développement, à vos attentes en matière d’embauche et à vos normes culturelles. À partir de là, elle peut s’adapter sans problème.

L’évolution rapide de l’IA nécessite une réévaluation permanente de ses capacités et de ses limites.

Les outils de codage de l’IA sont en constante évolution. Ce qui fonctionne aujourd’hui pourrait être obsolète dans quelques mois. Tout dirigeant qui élabore une stratégie autour de ces systèmes doit se tenir au courant, car la base évolue plus vite que la plupart des entreprises ne peuvent s’adapter.

Les limites de la fenêtre contextuelle restent l’un des principaux obstacles. Elles définissent la quantité d’informations qu’un modèle d’IA peut traiter simultanément. Les bases de code complexes comportant des milliers de fichiers interdépendants dépassent souvent ces limites, ce qui fait que le modèle ne tient pas compte des dépendances ou produit des suggestions déconnectées. Mais ces limites sont en train de s « étendre. Lorsque les modèles pourront traiter des millions de jetons, bon nombre des goulets d » étranglement actuels disparaîtront.

Charity Majors, directrice technique de Honeycomb, attire l’attention sur le rythme du changement : les connaissances sur les outils de codage de l’IA ont une durée de vie très courte. Il ne s’agit pas là d’un mirage. Cela reflète la véritable volatilité des cycles de développement des modèles d’IA.

Pour les développeurs, des améliorations plus rapides signifient plus de résultats et moins d’obstacles. Pour les dirigeants, les cycles de planification sont soumis à des pressions. Vous n’avez pas des années pour intégrer progressivement l’IA dans votre pile logicielle, vous avez des trimestres. Le marché n’attend pas.

Spencer Kimball, PDG de Cockroach Labs, n’hésite pas à annoncer ce qui se prépare. À mesure que les fenêtres contextuelles s’étendent, l’IA interagit avec une quantité exponentielle de données. Cela ouvre la porte à des applications plus larges, mais aussi à de nouveaux vecteurs de menace. L’accès aux données, la conformité et les réglementations régionales deviendront encore plus importants. Si le modèle peut voir plus, il devient plus puissant et plus susceptible de commettre des erreurs délicates.

Ce changement exige un nouveau type de préparation. L’état d’esprit n’est pas l’adoption, mais l’itération. Les dirigeants ont besoin de processus capables de s’adapter rapidement, à travers le développement, les tests et la sécurité, et de faire de la localisation et de l’accès aux données une partie intégrante de l’ingénierie.

Le dernier rapport de Salesforce sur l « état des technologies de l’information confirme cette tendance. Il révèle que 92 % des développeurs s’attendent à ce que l’IA agentique, la prochaine vague d’IA autonome et orientée vers les tâches, fasse progresser leur carrière. Les talents misent sur cette évolution. Les dirigeants doivent suivre le rythme, sous peine d » être dépassés.

Le potentiel de transformation de l’IA dans le développement de logiciels est considérable et continuera à remodeler le secteur.

Nous n’en sommes qu’aux prémices de ce que l’IA fera pour les logiciels, et ce n’est pas une exagération. Chaque amélioration de la performance des modèles augmente la vélocité des logiciels dans tous les domaines. Les contraintes des développeurs diminuent. Les délais entre l’idée et la construction diminuent. Davantage de choses deviennent testables à l’échelle. Il s’agit d’un avantage qui s’accumule au fil du temps et qui ne ralentira pas.

L’IA modifie déjà la manière dont les équipes expérimentent, rédigent des prototypes et explorent de nouvelles voies pour les produits. Les itérations rapides deviennent possibles avec moins de goulots d’étranglement. Des équipes plus restreintes peuvent tester des idées dont la validation nécessitait auparavant des sprints d’ingénierie complets. Le temps de retour d’information diminue. Cela permet de prendre des décisions plus précises et d’orienter le produit de manière plus claire.

Spencer Kimball, PDG de Cockroach Labs, l’a dit sans ambages : ces modèles ne seront jamais aussi mauvais. C’est un résumé concis de ce que chaque dirigeant devrait reconnaître. La dynamique est en marche, les outils s’améliorent et la résistance n’est pas une stratégie à long terme.

Mais la croissance invite à la complexité. À mesure que l’IA sature les flux de codage, les questions relatives à la souveraineté des données passent de la théorie à l’opérationnel. Kimball souligne que l’IA agentique déclenchera des augmentations exponentielles des demandes d’API à travers les systèmes. Lorsque l’utilisation atteint ce niveau, les lois régionales sur les données, les contrôles internes et les partenariats avec les fournisseurs deviennent des zones de risque stratégique.

L’architecture doit évoluer. La politique des produits doit évoluer. Il en va de même pour la manière dont les organisations sécurisent et distribuent l’accès aux données de formation. C’est le travail qui permet d’évoluer sans compromis.

Pour les dirigeants, l’opportunité est claire : l’IA peut augmenter la productivité, réduire les coûts et comprimer les cycles de livraison. Mais le changement n’est pas seulement technique, il est aussi structurel. Les entreprises gagnantes seront celles qui agiront tôt, établiront rapidement des normes et feront évoluer leurs processus parallèlement aux outils qu’elles adoptent.

Inutile de compliquer à l’excès, il s’agit d’un changement de fonction par étapes. Et si vous lisez ceci, c’est que vous êtes dans les temps.

Principaux enseignements pour les dirigeants

• L’IA permet d’accélérer les tâches routinières : Déployez des outils de codage IA pour les tâches répétitives et bien ciblées telles que le code de base, les tests et l’échafaudage d’API afin d’améliorer l’efficacité des développeurs sans augmenter le nombre d’employés. Les gains de vitesse sont immédiats lorsque le contexte et les cas d’utilisation sont clairs.
• L’IA a du mal à gérer la complexité : Évitez d’utiliser l’IA pour des remaniements à grande échelle, des codes hérités ou des travaux d’architecture ouverts. Ces scénarios dépassent souvent les capacités des modèles, ce qui augmente les risques et crée une dette technique qui ralentit les équipes.
• L’examen humain n’est pas facultatif : Exigez une supervision humaine pour tout le code généré par l’IA afin de détecter les erreurs de logique, les lacunes de contexte et les problèmes d’intégration. Un code livré sans validation comporte des risques cachés en termes de qualité et de sécurité.
• La politique doit mener l’expérimentation : Les dirigeants doivent formaliser les directives d’utilisation de l’IA avant que l’adoption ne se répande de manière informelle. Avec 64% des développeurs qui utilisent l’IA avant d’obtenir l’approbation, la gouvernance doit s’adapter aux tendances d’utilisation actuelles afin de minimiser les responsabilités.
• Les capacités de l’IA évoluent rapidement : Réévaluez en permanence les critères de performance de l’IA à mesure que les fenêtres contextuelles et les capacités des modèles se développent rapidement. Prévoyez des processus flexibles et des structures de conformité capables de s’adapter à la progression de l’IA.
• L’avantage concurrentiel provient d’un investissement précoce : L’IA est en train de remodeler la livraison de logiciels en comprimant les cycles de construction et en amplifiant la production des développeurs. Les entreprises qui adoptent l’IA très tôt, fixent des limites claires et optimisent les flux de travail bénéficieront d’avantages opérationnels significatifs.