L’IA accélère le développement mais aussi la propagation des bugs

Une « software factory » doit constituer une plateforme de production cohérente

Toutes les entreprises souhaitent accélérer leur transition vers l’IA. C’est tout à fait logique. Les grands modèles linguistiques ont considérablement réduit l’effort nécessaire à la rédaction de logiciels, et les équipes réagissent en recrutant des assistants de codage, des robots de révision et des processus d’automatisation à leurs flux de travail existants. Le problème, c’est que la rapidité à elle seule ne suffit pas à créer une usine logicielle.

Une « usine logicielle » ne se définit pas par le nombre d’outils d’IA qu’une entreprise utilise. Elle se définit par la manière dont le travail circule au sein de l’organisation. Chaque étape — planification, génération de code, tests, contrôles de sécurité, déploiement, surveillance et maintenance — doit fonctionner comme un système unique et interconnecté. Si ces étapes ne sont pas reliées entre elles, chaque outil n’optimise qu’une petite partie du processus tout en créant de nouveaux points de friction ailleurs.

C’est là que de nombreuses organisations commettent une erreur qui leur coûte cher. Elles investissent dans des produits d’IA individuels sans modifier le modèle opérationnel sous-jacent. Les équipes se retrouvent ainsi avec des assistants distincts pour le codage, la documentation, les tests et la révision des pull requests, mais ces systèmes partagent rarement le contexte ni n’imposent de normes cohérentes. Il en résulte des flux de travail fragmentés, des efforts redondants et des logiciels de plus en plus difficiles à gérer.

Une plateforme efficace constitue une source unique et fiable d’informations. Chaque décision, modification du code, résultat de test et déploiement doit pouvoir être retracé tout au long du cycle de vie du développement. Les ingénieurs consacrent ainsi moins de temps à la recherche d’informations et davantage à l’amélioration des produits. Les responsables bénéficient d’une meilleure visibilité sur la qualité des logiciels, les performances de livraison et les risques opérationnels, au lieu de se fier à des rapports isolés provenant de différents outils.

Pour les dirigeants, il s’agit autant d’une décision organisationnelle que d’une décision technologique. L’IA ne doit pas être considérée comme un simple achat de logiciel supplémentaire. Elle doit s’intégrer à l’infrastructure de production de l’entreprise. Les entreprises qui développent des plateformes intégrées parviendront à déployer l’IA plus efficacement, car la gouvernance, la qualité et l’automatisation sont intégrées au système dès le départ, plutôt que d’y être ajoutées ultérieurement.

Luca Rossi, auteur de « The Era of the Software Factory », affirme que l’IA transforme l’ensemble du système de production logicielle, et ne se contente pas simplement de permettre aux développeurs d’écrire du code plus rapidement. Cette distinction est importante. Les organisations qui prennent conscience de cette évolution concevront leurs modèles opérationnels en s’appuyant sur l’IA, au lieu de la considérer comme un simple outil permettant d’améliorer progressivement la productivité.

L’IA a déplacé le goulot d’étranglement du développement, qui ne réside plus dans la génération de code, mais dans la qualité des logiciels

Pendant des décennies, le développement logiciel a été limité par une réalité simple : l’écriture de code exigeait des compétences spécialisées et prenait beaucoup de temps. L’IA a bouleversé cette donne. Aujourd’hui, la génération de code fonctionnel est plus rapide et plus accessible que jamais.

Cela modifie la véritable question à laquelle sont confrontés les dirigeants. Le défi ne consiste plus à savoir si une équipe d’ingénieurs est capable de développer un produit. Le défi consiste désormais à déterminer s’il convient de le développer et s’il générera une valeur commerciale durable.

Lorsque la création de logiciels devient plus aisée, les entreprises en développent naturellement davantage. Cela engendre une pression d’un autre ordre. Un nombre accru d’applications, de fonctionnalités et de services implique davantage de systèmes à sécuriser, à surveiller, à mettre à jour et à entretenir. Chaque nouveau logiciel s’accompagne de responsabilités opérationnelles à long terme qui perdurent bien au-delà de la fin de son développement.

La dette technique devient un enjeu stratégique dans ces conditions. L’IA peut générer du code rapidement, mais elle ne peut pas garantir automatiquement que l’architecture reste cohérente, que la documentation soit tenue à jour ou que les choix de conception correspondent aux priorités de l’entreprise. Sans une gouvernance rigoureuse, les organisations risquent de se retrouver avec des logiciels qui fonctionnent aujourd’hui, mais qui deviendront de plus en plus difficiles à maintenir au fil du temps.

C’est pourquoi la rigueur en matière de direction revêt une importance croissante à mesure que les capacités de l’IA s’améliorent. La stratégie produit, les revues d’architecture, les normes d’ingénierie et la gestion de portefeuille deviennent des fonctions métier essentielles, et non plus de simples formalités techniques. L’accélération de la production logicielle renforce l’importance de déterminer ce qui mérite un investissement et ce qui doit être écarté.

Les dirigeants devraient également repenser la manière dont la productivité des équipes d’ingénierie est mesurée. Les indicateurs traditionnels, tels que le nombre de lignes de code, la vitesse de développement ou le nombre de fonctionnalités mises en place, ne reflètent qu’une partie de la réalité. Parmi les indicateurs plus pertinents, on peut citer la stabilité en production, les résultats pour les clients, la fiabilité du système, les performances en matière de sécurité et le coût récurrent de maintenance des logiciels. Ces mesures permettent de mieux déterminer si l’IA génère une valeur commerciale durable, plutôt que de se contenter d’augmenter la production.

L’IA a levé l’une des plus grandes contraintes historiques du développement logiciel. Il s’agit là d’une opportunité considérable. Mais lorsqu’une contrainte disparaît, une autre prend de l’importance. Les organisations qui réussiront ne seront pas celles qui produiront le plus de code. Ce seront celles qui prendront systématiquement les meilleures décisions quant à ce qu’elles développent et qui veilleront à ce que ces systèmes restent fiables au fil du temps.

Le code généré rapidement par l’IA peut entraîner une augmentation des défauts et de la complexité opérationnelle

L’IA a considérablement accru le volume de logiciels qu’un ingénieur peut produire à lui seul. Il s’agit là d’une réelle avancée. Cependant, l’augmentation de la production entraîne également une augmentation du volume de logiciels qui doivent être revus, testés, sécurisés, maintenus et compris au fil du temps. Si ces capacités ne s’améliorent pas au même rythme, les organisations ne font que déplacer le goulot d’étranglement en aval.

Les données reflètent déjà cette tendance. Selon Faros AI, le débit des tâches des développeurs a augmenté de 33,7 %, tandis que les taux de fusion des pull requests ont progressé de 16,2 %. Dans le même temps, le rapport incidents/demandes de fusion a augmenté de 242,7 %, et le nombre de bogues par développeur a augmenté de 54 %. Ces chiffres suggèrent qu’une vitesse de développement plus élevée ne se traduit pas automatiquement par de meilleurs logiciels. Elle peut également accroître le risque opérationnel si les contrôles de qualité restent inchangés.

La recherche étude DORA de Google parvient à une conclusion similaire. Une adoption accrue de l’IA a été associée à une baisse de la stabilité des déploiements. Cela ne signifie pas que l’IA génère des logiciels de mauvaise qualité. Cela signifie que les organisations ont besoin de pratiques d’ingénierie plus rigoureuses pour transformer une vitesse de développement plus élevée en systèmes de production fiables.

L’IA accélère à la fois le progrès et les incohérences. En l’absence de normes techniques claires, la qualité des logiciels devient progressivement moins prévisible. Les équipes consacrent davantage de temps à analyser les défaillances, à résoudre les interactions inattendues et à assurer la maintenance des systèmes, au lieu de mettre en œuvre de nouvelles fonctionnalités métier.

Les dirigeants devraient donc considérer la qualité des logiciels comme un résultat commercial mesurable plutôt que comme une simple préoccupation technique. Les taux de défauts, les incidents de production, la stabilité des déploiements, les délais de reprise et les coûts de maintenance méritent autant d’attention de la part de la direction que la rapidité de livraison. Ces indicateurs permettent de déterminer de manière plus complète si les investissements dans l’IA génèrent une valeur durable.

Les organisations qui tireront le meilleur parti de l’IA ne seront pas nécessairement celles qui produisent le plus grand volume de code. Ce seront celles qui seront capables de produire systématiquement des logiciels fiables tout en maîtrisant la complexité opérationnelle.

Une « software factory » a besoin de traçabilité, de normalisation, de sécurité et d’une qualité intégrée tout au long du processus de développement

La mise en place d’une « usine logicielle » basée sur l’IA ne se limite pas à l’automatisation. Elle nécessite un modèle opérationnel rigoureux qui rende chaque étape du développement logiciel transparente, reproductible et contrôlée. Sans ces capacités, les organisations ont du mal à comprendre comment les logiciels ont été développés, pourquoi des problèmes sont survenus et comment elles peuvent éviter que des problèmes similaires ne se reproduisent à l’avenir.

La traçabilité est une fonctionnalité essentielle. Chaque modification logicielle doit être reliée aux exigences, aux interactions avec l’IA, aux résultats des tests, aux validations et à l’historique de déploiement qui l’ont générée. Lorsqu’un problème survient en production, les équipes doivent être en mesure d’identifier précisément à quel stade le processus a échoué, plutôt que de devoir reconstituer manuellement le déroulement des événements. Ce niveau de visibilité réduit les délais d’investigation, renforce la responsabilité et permet de répondre aux exigences réglementaires et de sécurité.

Les équipes doivent pouvoir reproduire les workflows d’IA antérieurs dans les mêmes conditions afin de valider les résultats ou de corriger les défaillances. Les workflows basés sur des machines à états sont généralement mieux adaptés que les simples processus en boucle, car ils conservent l’état d’exécution et facilitent l’analyse de chaque étape du workflow. Pour les organisations qui déploient l’IA à grande échelle, cela améliore la fiabilité et le contrôle opérationnel.

La normalisation revêt une importance tout aussi grande. Chaque entreprise dispose de plusieurs équipes de développement, de pratiques de codage bien établies et de piles technologiques variées. Si l’IA génère des logiciels sans normes communes, les incohérences s’accumulent rapidement. Des modèles partagés, des conventions de codage, des directives d’architecture et des politiques de gouvernance permettent aux systèmes d’IA de produire des logiciels qui restent cohérents d’un projet à l’autre et d’une unité opérationnelle à l’autre.

La sécurité doit également être intégrée dès le début du processus de développement. L’IA permet de générer rapidement des logiciels, mais elle peut également entraîner des failles de sécurité, des problèmes de conformité ou des erreurs de mise en œuvre si les contrôles appropriés font défaut. Les tests automatisés, l’analyse statique du code, l’application des politiques et la validation de la sécurité doivent être effectués en continu tout au long du développement, plutôt que d’être reportés à la fin du cycle de mise en production.

Les spécifications logicielles doivent être structurées de manière claire, les systèmes d’IA doivent recevoir des instructions normalisées et la validation automatisée doit détecter les problèmes le plus tôt possible. La prévention précoce des défauts permet de réduire les coûts de correction, de minimiser les perturbations de la production et d’améliorer la fiabilité des livraisons.

Pour les dirigeants d’entreprise, ces capacités doivent être considérées comme une infrastructure stratégique plutôt que comme de simples choix techniques. À mesure que l’IA prend en charge la production d’une part croissante des logiciels d’entreprise, la gouvernance, la transparence et la qualité deviennent des avantages concurrentiels. Les organisations qui mettront en place ces capacités dès le début pourront étendre l’adoption de l’IA avec davantage d’assurance, tout en préservant la fiabilité, la conformité et la résilience opérationnelle.

Point principal n° 5 : la productivité durable se mesure à l’aune de la qualité et de la pérennité des logiciels

Les discussions autour de l’IA portent souvent sur la rapidité. Les équipes se félicitent d’une génération de code plus rapide, de cycles de développement plus courts et d’un rendement accru par ingénieur. Ces améliorations sont précieuses, mais elles n’ont de sens que si elles aboutissent à des logiciels qui fonctionnent de manière fiable en production et continuent d’apporter de la valeur au fil du temps.

D’un point de vue commercial, les logiciels ont pour vocation de résoudre des problèmes, d’améliorer les opérations, d’accompagner les clients et de créer de nouvelles opportunités de chiffre d’affaires. Le nombre de fonctionnalités mises en place ou le volume de code écrit n’ont que peu de valeur si les systèmes deviennent instables, coûteux à maintenir ou difficiles à faire évoluer. L’IA facilite la création de logiciels, mais elle ne vous dispense pas de la responsabilité de concevoir des systèmes qui restent fiables longtemps après leur déploiement.

Cela modifie la manière dont les dirigeants doivent envisager la productivité. Les indicateurs techniques traditionnels, tels que le nombre de lignes de code ou la vitesse de développement, étaient déjà incomplets avant l’avènement de l’IA. L’IA générant automatiquement des quantités considérables de code, ces indicateurs perdent encore davantage de leur pertinence. Les organisations ont besoin d’indicateurs qui reflètent les résultats commerciaux plutôt que l’activité.

Un ensemble d’indicateurs plus complet comprend la fiabilité de la production, la satisfaction client, les taux de réussite des déploiements, la fréquence des incidents, le temps de rétablissement, la maintenabilité des logiciels, les performances en matière de sécurité et le coût à long terme de l’exploitation des applications. Ces indicateurs permettent de déterminer si l’accélération du développement logiciel génère une valeur commerciale durable ou si elle se contente d’alourdir la charge de travail opérationnelle.

Des exigences claires permettent de réduire les ambiguïtés avant le début du développement, tandis que des modèles standardisés aident les systèmes d’IA à générer des résultats plus cohérents. Les tests automatisés, l’analyse statique du code et la validation continue doivent être mis en œuvre tout au long du cycle de vie du développement, plutôt que d’être concentrés lors de la phase finale de révision. La détection précoce des problèmes réduit les coûts de correction et empêche les défauts d’atteindre l’environnement de production.

Cette approche modifie également le rôle des responsables techniques. La réussite ne se définit plus uniquement par l’optimisation du rendement en matière de développement. Les responsables doivent mettre en place des organisations où la rapidité et la qualité progressent de concert. Cela nécessite d’investir dans les normes techniques, la gouvernance, les capacités des plateformes et l’évaluation continue de la santé des logiciels.

Les perspectives globales sont considérables. L’IA permet aux organisations de créer des logiciels à un rythme jusqu’alors difficile à atteindre. Les entreprises qui associent cette capacité à des pratiques d’ingénierie rigoureuses seront en mesure de livrer des produits de manière plus régulière, de réagir plus rapidement aux évolutions du marché et de faire évoluer leurs activités logicielles sans laisser la complexité s’accroître de manière incontrôlée.

Le message principal est clair. L’avantage concurrentiel ne viendra pas de la production d’un volume maximal de code. Il viendra de la capacité à fournir systématiquement des logiciels fiables, sécurisés, faciles à maintenir et en adéquation avec les objectifs de l’entreprise. À mesure que l’IA continue de progresser, les organisations qui privilégient les résultats durables plutôt que la production à court terme seront mieux placées pour assurer une croissance soutenue.

Principaux enseignements pour les dirigeants

• Mettre en place une plateforme logicielle : l’IA apporte le plus de valeur lorsqu’elle s’inscrit dans une plateforme intégrée qui relie la planification, le développement, les tests, le déploiement et la gouvernance. Les dirigeants devraient investir dans des flux de travail de bout en bout plutôt que dans des outils d’IA isolés.
• Réorientez l’attention des dirigeants de la vitesse de codage vers les décisions relatives aux produits : l’IA éliminant de nombreux obstacles à l’écriture de code, l’avantage concurrentiel réside désormais dans la capacité à déterminer ce qu’il convient de développer et à s’assurer que cela génère une valeur commerciale à long terme. Accordez la priorité à la gouvernance, à l’architecture et à la stratégie produit, au même titre qu’à la productivité technique.
• Évaluez la réussite de l’IA en fonction de sa fiabilité : un développement plus rapide peut également entraîner une augmentation des défauts et de la complexité opérationnelle. Suivez la stabilité de la production, les taux d’incidents et la qualité des logiciels parallèlement à la rapidité de livraison afin de vous assurer que l’IA améliore les résultats de l’entreprise plutôt que de se contenter d’augmenter le volume de code.
• Intégrez la gouvernance à chaque étape de la livraison logicielle : la normalisation, la traçabilité, les tests automatisés et les contrôles de sécurité doivent être intégrés tout au long du cycle de vie du développement. Ces fonctionnalités rendent les logiciels générés par l’IA plus fiables, plus faciles à auditer et plus simples à maintenir à grande échelle.
• Définissez la productivité en fonction de résultats opérationnels durables : les organisations les plus performantes ne seront pas celles qui produisent le plus de code, mais celles qui fournissent systématiquement des logiciels sécurisés, faciles à maintenir et prêts à être mis en production. Concentrez vos investissements sur les pratiques d’ingénierie qui réduisent les défauts en aval et favorisent la croissance à long terme.