Le code généré par l’IA exige une vérification à la hauteur

Un codage plus rapide laisse subsister un problème de livraison logicielle

L’IA aide les développeurs à produire du code plus vite que les organisations ne peuvent le mettre en production. Pour les DSI et les responsables de l’ingénierie, cet écart change la question d’investissement : quelle quantité de code supplémentaire l’entreprise peut-elle vérifier et livrer de manière fiable ? La formule « Les développeurs codent plus vite. Les revues de code absorbent les gains » résume le risque : une génération plus rapide crée davantage de travail de vérification, qui peut devenir l’étape limitant la livraison.

Bain avertit qu’ajouter de la technologie sans modifier les processus peut aggraver ce problème. Le cabinet recommande de relier les informations propres à l’entreprise, les contrôles automatisés et la mesure de la livraison afin qu’un codage plus rapide puisse déboucher sur des mises en production fiables. Bain a également un intérêt commercial à la demande de conseil en technologie et en transformation organisationnelle ; ses recommandations décrivent donc des problèmes auxquels des missions de conseil peuvent répondre.

Les chiffres de Bain montrent l’enjeu pour la livraison

Les attentes rapportées par Bain expliquent la pression pour améliorer la livraison. Au cours des un à deux prochaines années, les dirigeants anticipent une « amélioration de 148 % de la vitesse du cycle de release » et une « hausse de 95 % de la productivité des développeurs logiciels ». Bain oppose ces attentes aux « gains de 20 à 27 % » que les organisations obtiennent aujourd’hui, ce qui met les DSI sous pression pour expliquer comment de nouveaux investissements amélioreront les résultats.

Pour comprendre cet écart, il faut distinguer les activités mesurées, car la vitesse de release et la productivité des développeurs décrivent des résultats différents. Un développeur peut terminer une tâche de codage plus tôt alors que le travail produit attend plus longtemps avant d’être revu. Les dirigeants doivent donc examiner comment le travail passe du développement à la production, en commençant par les informations que les développeurs fournissent aux systèmes d’IA.

Donnez à l’IA accès au contexte propre à l’entreprise

Préparer l’IA à travailler dans la base de code d’une entreprise est la première étape. Les développeurs en font déjà une partie manuellement en fournissant les informations dont un modèle a besoin. Doddapaneni de Bain inscrit ce travail dans une réponse plus large : « Dans notre travail, nous voyons trois domaines sur lesquels les DSI doivent se concentrer : corriger les entrées, construire un harnais de qualité déterministe et mesurer l’ensemble du système, pas seulement la vitesse de codage. » Ici, un harnais de qualité déterministe désigne un ensemble de contrôles répétables appliqués au travail assisté par l’IA.

L’amélioration de ces entrées commence par le fait de rendre les connaissances de l’entreprise accessibles aux modèles. Bain recommande de fournir des informations sur l’architecture de la base de code, la documentation et les standards via l’environnement de développement, afin de réduire le contexte que les développeurs doivent fournir manuellement. L’architecture décrit la manière dont le logiciel s’articule ; la documentation et les standards expliquent comment le travail doit être réalisé. Avec ces informations disponibles, les développeurs ont moins besoin de réexpliquer les mêmes exigences.

Les mêmes informations aident à définir des limites pour les agents, les systèmes d’IA qui exécutent des tâches de développement. L’architecture et les standards décrivent l’environnement dans lequel leur travail doit s’intégrer, tandis que la documentation fournit des indications propres à l’entreprise. Bain relie ces indications à la vérification : les entrées orientent le travail, et les contrôles intégrés au processus de développement évaluent si le résultat répond aux exigences.

Intégrez la vérification au workflow et préservez le jugement humain

Vérifier ces résultats devient plus difficile lorsque la génération plus rapide envoie davantage de code dans le même processus de revue humaine. Chaque demande de revue supplémentaire peut allonger le chemin vers la production, de sorte qu’un codage plus rapide peut accroître la pression sur les évaluateurs. Doddapaneni propose de changer l’endroit où s’effectue la vérification : « Les entreprises devraient cesser de considérer la vérification comme une activité uniquement humaine et intégrer la confiance dans le système lui-même », déclare Doddapaneni.

Pour mettre ce principe en pratique, Bain recommande d’intégrer directement au workflow de développement les tests automatisés, les contrôles de sécurité et les contrôles de politique interne. Les tests automatisés vérifient le comportement du travail généré au fur et à mesure du développement, réduisant la dépendance au fait qu’une personne découvre les problèmes lors d’une inspection ultérieure. Les contrôles de sécurité appliquent les exigences de sécurité dans le même workflow, donnant aux équipes un moyen cohérent d’examiner le code à mesure que la génération augmente.

Les contrôles de politique interne étendent ces vérifications aux règles de l’organisation. Ils relient ce que l’entreprise autorise au travail effectué par les systèmes d’IA, renforçant les limites des agents définies grâce au contexte propre à l’entreprise. Ensemble, ils déplacent une plus grande part de la vérification dans le parcours normal allant du développement à la mise en production.

Déplacer les contrôles dans ce parcours modifie aussi les points où les équipes ont besoin d’attention humaine. Bain recommande de réserver les personnes aux décisions où leur jugement apporte le plus de valeur, tandis que les contrôles intégrés effectuent les vérifications que le workflow peut appliquer de manière cohérente. Les dirigeants doivent donc décider quelles décisions de revue exigent un jugement humain et à quel endroit du processus elles doivent intervenir. L’objectif est de réduire la dépendance à de longues revues pour découvrir les problèmes.

Mesurez les résultats sur l’ensemble du processus de livraison

Pour évaluer si ce changement aide, la mesure doit suivre le travail tout au long de la livraison. Le volume de code et l’activité des développeurs peuvent montrer qu’un outil d’IA est utilisé, mais une équipe peut générer davantage de code tout en accumulant plus de travail de revue. Bain recommande d’examiner ensemble cinq mesures : la fréquence des releases, le cycle time, les taux de défauts, les charges de revue et le succès des déploiements.

Les deux premières mesures montrent si le travail progresse plus efficacement dans le processus. La fréquence des releases enregistre à quelle fréquence le logiciel est publié, tandis que le cycle time suit le temps nécessaire au passage du travail à travers le développement et la livraison. Ensemble, elles aident les dirigeants à distinguer un codage plus rapide d’une livraison logicielle plus rapide, car un changement peut accélérer une activité tout en laissant le travail en attente à l’étape suivante.

Une livraison plus rapide a aussi besoin d’un contrôle de fiabilité, d’où l’importance des taux de défauts et du succès des déploiements. Des releases plus fréquentes n’ont pas la même signification pour l’entreprise si les défauts augmentent ou si les déploiements échouent plus souvent. Examiner ces mesures en parallèle du rythme de livraison aide les dirigeants à juger si les équipes maintiennent la qualité à mesure qu’elles modifient la façon dont le logiciel est généré et vérifié.

Les charges de revue complètent le tableau en montrant l’effet sur les personnes responsables de l’assurance qualité. Si la génération s’accélère alors que les revues demandent plus de travail, cette pression doit entrer dans l’évaluation de la contribution de l’IA. Comparer la demande de revue avec le rythme de release et la fiabilité aide les dirigeants à voir si un changement de processus améliore la livraison ou reporte davantage de travail sur les évaluateurs.

Le passage à l’échelle de l’IA change ce que les dirigeants doivent coordonner

Le suivi du travail entre les personnes et les contrôles automatisés soulève une question organisationnelle plus large. Doddapaneni décrit ce changement ainsi : « Les workflows et les structures d’équipe d’aujourd’hui ont été conçus pour coordonner des personnes. L’IA change ce qui doit être coordonné », explique Doddapaneni. À mesure que les systèmes d’IA prennent en charge des tâches de développement, les dirigeants doivent organiser la manière dont ils reçoivent les informations de l’entreprise, restent dans les limites autorisées et font passer leur travail par des contrôles et des décisions humaines.

Pour Doddapaneni, ces dispositifs constituent une base d’avantage concurrentiel : « Les entreprises qui prendront de l’avance ne seront pas celles qui disposent du meilleur modèle. Ce seront celles qui auront construit l’architecture permettant à l’IA de fonctionner de manière fiable à grande échelle. » Ici, l’architecture inclut les dispositifs techniques et organisationnels qui permettent à l’IA de fonctionner de manière fiable dans le développement. Le choix du modèle fait partie de cette conception plus large, qui détermine aussi comment les équipes attribuent les responsabilités lorsque le travail généré par l’IA passe d’un système à une personne, puis à une autre.

Points clés

Ancrez l’investissement dans les résultats de livraison : Bain fait état de gains attendus de 148 % sur la vitesse du cycle de release et de 95 % sur la productivité des développeurs, contre des gains actuels de 20 à 27 %. Les DSI doivent identifier où les retards de revue et de mise en production pourraient absorber de nouveaux gains de codage.
Donnez à l’IA un contexte propre à l’entreprise : Les équipes d’ingénierie peuvent réduire les prompts manuels répétés en rendant disponibles, via les environnements de développement, l’architecture de la base de code, la documentation et les standards. Ce contexte aide aussi à définir des limites pour les agents d’IA.
Intégrez la vérification au développement : Les responsables de l’ingénierie ont besoin de tests automatisés, de contrôles de sécurité et de contrôles de politique interne intégrés aux workflows pour gérer des volumes de code croissants. Réservez la revue humaine aux décisions où le jugement apporte le plus de valeur.
Mesurez l’ensemble du processus de livraison : Suivez ensemble la fréquence des releases, le cycle time, les taux de défauts, les charges de revue et le succès des déploiements. Ces mesures montrent si un codage plus rapide produit des mises en production fiables ou reporte davantage de travail sur les évaluateurs.
Coordonnez le travail de l’IA entre systèmes et personnes : Les DSI doivent définir comment les agents reçoivent l’information, opèrent dans des limites définies et font passer le travail par des contrôles automatisés et des décisions humaines. Ces dispositifs techniques et organisationnels soutiennent un développement de l’IA fiable à grande échelle.