Le vrai travail commence après l’IA

La génération rapide de code par l’IA crée des défis en matière de préparation à la production

L’IA écrit beaucoup de code. C’est une bonne chose en termes de rendement, mais la situation n’est pas si simple. En 2024, on estime que l’IA a généré 256 milliards de lignes de code, soit environ 41 % de ce qui est écrit actuellement. Même Google indique qu’environ 25 % de son code est désormais produit par des machines.

Cela semble impressionnant, mais le volume et la valeur sont deux choses différentes. En réalité, ce n’est pas parce que le code est écrit qu’il est prêt pour la production. L’IA se trompe encore souvent, en utilisant des bibliothèques non prises en charge, en violant les règles de compilation ou en introduisant des erreurs logiques subtiles qui ne sont pas évidentes à première vue. Et lorsque le code de l’IA est mis en production, ces « petites » erreurs se transforment rapidement en véritables problèmes.

Les ingénieurs de haut niveau de l’ensemble de l’industrie constatent le même phénomène. Selon une enquête récente menée auprès de 500 responsables de l’ingénierie, 59 % d’entre eux signalent des erreurs dans le code généré par l’IA. code généré par l’IA plus de la moitié du temps. 67 % d’entre eux déclarent passer plus de temps à déboguer ce code qu « à corriger le leur. C’est le goulot d » étranglement que nous avons échangé contre la vitesse, et nous devons nous y attaquer si nous voulons que toute cette puissance générative porte ses fruits.

Les dirigeants doivent le savoir : le plus rapide n’est pas toujours le meilleur si le résultat compromet la qualité et ralentit la livraison finale. L’objectif final est l’aptitude à la production, pas seulement le volume, et certainement pas un code qui « a l’air bon ».

L’évolution du rôle des développeurs met l’accent sur la supervision et l’assurance qualité

L’idée selon laquelle l’IA remplacerait les développeurs est dépassée. Ce qui se passe en réalité, c’est que l’IA modifie le rôle du développeur : L’IA modifie le rôle du développeur. Ils ne se contentent plus de coder, ils supervisent, guident et améliorent le code que les machines écrivent.

Les développeurs passent désormais plus de temps à examiner et à valider les résultats de l’IA. Comme le dit Marcus Eagan, PDG de NativeLink, « les agents ont leur propre esprit », ce qui signifie que les développeurs doivent surveiller les dérives comportementales entre ce que fait le code dans un environnement de test et la façon dont il se comporte en production. Ce n’est pas une mince affaire, il faut des personnes qui comprennent le système de bout en bout.

Les données le confirment. La même enquête, menée auprès de 500 responsables techniques, a révélé que 68 % d’entre eux déploient des efforts supplémentaires uniquement pour résoudre les problèmes de sécurité générés automatiquement par les outils d’IA. Le débogage des travaux d’IA prend plus de temps parce que les ingénieurs ne se contentent pas de corriger les erreurs, ils essaient de comprendre les décisions prises par un modèle qui ne s’explique pas lui-même.

Cela signifie que nous ne réduisons pas les effectifs, mais que nous réorientons les efforts des développeurs. Nous avons toujours besoin de personnes techniquement qualifiées, mais nous avons plus que jamais besoin qu’elles se concentrent sur l’assurance qualité, les tests, l’intégration des systèmes et la sécurité. Ces tâches sont plus difficiles, pas plus faciles, et elles sont essentielles pour que tous les résultats générés par l’IA soient réellement utiles.

Les dirigeants doivent planifier en conséquence. L’IA nous donne un effet de levier, mais seulement si elle est déployée avec une forte couche de raffinement humain. Ce n’est pas du gaspillage, c’est ce qui donne sa valeur à la production des machines.

L’émergence d’outils assistés par ordinateur améliore la validation de la qualité du code

L’IA ne se contente pas d’écrire du code, elle contribue désormais à le valider. Plusieurs outils spécialisés sont entrés en scène, conçus pour résoudre les problèmes introduits par les moteurs de code génératif. Il s’agit notamment d’outils d’analyse statique, de détecteurs de bogues, de scanners de sécurité et de générateurs de tests, tous mis à jour pour gérer les caractéristiques uniques du code généré par la machine.

Des plateformes telles que SonarQube et Snyk utilisent désormais leur propre IA pour repérer les vulnérabilités et les bogues dans le code écrit par d’autres outils d’IA. Elles ne se contentent pas de détecter les problèmes, elles appliquent également des correctifs avant que le code ne soit fusionné. Cela permet aux équipes d’ingénieurs de gagner du temps et de réduire les risques avant qu’ils n’atteignent la production. Diffblue Cover est un autre bon exemple. Il génère des tests unitaires pour le code Java et il a été démontré qu’il le fait jusqu’à 250 fois plus rapidement que les tests manuels.

La société de Marcus Eagan, NativeLink, soutient également cet effort. Elle aide les équipes à accélérer leur infrastructure de construction en réduisant les longs temps de compilation et d’exécution, transformant ce qui prenait des jours en heures. C’est important lorsque les systèmes d’intelligence artificielle génèrent des milliers de lignes par jour. Vous avez besoin d’une infrastructure qui suive.

Pour les dirigeants, la conclusion est simple : si vous utilisez l’IA pour écrire du code, vous avez besoin d’outils pour la gérer. L’IA a besoin d’une deuxième couche d’IA, non pas pour remplacer les développeurs, mais pour leur donner plus de temps pour se concentrer sur les priorités stratégiques. Considérez l’outillage comme faisant partie d’un système plus large qui garantit que la qualité du code ne s’effondre pas sous l’élan du volume de production.

Les adaptations stratégiques du flux de travail sont essentielles pour gérer le code piloté par l’IA

L’IA ne s’adaptera pas à vos processus, vous devez adapter vos flux de travail à l’IA. Cela signifie une structure claire sur comment, quand et pourquoi le code généré par l’IA est utilisé. Prendre des raccourcis dans ce domaine conduit à des problèmes à long terme, en particulier lorsque la vitesse prend le pas sur la sécurité ou la conformité.

La bonne approche consiste à traiter le code généré par l’IA comme une première ébauche, et non comme un matériau prêt pour la production. Chaque ligne doit être revue par un développeur senior ou un propriétaire de code avant d « être déployée, de la même manière que vous traiteriez le travail d’un nouveau membre de l » équipe. Ajoutez l’analyse statique du code, le linting et les scans de sécurité dans vos pipelines d’intégration continue, sans exception. Des outils comme ESLint, SonarQube, Bandit ou Snyk peuvent détecter des problèmes clés avant qu’ils n’affectent les systèmes de production.

Vous avez également besoin de politiques d’utilisation claires. Définissez les domaines dans lesquels les outils d’IA sont autorisés : la génération d’un code passe-partout est acceptable, mais la manipulation d’une logique critique pour l’entreprise ne l’est pas. Marquez le code généré par l’IA dans les demandes de téléchargement. Il est ainsi plus facile de repérer les domaines nécessitant un examen plus approfondi, et les questions de transparence et de licence sont réglées dès le départ.

Les chefs d’entreprise devraient mettre en œuvre ces politiques à grande échelle. Il ne s’agit pas de frais généraux, mais d’une structure. Il donne à votre équipe confiance et clarté lorsqu’elle s’engage avec des outils d’IA. Si l’IA doit rester dans votre processus de développement, et c’est ce qu’elle fera, alors la structure et les flux de travail d’examen sont ce qui déterminera son efficacité. Sans cela, vous ne gérez pas l’IA, vous y réagissez.

La formation continue des développeurs à l’IA est essentielle dans un environnement de codage hybride.

L’IA modifie la façon dont les logiciels sont écrits, ce qui signifie que les compétences des développeurs doivent évoluer. Il ne s’agit plus seulement d « écrire un bon code, mais de comprendre code généré par une machine imprévisible. Les équipes doivent développer ce qui est en fait une “culture de l’IA” : la capacité d » évaluer, de corriger et de sécuriser les résultats générés par l’IA sans supposer qu’ils sont corrects.

Les outils d’IA tels que GitHub Copilot s’améliorent, mais ils ne comprennent pas le contexte comme le ferait un humain. Cela conduit à un code qui peut fonctionner mais qui manque de fiabilité, d’hygiène de sécurité ou de maintenabilité à long terme. Les développeurs doivent devenir plus forts dans des domaines tels que les pratiques de codage sécurisées, la modélisation des menaces et le débogage systématique. Lorsque l’IA introduit par inadvertance des vulnérabilités, telles que des injections SQL ou des failles dans la gestion de la mémoire, les équipes doivent les détecter et les résoudre avant que le code ne s’exécute.

Il est également essentiel d’intégrer de solides pratiques de test. Les développeurs doivent penser à rédiger une logique de test parallèlement à tout code assisté par l’IA. Les tests unitaires, les scénarios d’intégration, les mesures de couverture des tests protègent vos systèmes en obligeant les résultats de l’IA à passer des portes mesurables.

Pour les dirigeants, ce changement nécessite des investissements ciblés dans la formation et le développement des équipes. La montée en compétence n’est pas facultative lorsque l’IA entre dans votre processus de construction ; c’est le seul moyen de protéger la fiabilité et la sécurité de vos flux de travail d’ingénierie. Les développeurs dotés de la bonne combinaison de jugement, de familiarité avec l’automatisation et d’un état d’esprit de développement sécurisé donneront à votre organisation un véritable avantage opérationnel.

La trajectoire future de l’IA s’oriente vers une plus grande automatisation avec une surveillance humaine continue.

La direction est claire : l’IA automatisera une plus grande partie du cycle de vie du code. Nous en voyons déjà les prémices dans des systèmes tels que GitHub Copilot, Amazon CodeGuru et Sourcegraph Cody, qui gèrent tout, des suggestions de code à la détection des bogues, en passant par la génération de tests et l’analyse des demandes d’extraction. Certains outils, comme E2B, offrent des environnements de test sécurisés qui exécutent du code généré par l’IA. code généré par l’IA dans des environnements isolés avant qu’un humain ne touche le résultat.

Des projets comme Zencoder vont encore plus loin avec des systèmes multi-agents. Ces systèmes délèguent des tâches à plusieurs agents d’intelligence artificielle spécialisés, qui écrivent, valident, testent et intègrent le code. Au fil du temps, les développeurs pourraient ainsi consacrer moins d’efforts aux étapes d’intégration ou de validation de routine.

Mais l’automatisation n’élimine pas le besoin de supervision humaine, elle l’amplifie. Les développeurs définiront les règles, testeront les limites, examineront les résultats finaux et veilleront à ce que le logiciel s’aligne sur les priorités de l’entreprise. Ils débogueront les exceptions qui ne sont pas gérées par les systèmes d’intelligence artificielle et surveilleront les cas limites qui échappent encore au raisonnement de la machine.

Pour les dirigeants, cela signifie qu’il faut planifier de manière stratégique. Adoptez des systèmes d’IA qui réduisent le temps d’ingénierie, mais équilibrez toujours cela avec des flux de travail clairs et des contrôles humains. Pilotez l’automatisation progressivement. Examinez systématiquement les résultats. Laissez l’IA gérer l’échelle, mais comptez sur les personnes pour piloter la précision. C’est cette combinaison qui fait avancer le développement sans compromettre la qualité.

Faits marquants

• Un code rapide, une livraison plus lente : L’IA produit désormais près de la moitié du code, mais l’état de préparation de la production est retardé par des erreurs, des dépendances instables et des failles logiques. Les dirigeants doivent tenir compte de l’augmentation du temps consacré à l’assurance qualité lorsqu’ils adoptent des outils de codage génératif.
• Les rôles des développeurs évoluent : L’IA fait passer l’attention des développeurs de l’écriture du code à la révision, au débogage et à la sécurisation. Les dirigeants devraient investir dans des rôles et des flux de travail qui donnent la priorité à la surveillance et à la stabilité du système.
• L’outillage est essentiel : Les outils de validation alimentés par l’IA tels que SonarQube, Snyk et Diffblue Cover sont essentiels pour détecter rapidement les bogues et accélérer les tests. Les dirigeants devraient intégrer ces solutions dans les pipelines CI/CD pour gérer à l’échelle les résultats générés par l’IA.
• Les politiques de flux de travail réduisent les risques : Définissez de manière proactive où et comment le code généré par l’IA doit être utilisé, examiné et étiqueté. Des directives claires protègent la qualité du code et garantissent le respect des normes de propriété intellectuelle, de conformité et de sécurité.
• Les équipes ont besoin de connaissances en matière d’IA : Les développeurs doivent être formés pour détecter les vulnérabilités introduites par l’IA, rédiger des tests efficaces et déboguer les codes inconnus. L’amélioration des compétences en matière de développement sécurisé et piloté par les tests devrait être une priorité pour les dirigeants.
• L’IA se développe rapidement, mais la supervision reste importante : Les systèmes d’IA multi-agents peuvent automatiser une plus grande partie du cycle de construction et de révision, mais les humains restent essentiels pour définir les paramètres de qualité et la validation finale. Les dirigeants doivent piloter l’automatisation de manière réfléchie tout en maintenant la responsabilité de l’ingénierie.