Acheter des agents de codage implique aussi de repenser le travail logiciel
Acheter un agent de codage engage une entreprise à modifier la manière dont le travail logiciel est attribué, revu et rémunéré. Un agent de codage est un système d’IA qui exécute des tâches de développement logiciel avec une certaine autonomie, tandis que des personnes orientent et évaluent son travail. Cette autonomie peut accroître l’activité de développement, mais les gains de productivité dépendent des décisions prises concernant la responsabilité humaine, l’accès aux connaissances de l’organisation et le coût d’exploitation des agents aux côtés des employés.
Ces décisions comptent d’autant plus que les entreprises continuent d’investir malgré des résultats décevants. La poursuite des dépenses montre l’importance que les entreprises accordent au déploiement ; les retours dépendent de ce qui se passe au sein de l’organisation. Pour les responsables de l’ingénierie, choisir un outil performant s’inscrit donc dans une question d’investissement plus large : que faut-il changer pour qu’un développement plus rapide reste fiable, gérable et transparent dans ses coûts ?
La hausse des investissements confirme l’engagement du marché
Les perspectives d’investissement montrent à quel point les entreprises poursuivent activement cette opportunité. McKinsey prévoit que l’investissement dans le développement logiciel agentique, c’est-à-dire le développement réalisé avec des agents, sera multiplié par « plus de douze » entre 2025 et 2026. McKinsey a également un intérêt commercial dans cette transition : en tant que cabinet de conseil, il peut tirer parti de l’accompagnement des entreprises sur l’adoption de l’IA et les changements organisationnels qui en découlent. Sa prévision décrit les dépenses attendues ; les retours productifs dépendront de la manière dont les clients utiliseront cet investissement.
Le marché plus large de l’IA offre une autre mesure de la demande. Les prévisions récentes de Gartner situent les dépenses mondiales en IA à 2,7 billions de dollars pour « cette année », soit une hausse de 49,5 % sur un an. Le chiffre de Gartner couvre l’IA dans son ensemble, tandis que la prévision de McKinsey concerne le développement logiciel agentique. Ces prévisions décrivent des marchés différents et doivent donc rester distinctes lorsqu’on évalue l’ampleur de l’investissement dans les agents de codage.
Sur ce marché, les fournisseurs se disputent les budgets des entreprises. Le rachat annoncé d’Anysphere, créateur de l’agent de codage IA Cursor, par SpaceXAI en août s’est accompagné d’un prix de 60 milliards de dollars. Claude Code d’Anthropic et Codex d’OpenAI, tous deux lancés il y a plus d’un an, comptent aussi parmi les principaux concurrents. SpaceXAI, Anthropic et OpenAI ont tout à gagner de l’adoption par les entreprises, tandis que leurs clients doivent transformer ces achats en travail quotidien utile.
Un projet en tête ?
Planifiez un appel de 30 minutes avec nous.
Des experts senior pour vous aider à avancer plus vite : produit, tech, cloud & IA.
Une génération plus rapide transforme le travail humain et alourdit la charge de contrôle
Transformer un achat en travail utile commence par l’attribution des responsabilités. McKinsey décrit des entreprises qui introduisent des agents aux côtés des employés et réorganisent le travail autour de cette collaboration. À mesure que les agents prennent en charge des tâches de développement, les ingénieurs assument une responsabilité accrue dans la gestion des résultats de l’IA et dans la décision de savoir si le travail généré est prêt à passer à l’étape suivante. La capacité de développement dépend donc de la quantité de travail que les personnes peuvent évaluer et intégrer tout en maintenant les standards de livraison.
La revue devient plus difficile à coordonner lorsque les agents et les personnes travaillent à des moments différents. McKinsey constate que certaines organisations commencent à utiliser des workflows d’agents asynchrones, dans lesquels les agents travaillent sans qu’une personne participe au même moment. Ces workflows s’étendent « pendant la nuit » et « sur les week-ends », dissociant la production du travail des heures où les personnes peuvent l’évaluer. Les entreprises ont donc besoin d’un moyen d’intégrer ces résultats dans les décisions humaines sans submerger les ingénieurs qui en sont responsables.
La coordination devient aussi plus difficile lorsque les agents modifient le rythme du développement. Prakhar Dixit, partner chez McKinsey, décrit un travail auparavant organisé en sprints de deux semaines, qui évolue vers un cycle continu de rédaction, de test, de débogage et de documentation impliquant des agents et des évaluateurs humains. Chaque activité alimente le travail suivant, permettant à la livraison d’avancer par échanges répétés. Le développement continu peut coexister avec des sprints conventionnels, mais les responsabilités de revue doivent rester claires à mesure que les révisions s’accumulent.
Maintenir ces responsabilités claires signifie aussi prêter attention à la confiance des développeurs. Selon McKinsey, près de la moitié des développeurs dans le monde disent se méfier activement de l’exactitude des outils d’IA. Ce constat mesure la confiance dans les outils d’IA au sens large ; il est distinct d’un taux d’échec des agents de codage. Puisqu’on demande aux développeurs d’assumer la responsabilité du travail généré, un workflow efficace doit leur donner une base concrète pour juger s’il est suffisamment fiable pour être utilisé.
Le jugement des développeurs reste donc central, même lorsque les agents travaillent de manière plus autonome. Dixit formule directement le défi de direction : « Le défi de direction consiste à accroître la vitesse sans affaiblir la maintenabilité, la qualité ou le contrôle », dit-il. La maintenabilité signifie que les personnes peuvent continuer à faire évoluer et à prendre en charge le logiciel, tandis que la qualité et le contrôle déterminent si un travail plus rapide reste acceptable pour l’entreprise. Générer davantage crée de la valeur lorsque les ingénieurs peuvent transformer le résultat en logiciel qu’ils sont prêts à maintenir et à exploiter.
L’utilité des agents dépend du contexte qu’une entreprise peut fournir
La capacité des ingénieurs à accepter le travail généré dépend aussi des informations mises à la disposition de l’agent qui le produit. Le code d’entreprise coexiste avec des politiques, un historique produit et des règles opérationnelles qui déterminent quelles modifications sont appropriées. Un agent a besoin de ce contexte organisationnel pour comprendre une tâche dans l’environnement où son résultat sera utilisé. La revue humaine et l’accès aux connaissances traitent donc de volets liés d’un même processus de développement.
Ce besoin de contexte crée une demande pour une infrastructure de soutien. Les graphes de connaissances structurés organisent l’information et les relations entre ses éléments, tandis qu’une indexation avancée des dépôts facilite la recherche d’informations dans les référentiels de code. Les systèmes de contexte d’entreprise rendent accessibles des connaissances organisationnelles plus larges pendant le travail d’un agent, y compris les règles et l’historique entourant le code. Ces outils aident les agents à trouver et interpréter les informations pertinentes ; la bonne combinaison dépend des besoins de l’entreprise.
Mais l’infrastructure n’est utile qu’à hauteur des informations qu’elle rend disponibles. McKinsey indique que les organisations disposant d’une documentation claire peuvent avoir plus de facilité à tirer de la valeur de leurs investissements en IA, car les politiques documentées, les décisions produit et les règles de fonctionnement peuvent éclairer le travail des agents. La documentation devient ainsi un intrant du développement logiciel réalisé par des agents. Sa qualité influe sur le contexte disponible pour une tâche, même lorsque l’outil de codage lui-même est performant.
Les entreprises dont la documentation est floue ou l’infrastructure de contexte limitée font donc face à un problème supplémentaire de préparation. Une stratégie d’achat et de déploiement suppose que l’agent trouvera suffisamment de connaissances exploitables pour travailler efficacement au sein de l’organisation. Lorsque cette hypothèse est fragile, les dirigeants doivent inclure l’amélioration de l’environnement informationnel dans la décision de déploiement. Ces entreprises peuvent tout de même en tirer parti, mais rendre les connaissances organisationnelles exploitables devient une partie du travail nécessaire pour créer de la valeur.
Le modèle de coûts doit prendre en compte ensemble les personnes et l’usage de l’IA
Fournir du contexte et conserver une revue humaine ont tous deux un impact sur les coûts de déploiement. McKinsey observe que certaines entreprises commencent à évaluer l’économie du développement logiciel en combinant les coûts de main-d’œuvre et les coûts d’usage de l’IA. Cette pratique émergente reflète un processus dans lequel employés et agents contribuent au même travail livré. Les ingénieurs continuent d’orienter et d’évaluer les résultats, tandis que l’organisation paie aussi pour la consommation d’IA.
Puisque les deux ressources contribuent, évaluer une tâche suppose d’examiner l’ensemble du processus qui produit un logiciel exploitable. Une tâche réalisée avec moins de rédaction manuelle peut tout de même impliquer une revue humaine et plusieurs cycles d’activité des agents. La comparaison pertinente relie ces coûts au travail que l’entreprise accepte, y compris l’effort nécessaire pour y parvenir. Cela donne aux organisations une base d’évaluation tout en leur laissant le soin de déterminer comment répartir les coûts dans leurs workflows.
Rendre visibles ces deux formes de dépenses permet aux dirigeants d’examiner si les changements dans le développement produisent des retours intéressants. Les coûts totaux peuvent augmenter ou diminuer à mesure que l’équilibre entre effort humain et usage de l’IA évolue. Mesurer cet équilibre aide les entreprises à évaluer leurs ambitions de productivité au regard des ressources nécessaires pour les atteindre. La décision financière devient alors une composante de la conception du travail conjoint des employés et des agents.
Le niveau de préparation de l’entreprise fixe la limite de l’autonomie
Les ressources nécessaires à cette collaboration déterminent aussi le niveau d’activité indépendante qu’une entreprise peut accepter. Oana Cheta, partner chez McKinsey, définit directement la frontière du déploiement : « La question déterminante de l’ère agentique n’est pas de savoir jusqu’où les agents peuvent devenir autonomes, mais quel niveau d’autonomie l’entreprise peut absorber en toute sécurité », dit-elle. Une plus grande capacité technique élargit l’éventail des tâches pouvant être déléguées, tandis que l’entreprise doit décider quelles activités elle est prête à placer sous ce degré d’indépendance.
Principaux enseignements pour les dirigeants
- L’investissement a besoin d’un plan opérationnel : McKinsey prévoit une croissance de plus de douze fois des investissements dans le développement logiciel agentique entre 2025 et 2026. Les responsables de l’ingénierie doivent relier les achats à des responsabilités claires, à une capacité de revue et à des standards de livraison.
- La revue humaine donne le rythme : Les workflows d’agents nocturnes et continus augmentent le volume de travail en attente d’évaluation. Les managers de l’ingénierie ont besoin d’une attribution explicite de la responsabilité de revue et de workflows qui maintiennent le travail généré à un niveau gérable tout en protégeant la qualité et la maintenabilité.
- Le contexte organisationnel favorise des résultats utiles : Une documentation claire, l’indexation des dépôts et l’accès aux connaissances de l’organisation aident les agents à produire un travail adapté à l’entreprise. Les plans de déploiement doivent traiter les lacunes en matière de politiques, d’historique produit et de règles de fonctionnement.
- L’économie du développement combine main-d’œuvre et usage de l’IA : Les responsables financiers et de l’ingénierie doivent évaluer la consommation d’IA en parallèle de l’effort humain nécessaire pour orienter, revoir et réviser les résultats. Comparez ces coûts combinés au logiciel que l’entreprise accepte.
- Le niveau de préparation de l’entreprise encadre l’autonomie : Le niveau approprié d’indépendance des agents dépend de la capacité de l’organisation à superviser et absorber leur travail. Les responsables de l’ingénierie doivent aligner les tâches déléguées sur le contexte disponible, la capacité de revue et les contrôles.
Un projet en tête ?
Planifiez un appel de 30 minutes avec nous.
Des experts senior pour vous aider à avancer plus vite : produit, tech, cloud & IA.
