IA dans le développement logiciel

Nous utilisons l’IA pour écrire du code et nous n’allons pas plus vite

Avec un assistant IA, l’écriture du code s’accélère, et le reste du cycle reste comme avant : la revue de code s’allonge, les tests manquent, la pipeline fixe le nombre de modifications qui arrivent en production. Chaque pull request plus grosse allonge la file de revue, et chaque développeur qui utilise l’assistant à sa façon, sans règles d’équipe, en produit de plus grosses.

Réservez un appel

Vous vous reconnaissez ?

  • Les développeurs disent écrire du code plus vite, et la fréquence des mises en production est restée la même.
  • Les pull requests sont devenues plus grosses, et celles qui attendent une revue de code s’accumulent.
  • Chacun utilise l’assistant à sa façon, certains avec un compte personnel, et l’équipe n’a pas d’idée commune de ce qui fonctionne.
  • Le code généré passe la revue, puis les défauts se découvrent en recette ou en production.
  • Les licences et les tokens coûtent de plus en plus cher, et l’on ne voit pas ce qui a changé dans le travail.

Qu’est-ce qui freine une équipe qui écrit du code avec l’IA ?

Le rapport DORA 2025 de Google Cloud décrit l’IA comme un amplificateur de ce qu’une organisation est déjà, points faibles compris. Les causes ci-dessous sont ces points faibles, et chacune allonge à sa manière le temps que le travail passe en attente après l’écriture du code.

  1. Le travail s’arrête après l’écriture du code

    Souvent, le temps part une fois le code écrit. La pull request attend quelqu’un qui la relise, la recette démarre quand un environnement est libre. Quand le goulot d’étranglement est là, le code écrit avec l’assistant arrive plus tôt puis attend comme celui d’avant. Suivre le cycle entier, du backlog à la production, comme le fait le [diagnostic de la delivery logicielle](/servizi/trasformazione/assessment-velocita-sviluppo), montre où le temps se perd.

  2. Des modifications plus grosses, et peu de tests pour les protéger

    Avec un assistant, il est facile de produire en peu de temps une modification qui touche beaucoup de fichiers, et la personne qui la relit doit la comprendre en entier avant de l’approuver. Sans tests automatiques écrits en même temps que le code, la revue reste le seul filet, et elle ralentit précisément là où l’IA avait fait gagner du temps.

  3. La pipeline fixe la limite

    Un build lent ou une mise en production qui demande des étapes manuelles déterminent combien de modifications peuvent arriver en production, quelle que soit la vitesse à laquelle on écrit le code. Le gain de l’IA s’arrête là, devant la prochaine fenêtre de mise en production.

  4. Chacun utilise l’IA de son côté

    Chaque développeur s’est construit sa méthode, avec des outils et des règles différents, parfois hors de toute politique de l’entreprise, sans que l’équipe ait décidé sur quel travail l’IA devait agir ni comment en mesurer l’effet. Chacun gagne du temps pour soi, et le flux de l’équipe reste ce qu’il était.

Ce qui change quand l’IA accélère le travail de l’équipe

L’équipe utilise assistants et agents avec des règles partagées, là où le travail ralentissait. Les modifications sont petites, les tests s’écrivent en même temps que le code, les revues ne forment plus une file. Le temps gagné en écrivant du code va jusqu’à la mise en production.

Les données de la pipeline montrent à quelle fréquence le travail terminé atteint les utilisateurs, et les choix sur les outils, les licences et la formation partent de là. Les règles d’usage de l’IA sont écrites et partagées, et toute personne qui rejoint l’équipe les trouve déjà prêtes.

Racontez-nous comment l’équipe utilise l’IA

Mieux vaut que l’appel réunisse ceux qui écrivent le code et ceux qui décident des outils et des licences. Avec le diagnostic de la delivery logicielle, nous regardons avec eux où le travail s’arrête après l’écriture.

Nous utilisons vos données pour répondre à votre demande. Consultez notre Politique de confidentialité.