Par Gologic, en collaboration avec Alexandre Couëdelo.
Tout le monde s’accorde sur un point : 2025 marque l’avènement de l’IA. Finis les démos impressionnantes qui fonctionnent à peine dans les tâches quotidiennes. Finis les outils d’IA qui ne font que compléter du texte. Nous avons clairement dépassé le simple « effet wow ». En 12 mois, les progrès ont été sidérants : des modèles toujours plus performants pour le développement et des développeurs ingénieux qui explorent cette technologie sous tous les angles : gestion du contexte, outils de diagnostic, intégrations dans tous les outils de développement, etc.
Chez Gologic, nous avons suivi de très près ce phénomène pour redéfinir ce que deviendra le DevOps à l’ère de l’intelligence artificielle. Voici notre constat et notre cap pour 2026.
Les pièges de l’IA en 2025
L’adoption de l’IA est massive : 90 % des équipes TI l’utilisent chaque jour, avec une durée moyenne d’interaction quotidienne de 2 heures.
Nous avons observé jusqu’à 30 minutes de gain de temps estimées par jour et par développeur avec l’utilisation de Github Copilot, mais l’écriture de code ne représente qu’une fraction de l’effort total requis pour livrer une fonctionnalité fiable et prête pour la production.
La chaîne de livraison logicielle, boostée par l’IA, se heurte aujourd’hui à deux grands paradoxes.
Un paradoxe de productivité
De nombreuses études notamment celles du DORA, de Faros et d’Atlassian, convergent et révèlent que ce gain de productivité individuelle ne se traduit pas par une meilleure vélocité de livraison logicielle :
- Explosion de la charge de revue : les temps de revue des pull requests (PR) ont augmenté de 91 % chez les équipes fortement utilisatrices d’IA. [3]
- Verbosité du code : la taille moyenne des PR a bondi de 154 %. L’IA génère des blocs de logique verbeux sans réutiliser les fonctions existantes, ce qui contrevient au principe DRY (Don’t Repeat Yourself). [3]
Ce résultat était prévisible : l’IA peut alléger les tâches d’implémentation et certains aspects mécaniques de l’écriture du code. Mais les phases critiques; planification, conception architecturale, validation, exigent toujours un temps considérable. Ces phases essentielles s’exécutent au rythme de la cognition humaine.
« Ce 80 % du travail (planification, conception architecturale, validation), c’est le plus difficile, car c’est là qu’on a vraiment besoin du développeur… Une fois qu’on a ça, on peut demander à l’IA de faire la même chose pour d’autres cas. » — Justine Gehring, responsable ligne d’affaires IA chez Gologic. Podcast : Dépoussiérons le code avec l’IA.
La conclusion est simple : il ne sert à rien de coder à toute vitesse si on ne se concentre pas aussi sur le goulot d’étranglement, en amont comme en aval du code, dans la chaîne de livraison.
Un paradoxe de qualité
L’augmentation de l’efficacité dans la génération de code entraîne un second paradoxe, qui affecte la qualité des produits logiciels. Plus de code écrit conduit rapidement à une complexité accrue des solutions logicielles avec plus de lignes de code à maintenir évidemment, mais plus grave encore, cette accélération se fait souvent au détriment de la fiabilité par exemple :
- Risques de sécurité accrus : les recherches révèlent que la moitié du code généré par l’IA contient des failles de sécurité, introduisant des vulnérabilités connues. Les outils d’IA sont entraînés sur des exemples de code non vérifiés, et ni forcément à jour. [5]
- Du code “presque juste” : 45 % des développeurs répondant au sondage annuel de Stack Overflow citent comme frustration majeure les solutions « presque justes, mais pas tout à fait », les obligeant à corriger des bugs parfois difficiles à détecter dans le code généré. [7]
À cela s’ajoute la fatigue liée à la revue de code : le nombre de lignes de code n’est pas facile à analyser. De plus, les développeurs deviennent moins critiques lorsqu’il est simple de demander à l’IA de refaire quelque chose plutôt que de le faire correctement dès le départ. Résultat : autant, sinon plus, de bugs en production liés à l’utilisation de l’IA.
« Une mauvaise utilisation va entrainer une dette technique. Tu sais, c’est comme donner à quelqu’un une Ferrari. Il pourra aller plus vite, mais les conséquences pourront être beaucoup plus importantes versus un petit go-kart. » — Spencer Handfield, expert Devops et intelligence artificielle & formateur chez Gologic. Podcast : Dépoussiérons le code avec l’IA.
La conclusion est claire : la qualité a de multiples facettes, et valider un produit logiciel exige de la rigueur. Sans nouvelles capacités pour allier rapidité et rigueur, la Ferrari ira droit dans le mur.
Notre vision 2026 : vers une IA industrialisée et agentique
Face à ces défis et à ces paradoxes de l’IA, une confiance aveugle dans les outils n’est pas une solution stratégique. La réponse réside dans l’ingénierie des processus. L’enjeu est de passer des outils d’IA à des systèmes complets intégrés à la chaîne de livraison logicielle. Cela se concrétise en deux axes de développement :
- L’ingénierie de plateforme (platform engineering) et l’expérience du développeur (DevEx) : pour naviguer dans l’écosystème IA de demain, nous devons nous doter d’une plateforme qui agit comme une couche de distribution des outils d’IA et de gouvernance. Elle offre des chemins balisés (paved paths) qui rendent l’IA sûre et facile à utiliser pour les développeurs. Le mot d’ordre dans l’IA générative : contrôle avant confiance. D’où le besoin d’une plateforme interne robuste. Cela passe par des actions concrètes comme :
- Une plateforme d’hébergement agentique et une bibliothèque d’agents centralisée.
- Une gouvernance MCP (Model Context Protocol) pour sécuriser la connexion entre l’IA et vos outils internes (Jira, logs).
- Une standardisation de l’utilisation des assistants IA via un registre de prompts d’entreprise.
- L’optimisation par la chaîne de gestion de valeur (Value Stream Management) : le VSM est un outil stratégique qui permet d’identifier les leviers et les goulots d’étranglement d’un processus. L’utilisation du VSM se concrétise en amont pour identifier ou mesurer le gain en productivité de projets IA comme :
- La mise en place d’agents IA de migration d’une version à une autre pour éliminer le code legacy.
- L’ajout des contributions agentiques à la documentation et tests unitaires.
- L’ajout d’agents de validation qui assurent les normes de sécurité et la standardisation du CI/CD.
En 2026, l’objectif n’est plus d’aller vite par peur de rater la révolution de l’IA, mais de construire une vélocité durable et maîtrisée.
Par Gologic, en collaboration avec Alexandre Couëdelo.
Références
