Résumé des points clés
Le taux de génération de code par intelligence artificielle a atteint 60 % (comme chez Kuaishou), mais l’efficacité globale de la recherche et du développement des entreprises n’a pas progressé en conséquence. Le problème ne réside pas dans les capacités de génération de l’IA, mais dans le fait que l’amélioration de l’efficacité individuelle ne signifie pas nécessairement une amélioration de l’efficacité de l’organisation : les modèles traditionnels de production et de recherche et développement, la perte du contexte de collaboration et un manque d’accumulation de connaissances sont des obstacles majeurs. En même temps, les outils d’IA évoluent d’une aide individuelle (comme Copilot) vers une collaboration de groupe (comme Agent Team), et les personnes non impliquées dans le développement (opérations, produits) commencent à utiliser l’IA pour créer des logiciels. À l’avenir, l’IA transformera la structure même des entreprises, mais la capacité des humains à juger et à comprendre les besoins restera un atout essentiel.
I. L’IA accélère le travail individuel, mais les organisations peinent à suivre : trois raisons principales de l’efficacité bloquée
De nombreuses entreprises constatent que les ingénieurs écrivent du code 40 % plus rapidement avec l’IA, mais que les cycles de projet ne se raccourcissent pas et que la productivité globale de l’équipe n’augmente pas. Le problème vient de trois aspects :
1. Modèles organisationnels obsolètes : des divisions traditionnelles entre front-end et back-end, ainsi que des processus de développement et de test séparés, qui ne sont pas adaptés à l’ère de l’IA. Par exemple, bien que l’IA puisse écrire du code à travers plusieurs fichiers, les équipes sont toujours organisées selon des postes traditionnels, ce qui entraîne des coordinations répétitives et une perte de temps.
2. Perte d’informations lors de la collaboration : lorsque les besoins sont transmis de l’équipe commerciale au département de développement, le contexte (comme les arrière-plans commerciaux ou les règles du système) s’estompe progressivement. Même si l’IA peut écrire du code, sans informations complètes, celui-ci ne répondra pas aux besoins réels et nécessitera des modifications.
3 Manque de cohérence des connaissances : les connaissances commerciales (comme les exigences des utilisateurs), les connaissances sectorielles (comme les règles des systèmes d’e-commerce) et les connaissances de développement (comme les normes de codage) sont dispersées entre différentes personnes, rendant difficile pour l’IA d’accéder rapidement à ces informations. Cela peut conduire à du code non standardisé ou à des redondances dans le développement.
II. Les pièges de l’utilisation de l’IA pour la programmation : comment éviter que les tâches longues ne dévientent erronées et que le code ne soit pas fiable ?
Les démonstrations de l’IA sont impressionnantes, mais en pratique, on peut rencontrer des problèmes tels que des écarts par rapport aux besoins, des modifications aléatoires de l’architecture ou du code non sécurisé. Les grandes entreprises résolvent ces problèmes de la manière suivante :
- Pour les tâches longues : elles demandent à l’IA de clarifier les exigences avant de commencer. Par exemple, Kuaishou demande à l’IA de préciser les besoins avant d’exécuter une tâche et de créer un plan détaillé (SDD), puis vérifie que le plan est correct avant de laisser l’IA écrire le code pour éviter des erreurs.
- Pour la fiabilité du code : des mesures de sécurité sont mises en place, telles que la communication préalable des normes de codage et des exigences d’architecture à l’IA, des reviews croisées par d’autres agents, ainsi que des tests automatisés. Enfin, une vérification humaine est obligatoire avant le déploiement.
- Pour contrôler le contexte : on utilise des agents spécialisés pour des tâches complexes, divisant les tâches en plusieurs sous-tâches et en confiant chacune à un agent différent (par exemple, un agent pour l’analyse des besoins et un autre pour la génération de code), afin d’éviter la confusion.
III. Les non-développeurs peuvent-ils vraiment créer des logiciels ? Est-ce une tendance réelle ou une illusion ?
Aujourd’hui, les opérations, les produits et même le département financier utilisent l’IA pour générer de petites applications (comme des systèmes d’enregistrement ou des outils d’analyse de données). Ce n’est pas une illusion : c’est un phénomène en cours.
- Exemples concrets : Kuaishou a mis en place des infrastructures permettant aux non-développeurs de créer des systèmes d’enregistrement, et le département financier utilise l’IA pour des outils d’analyse. L’outil Muse de REDnote permet aux non-développeurs de concevoir directement des fonctionnalités qui sont ensuite déployées avec une base de données et des capacités d’IA.
- Débats : la sécurité et la qualité sont des enjeux importants. Les non-développeurs ne connaissant pas bien la technologie peuvent créer du code contenant des vulnérabilités, donc un contrôle humain est nécessaire pour les fonctionnalités critiques (comme les opérations sur la base de données ou les interfaces de paiement). Cependant, l’utilisation d’outils automatisés pour les démonstrations est tout à fait réalisable.
- Tendance future : cela deviendra la norme. Tout comme l’invention de l’imprimerie a permis à davantage de personnes de s’impliquer dans la production de documents, l’IA permettra à davantage de personnes de créer des logiciels. L’essentiel n’est pas de coder, mais de découvrir les besoins et de comprendre les utilisateurs.
IV. Les entreprises doivent-elles développer leurs propres outils ou en acheter ? Le vrai obstacle n’est pas le modèle, mais l’organisation
Les outils d’IA externes (comme Claude Code ou Cursor) sont constamment mis à jour, ce qui pose la question de savoir si les entreprises doivent les développer elles-mêmes :
- Petites équipes/entreprises start-up : il est plus avantageux d’acheter des outils prêts à l’emploi. Les outils communautaires répondent souvent aux besoins et sont économiques et efficaces (il suffit par exemple d’acheter des licences).
- Grandes entreprises : elles adoptent une approche hybride, développant eux-mêmes les éléments clés (comme l’intégration avec les systèmes internes ou la gestion de la sécurité) et utilisant des outils externes pour les tâches moins critiques. Les grandes entreprises ont souvent des contraintes techniques historiques qui nécessitent une adaptation personnalisée.
- Obstacles réels : il ne s’agit pas tant des modèles ou des outils eux-mêmes, que de la capacité de l’organisation et du système à utiliser efficacement ces outils, notamment en matière d’accumulation de connaissances et de coordination entre les équipes.
V. En 2028, l’IA révolutionnera-t-elle toute la structure des entreprises ?
Deux experts estiment que cela entraînera des changements majeurs :
- Structure organisationnelle : il n’y aura plus de « entreprises de logiciels » au sens traditionnel ; toutes les entreprises seront des entreprises utilisant l’IA. Les équipes deviendront plus autonomes et flexibles (par exemple, de petites équipes pourraient utiliser directement l’IA pour tout le processus, de la définition des besoins au déploiement).
- Rôle des personnes : les programmeurs ne se contenteront plus de coder ; ils deviendront des « découvreurs de besoins » collaborant avec l’IA (par exemple, en utilisant l’IA pour rédiger des documents de spécification ou créer des prototypes). La distinction entre programmeurs débutants et expérimentés s’estompera, mais les personnes ayant du goût et une bonne capacité de jugement resteront cruciales (par exemple, pour décider des produits à développer ou concevoir les architectures).
- Changements de coûts : si le coût des modèles d’IA devient aussi bas que celui de l’électricité, de nombreuses applications destinées au grand public verront le jour (par exemple, les utilisateurs pourront utiliser l’IA pour créer leurs propres applis).
En résumé, l’IA ne remplacera pas les humains, mais elle changera la manière dont ils travaillent : ils passeront de la simple écriture de code à la prise de décisions et à la recherche d’opportunités.
En une phrase : L’utilisation de l’IA pour la programmation ne consiste pas simplement à adopter des outils plus avancés, mais à réorganiser les processus de travail, à optimiser l’utilisation des connaissances et à coordonner efficacement les efforts humains et ceux de l’IA. À l’avenir, celles qui parviendront à adapter leur organisation et leurs systèmes à l’IA seront les plus compétitives.