PDG de Hud Roy Adler : L'Intelligence Runtime Sera la Prochaine Étape des Opérations Logicielles

L'intelligence artificielle a considérablement accéléré le développement de logiciels : les agents d'IA pour l'écriture de code sont maintenant capables de générer de grands volumes de code prêt pour la production en quelques minutes. Mais selon le PDG de la startup Hud Roe Adler, accélérer l'écriture de code ne résout pas le principal problème d'ingénierie — assurer que ce logiciel fonctionne correctement en production.

Pourquoi les anciens outils de surveillance ne suffisent pas

Pendant des décennies, les plates-formes d'observabilité ont aidé les équipes à surveiller l'infrastructure par le biais des journaux, des métriques et des traces — trois sources classiques de données sur l'état du système. Cette approche a été construite autour de l'hypothèse qu'un humain écrit du code de manière significative et relativement lentement, ce qui signifie que l'équipe a le temps de comprendre l'architecture du système et de configurer la surveillance pour ses caractéristiques spécifiques.

• Les agents d'IA génèrent déjà de grands volumes de code prêt pour la production en quelques minutes
• La vitesse d'écriture de code a augmenté, mais la correction du fonctionnement en production reste un problème non résolu
• Les outils d'observabilité classiques s'appuient sur les journaux, les métriques et les traces
• La position est commentée par Roe Adler, PDG de la startup Hud

Ce qui change avec la croissance du développement d'IA

Lorsqu'une part importante du code est écrite par un agent d'IA plutôt que par un ingénieur, la vitesse à laquelle le nouveau code apparaît dans le système croît plus rapidement que la vitesse à laquelle les équipes parviennent à comprendre comment ce code se comportera en conditions réelles. Cela crée un écart entre la rapidité avec laquelle le code entre en production et la profondeur avec laquelle l'équipe comprend son comportement sous charge — cet écart, selon Adler, devrait être comblé par une nouvelle classe d'outils qui fonctionnent non seulement avec les journaux et les métriques, mais avec une compréhension plus profonde de ce qui se passe lors de l'exécution du code.

Qu'est-ce que cela signifie

À mesure que les agents d'IA prennent en charge de plus en plus l'écriture de code, l'industrie devra probablement reconsidérer l'approche même de la surveillance de la production — de la collecte passive des journaux et des métriques à une compréhension plus active du comportement du système en temps réel, ce dont parle Adler en l'appelant l'intelligence à l'exécution.