Une hausse de 21% du flux de PR dans le modèle fait quadrupler l'attente de revue : de 2 à 8 heures
Les assistants IA comme Copilot accélèrent l'écriture du code, mais la revue, les tests et la release gardent leur rythme d'avant. Dans un modèle de file d'attente simplifié, une hausse du flux de 14 à 17 pull requests par jour (+21%) fait passer le délai de revue de 2 à 8 heures. Le code s'écrit en deux heures, mais la modification attend des jours avant d'être validée. Mesurez donc la charge de la revue et du QA, pas seulement la vitesse d'écriture du code.
Traité par IA depuis Habr AI ; édité par Hamidun News
Un développeur équipé de Copilot ou de Cursor écrit une fonction en deux heures au lieu de huit, ouvre une pull request (PR, demande de fusion du code) et... attend. Le relecteur est occupé, les tests sont en file d'attente, et la fenêtre de release n'ouvre que jeudi.
Le code est devenu moins cher, mais sa livraison jusqu'à l'utilisateur n'a pas gagné en vitesse. Dans un modèle de file d'attente simplifié, l'auteur d'une analyse publiée sur Habr montre l'ampleur du phénomène : si le flux de PR passe de 14 à 17 par jour, soit +21%, le temps moyen de passage à l'étape de revue grimpe de 2 à 8 heures, soit un facteur quatre. Pour vous, la conclusion est simple : si vous déployez des outils d'IA en ne regardant que la vitesse de saisie du code, vous risquez d'accélérer la mauvaise partie du système.
Ускоряет ли AI разработку на самом деле
Les données sont contrastées. Dans une expérience contrôlée menée en 2023 par GitHub et Microsoft, le groupe équipé de Copilot a écrit un serveur HTTP en JavaScript en moyenne 55,8% plus vite que le groupe de contrôle. Mais l'étude portait sur 95 développeurs recrutés sur Upwork, seuls 35 ont terminé la tâche, et celle-ci était réalisée de zéro.
En 2025, METR a réuni 16 développeurs open source expérimentés et 246 tâches réelles, sur des projets qu'ils connaissaient bien. Avec l'IA autorisée, les tâches ont pris en moyenne 19% de temps en plus. Avant l'expérience, les participants s'attendaient pourtant à un gain de vitesse, et après l'expérience, ils estimaient toujours que l'IA les avait aidés. En février 2026, METR a mené une nouvelle étude sur un échantillon plus large. Elle laissait entrevoir une possible accélération, mais une partie des développeurs refusait de faire les tâches sans IA, et les auteurs n'ont pas pu estimer l'effet de façon fiable. Ils ont revu le design de l'expérience.
Pour la suite du raisonnement, une hypothèse étroite suffit : si l'IA réduit le coût d'une partie des modifications, la charge se redistribue au sein de l'organisation d'ingénierie.
Узкое место переезжает, а очередь растёт скачком
Prenons une équipe de dix personnes : chacun produit environ deux PR par semaine, soit une vingtaine au total. La revue, le QA et les releases sont calibrés pour ce flux. L'IA double la production, qui atteint 40 PR. La file de revue s'allonge, et l'entreprise ajoute une revue automatique. Le flux se heurte alors au QA, qu'on automatise à son tour, puis les modifications se mettent à attendre la fenêtre de release. Le goulot d'étranglement ne disparaît pas : il se déplace là où la capacité manque.
La non-linéarité apparaît dans le modèle M/M/1 : un seul canal de revue, un flux aléatoire de tâches, une capacité maximale de 18 PR par jour. Le temps moyen passé à l'étape se calcule ainsi : W = 1 / (μ − λ), où λ est le nombre de tâches entrantes et μ le nombre de tâches traitées. Les valeurs sont issues du modèle, elles ne sont pas mesurées :
- 9 PR par jour, charge de 50% : 53 minutes ;
- 12 PR, 67% : 1 heure 20 minutes ;
- 14 PR, 78% : 2 heures ;
- 16 PR, 89% : 4 heures ;
- 17 PR, 94% : 8 heures.
Une vraie équipe est plus complexe : plusieurs relecteurs, des tâches hétérogènes, des priorités et des revérifications. Pour établir une prévision, il faut des données réelles et un modèle multicanal. La conclusion qualitative tient toutefois : une étape qui tourne près de sa limite ralentit brutalement à la moindre charge supplémentaire. C'est pourquoi une modification écrite en deux heures peut attendre plusieurs jours la revue et les tests. La vitesse individuelle a augmenté, mais le Lead Time (délai entre l'idée et la mise en production) de l'organisation est resté le même.
Les rapports DORA vont dans le même sens. En 2024, une hausse de 25% de l'adoption de l'IA était associée à une baisse estimée de 1,5% du débit de livraison et de 7,2% de la stabilité de livraison. En 2025, le lien avec le débit est devenu positif, mais les problèmes de stabilité ont persisté. Il s'agit d'une corrélation, qui ne prouve pas la causalité. La conclusion reste néanmoins pratique : l'IA amplifie ce qui existe déjà. Les équipes qui travaillent avec de petites modifications et un retour rapide iront plus vite, tandis que celles qui souffrent de longues files d'attente et de validations manuelles ressentiront davantage les problèmes.
Что менять: проверки по риску и независимый контроль
L'auteur propose de repenser l'architecture de livraison, plutôt que de se contenter d'automatiser chaque étape. Aujourd'hui, la correction d'un message d'erreur et un nouvel algorithme de calcul de commission passent par le même pipeline. Dans le modèle Risk-Adaptive Delivery, un minimum obligatoire s'applique à toutes les modifications, et les vérifications supplémentaires dépendent de ce qui est touché. Pour la documentation, un contrôle du formatage et des liens suffit. Pour un schéma de base de données, il faut des migrations et la rétrocompatibilité ; pour l'autorisation, une security review ; pour les calculs financiers, une vérification indépendante des invariants métier.
Cette approche comporte deux pièges. Le classificateur de risque peut se tromper : une modification jugée « documentation sans danger » a été prise pour du texte alors qu'elle touchait un fichier de configuration exécutable, et le pipeline allégé l'a laissée passer. Le classificateur a donc besoin de ses propres vérifications, d'un suivi et d'un comportement prudent en cas d'incertitude. Par ailleurs, la réponse d'un modèle de langage ne prouve pas la correction d'un code, et les contraintes critiques doivent être définies par des politiques formelles.
Avec les agents IA, un problème de confiance apparaît. Si un même agent écrit le code et les tests, puis interprète les résultats, il peut ajuster les critères à sa propre implémentation, sans la moindre intention malveillante : il a mal compris l'exigence et écrit des tests qui confirment l'erreur. Un second IA dans le rôle de vérificateur n'y change rien si les deux travaillent à partir de la même spécification incomplète. Il faut des critères d'acceptation fixés à l'avance, des invariants métier, des vérifications déterministes et un humain pour les modifications critiques. L'exécutant ne doit pas pouvoir modifier les politiques de sécurité, et l'exécution doit se faire dans un sandbox avec des droits minimaux et des credentials temporaires.
Enfin, l'argent. Le coût complet d'une modification additionne l'implémentation, la vérification, la livraison et les coûts attendus des pannes et des reprises. La revue par IA, les tests agentiques et les environnements isolés consomment aussi des tokens et de la puissance de calcul. Une vérification bon marché qui laisse passer une erreur critique coûte plus cher qu'une vérification rigoureuse, et un jeu complet de contrôles coûteux pour chaque petite correction ne réduit pas le risque dans les mêmes proportions.
Que faire en pratique : mesurez la charge de la revue et du QA, pas seulement la vitesse d'écriture du code. Gardez une réserve de capacité et ne travaillez pas à 90% de charge. Pensez au retour arrière : le code se rétablit, mais pas toujours les données modifiées ni les transactions externes. L'auteur voit le prochain goulot d'étranglement dans la compréhension des conséquences d'une modification au sein d'un système composé de nombreux services, et propose pour cela un modèle du système lisible par machine. C'est son hypothèse d'ingénierie, pas un fait démontré.
- 19 nov. 2026Anthropic entre en Bourse et lève 81,3 milliards de dollars : le record de 75 milliards de SpaceX est battu
- 19 nov. 2026Les parts d'Amazon et de Google dans Anthropic valorisées $308 milliards avec une IPO à $83 l'action
- 19 nov. 2026Un script GitHub repère les motifs de rejet de l'App Store et de Google Play avant la review : 542 étoiles en un jour
- 19 nov. 2026FBI : l'outil d'IA Artex pirate des entreprises en moins de trois heures
Questions clés sur cet article
Que sait-on sur ускоряет ли AI разработку на самом деле ?
Les données sont contrastées. Dans une expérience contrôlée menée en 2023 par GitHub et Microsoft, le groupe équipé de Copilot a écrit un serveur HTTP en JavaScript en moyenne 55,8% plus vite que le groupe de contrôle. Mais l'étude portait sur 95 développeurs recrutés sur Upwork, seuls 35 ont terminé la tâche, et celle-ci était réalisée de zéro. En 2025, METR a réuni 16 développeurs open source expérimentés et 246 tâches réelles, sur des projets qu'ils connaissaient bien.
Que sait-on sur узкое место переезжает, а очередь растёт скачком ?
Prenons une équipe de dix personnes : chacun produit environ deux PR par semaine, soit une vingtaine au total. La revue, le QA et les releases sont calibrés pour ce flux. L'IA double la production, qui atteint 40 PR. La file de revue s'allonge, et l'entreprise ajoute une revue automatique. Le flux se heurte alors au QA, qu'on automatise à son tour, puis les modifications se mettent à attendre la fenêtre de release. Le goulot d'étranglement ne disparaît pas : il se déplace là où la capacité manque.
Que sait-on sur что менять: проверки по риску и независимый контроль ?
L'auteur propose de repenser l'architecture de livraison, plutôt que de se contenter d'automatiser chaque étape. Aujourd'hui, la correction d'un message d'erreur et un nouvel algorithme de calcul de commission passent par le même pipeline. Dans le modèle Risk-Adaptive Delivery, un minimum obligatoire s'applique à toutes les modifications, et les vérifications supplémentaires dépendent de ce qui est touché. Pour la documentation, un contrôle du formatage et des liens suffit.
Build & Ship Production AI Agents Without Boilerplate Code
Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.