Intensif Gratuit 21–22/11Intensif gratuit de 2 jours en Vibecoding (21–22 nov, 16h00 MSK) · Cohorte 3 le 23/11S'inscrire gratuitement →Cohorte 3 (23/11)
SortieAnalyse · Sur le radarHabr AI→ original

83% des équipes utilisent l'IA, mais seules 24% livrent son code en production

Le code généré avec l'IA apparaît en quelques minutes, mais il faut ensuite le relire, le corriger, le tester et le livrer. Selon un sondage de SimpleOne, 83% des équipes utilisent l'IA, mais seules 24% livrent en production les changements produits avec elle. Exemple : une évolution de 16 heures prend 11,5 heures avec l'IA (environ 28% de gain). Si l'agent comprend mal les exigences, on monte à 15,5 heures. Il faut donc mesurer le bénéfice sur l'évolution acceptée dans son ensemble, et non sur la vitesse de génération.

Traité par IA depuis Habr AI ; édité par Hamidun News
83% des équipes utilisent l'IA, mais seules 24% livrent son code en production
Source : Habr AI. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireHabr AI ↗
Rédacteur en chef
Chiffre clé #171 professionnels interrogés ; 68% citent la fuite de code et de données comme principal risque
Tableau de bord pour le support17 heures, 42 tâches, 786 330 tokens sur un abonnement à $20
Chiffre clé #361% des sondés confieraient les tests à des agents, alors que seuls 26% se font aujourd'hui aider par l'IA pour cela

Une IA écrit du code en une demi-heure, mais cela ne signifie pas que l'évolution atteindra plus vite les utilisateurs. Selon un sondage de l'entreprise SimpleOne, 83% des équipes de développement utilisent déjà l'IA, mais seules 24% déclarent livrer dans les systèmes de production les changements réalisés avec son aide. Les autres restent bloquées à l'étape de la relecture, des corrections et des tests.

Prenons une tâche qui demandait auparavant 16 heures : l'IA génère le code en 30 minutes, puis les développeurs passent quatre heures à le relire et cinq heures de plus à le corriger. Si vous déployez l'IA dans votre équipe, confrontez ces chiffres à vos propres processus : ce qu'il faut mesurer, ce n'est pas la vitesse d'apparition du code, mais le délai jusqu'à la mise en production.

Ce que montre le sondage

L'étude de SimpleOne repose sur 71 répondants : 46% de responsables du développement, 24% de développeurs, 15% d'analystes et 15% d'autres profils. 71% des répondants travaillent dans des entreprises de plus de 1000 personnes. L'échantillon est restreint et le sondage a été mené par un éditeur qui vend sa propre plateforme : il s'agit donc d'un repère plutôt que d'une statistique de marché.

Chez 41% des sondés, certains collaborateurs expérimentent l'IA de leur propre initiative, et 18% de plus mènent des pilotes d'équipe. Les fameux 24% font état d'un usage régulier, dont le résultat part en production. Par ailleurs, 23% n'ont pas su dire quelle part du code et des configurations générés avec l'IA arrive en production. Il se peut que ces changements soient livrés mais que personne ne les suive séparément ; dans ce cas, le responsable n'a rien pour prouver l'utilité de l'outil.

Le risque de fuite de code ou de données est cité comme principal frein par 68% des sondés, les exigences des régulateurs par 23%. La qualité du résultat préoccupe 48% d'entre eux. Près de la moitié (48%) attend une accélération d'au moins 1,5 fois, et 31% ne savent pas en évaluer l'effet.

Comment le gain disparaît

Les auteurs proposent un calcul simple. Une évolution classique prend 16 heures. Avec l'IA : deux heures pour décrire la tâche, une demi-heure pour la génération, quatre heures de relecture et cinq heures de corrections. Total : 11,5 heures, soit 4,5 heures économisées, environ 28%.

Supposons maintenant que l'agent ait mal compris les exigences. Les corrections prennent neuf heures au lieu de cinq, soit 15,5 heures au total. La génération dure toujours une demi-heure, mais le gain a presque disparu. Il faut y ajouter le coût du modèle.

Les tests constituent un piège à part. Si l'agent écrit à la fois l'implémentation et les tests à partir d'une même description, il peut se tromper de la même façon aux deux endroits. Exemple : un responsable du support demande d'afficher la part des tâches résolues dans les délais.

L'agent compte toutes les demandes clôturées, y compris les demandes annulées et rejetées, écrit un test adapté à ce calcul et le passe avec succès. À l'écran s'affiche un chiffre qui ne correspond pas aux règles du service. C'est pourquoi les critères d'acceptation doivent être validés avant la génération : le propriétaire du processus décide quels statuts comptent comme résolus, et l'ingénieur compare le calcul à un jeu d'enregistrements de référence.

Étude de cas : un tableau de bord en 17 heures et $20

Lors d'un webinaire SimpleGen, un product owner a montré comment des agents ont mené une tâche des exigences jusqu'à l'installation sur un environnement de test. Il fallait un tableau de bord pour un responsable du support : filtres par période, par groupe et par type de tâche, flux des demandes, vitesse de traitement, goulots d'étranglement, et valeurs cibles avec mise en évidence des dépassements. La génération, qui a duré plusieurs heures, a été réalisée à l'avance.

  • L'agent a posé 28 questions de clarification à l'auteur et a repéré un écart avec l'environnement de test : le cahier des charges mentionne trois tables de tâches, alors que l'environnement en compte dix tables héritées.
  • Un second agent a vérifié la spécification ; il a fallu 11 itérations et 5,5 heures.
  • La planification a pris une heure et demie de plus : 11 phases et 42 tâches avec dépendances.
  • L'environnement de test a renvoyé deux fois une erreur à cause d'une longue infobulle en russe, et la recréation d'un formulaire généré automatiquement a dû être résolue en synchronisant l'environnement de test avec le dépôt.
  • La revue de code a trouvé une valeur par défaut erronée, des droits d'accès insuffisants au rapport et une légende erronée.
  • Dans le navigateur, l'agent a exécuté 25 des 28 étapes du scénario en sept minutes ; trois étapes exigeaient une authentification que, selon les règles internes, il n'effectue pas. Un bloc vide et des infobulles invisibles ont été repérés.

L'ensemble a pris environ 17 heures, validations et pauses comprises. Le paquet a été installé sur un environnement de test vierge, sans conflit, sans erreur et sans avertissement. Dans Claude Code, 786 330 tokens ont été consommés, et tout a tenu dans l'abonnement mensuel à $20 avec le modèle Opus 5. Via l'API, les tokens de sortie auraient coûté $19,66, mais les tokens d'entrée y ajouteraient un montant qui dépend du volume de contexte.

Que faire concrètement

L'écart entre la pratique et les attentes est le plus marqué pour les tests : aujourd'hui, l'IA aide 26% des participants dans ce domaine, alors que 61% les confieraient à des agents. Pour l'analyse des bugs, on passe de 28% à 54%, pour la revue de code de 26% à 46%. L'IA écrit le code chez 60% des sondés, mais 46% le confieraient à un agent. Seuls 23% utilisent l'IA à toutes les étapes du cycle de vie.

Prenez votre dernière évolution réalisée avec l'IA et notez le temps passé sur la formulation, la génération, la relecture, les corrections et la livraison. Il se peut que le code soit apparu en une demi-heure et que des jours aient été consacrés aux clarifications et aux vérifications. C'est précisément là qu'il faut brancher le prochain agent, en définissant au préalable les dépôts, les environnements de test et les données auxquels il a accès. Gardez aussi en tête les limites : le cas a été présenté par l'éditeur lui-même, et les 17 heures n'ont pas été comparées à un développement manuel.

Dossier

Questions clés sur cet article

Que sait-on sur Ce que montre le sondage ?

L'étude de SimpleOne repose sur 71 répondants : 46% de responsables du développement, 24% de développeurs, 15% d'analystes et 15% d'autres profils. 71% des répondants travaillent dans des entreprises de plus de 1000 personnes. L'échantillon est restreint et le sondage a été mené par un éditeur qui vend sa propre plateforme : il s'agit donc d'un repère plutôt que d'une statistique de marché.

Comment le gain disparaît?

Les auteurs proposent un calcul simple. Une évolution classique prend 16 heures. Avec l'IA : deux heures pour décrire la tâche, une demi-heure pour la génération, quatre heures de relecture et cinq heures de corrections. Total : 11,5 heures, soit 4,5 heures économisées, environ 28%. Supposons maintenant que l'agent ait mal compris les exigences. Les corrections prennent neuf heures au lieu de cinq, soit 15,5 heures au total. La génération dure toujours une demi-heure, mais le gain a presque disparu.

Que sait-on sur étude de cas : un tableau de bord en 17 heures et $20 ?

Lors d'un webinaire SimpleGen, un product owner a montré comment des agents ont mené une tâche des exigences jusqu'à l'installation sur un environnement de test. Il fallait un tableau de bord pour un responsable du support : filtres par période, par groupe et par type de tâche, flux des demandes, vitesse de traitement, goulots d'étranglement, et valeurs cibles avec mise en évidence des dépassements. La génération, qui a duré plusieurs heures, a été réalisée à l'avance.

ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
Qu'en pensez-vous ?
Chargement des commentaires…