Une équipe SaaS a franchi six niveaux de développement assisté par l'IA et s'est arrêtée au L4, où les agents livrent les fonctionnalités
Une entreprise SaaS mature intègre l'IA depuis plus d'un an et a découpé le parcours en six niveaux, de la production entièrement manuelle (L0) jusqu'à la « fabrique sombre ». L'équipe s'est arrêtée au L4 : les agents livrent des fonctionnalités complètes, et les humains conçoivent le système qui les met en production. La leçon est qu'on ne peut pas sauter de niveau : un agent sans tests, sans CI et sans fichier de règles AGENTS.md n'a aucun moyen de vérifier son propre travail. Il faut donc commencer par les contrôles et les règles de l'équipe, et non par l'achat d'un agent.
Traité par IA depuis Habr AI ; édité par Hamidun News
De nombreuses équipes ont déjà souscrit un abonnement à un assistant IA, mais ne savent pas dire à quelle étape elles se trouvent ni ce qui les empêche d'avancer. L'auteur de cette analyse, publiée sur Habr, déploie l'IA depuis plus d'un an dans une entreprise SaaS mature. Au départ, l'équipe d'ingénierie était sceptique vis-à-vis des réseaux de neurones. Il précise d'emblée que ce n'est ni du vibe coding ni la création d'un produit en une soirée grâce à un seul prompt. Il qualifie son travail d'ingénierie IA : l'équipe construit un système qui produit de façon stable des résultats conformes à ses normes de qualité.
L'auteur a découpé le parcours en six niveaux. L0 correspond au développement manuel, L1 au travail avec un assistant, L2 au travail avec un agent, et L3 à la délégation à un agent. Au L4, les agents livrent des fonctionnalités complètes, et c'est à ce niveau que l'équipe s'est arrêtée. Elle expérimerte actuellement une fabrique agentique semi-autonome dans le cloud. Le dernier niveau, la « fabrique sombre », clôt l'échelle.
L0 et L1 : du travail manuel au conseiller dans le chat
Au L0, tout est fait par des humains. La spécification est une page Notion, le plan de mise en œuvre est dans la tête du développeur. Certains services fonctionnaient sans pull requests ni revue de code : les commits allaient directement dans la branche master. Le QA testait à la main sur un serveur de staging partagé, à partir de la spécification d'origine, qui pouvait être obsolète après l'implémentation. Mais il existait des tests Playwright, et certains projets disposaient d'une bonne couverture de tests et d'une analyse statique. L'auteur y voit un acquis précieux : pour le développement agentique, la CI est absolument critique.
Au L1 apparaissent l'abonnement à ChatGPT et l'autocomplétion dans l'IDE. C'est comparable à un collègue avisé assis à la table voisine : il conseille sur la conception d'une fonctionnalité, esquisse une spécification, explique le code et écrit des scripts simples. Le développeur copie le résultat dans l'IDE et appuie sur Tab ou Accept. Les tâches se règlent plus vite, mais sur le fond rien ne change. Le chat n'a pas accès aux artefacts de l'équipe et ne dispose d'aucun outil pour agir au-delà de la conversation. Dan Shapiro compare ce niveau au maintien de voie et au régulateur de vitesse.
L2 : l'agent comme junior à former
Au L2 arrive un véritable agent, par exemple Claude Code ou Codex. Il modifie déjà les fichiers du dépôt : il écrit spécifications et code. Mais il code comme un junior médiocre, c'est-à-dire comme le fait internet, et non comme le fait votre équipe. Pour une démo, cela suffit ; avec de vrais utilisateurs, tout commence à se dégrader.
L'équipe apprend donc à l'agent les règles :
- chaque dépôt contient un court fichier AGENTS.md avec les règles, les frontières d'architecture, les patterns et les connaissances du domaine. Ce format a été publié par OpenAI en 2025 ; il est désormais géré par la Linux Foundation ;
- le fichier, lorsqu'il grossit, est découpé en parties que l'agent charge selon les besoins ;
- pour chaque « bévue » récurrente de l'agent, un humain écrit une règle ;
- l'agent reçoit des outils : scripts de vérification, serveurs MCP donnant accès à une base de connaissances, journaux de production et Sentry, navigateur ;
- les tâches répétitives sont transformées en skills.
Les garde-fous qualité ne sont pas moins importants : build, tests, analyse statique et vérification des frontières d'architecture. Sans eux, l'agent est aveugle : il ne reçoit aucun retour et ne détecte pas ses propres régressions. C'est pourquoi les modifications de l'agent passent uniquement par des pull requests avec CI et revue. Le trunk-based development sans revue fonctionnait tant que le code était écrit par des humains, mais il ne convient pas aux agents.
Le travail du développeur se déplace de l'écriture de fonctionnalités vers la construction du système qui les écrit : on lance l'agent, on regarde le résultat, on corrige les instructions. Le QA confie à l'agent des scénarios déterministes dans le navigateur, tandis que les humains gardent la part créative : remettre en question les exigences, critiquer la conception et l'UX. La base de connaissances doit en outre non seulement être alimentée, mais aussi nettoyée : les modèles progressent, et certaines consignes ne leur sont plus nécessaires.
Ce qui change au L3
Au L3, les pratiques personnelles deviennent un processus commun. L'auteur cite les pratiques à l'échelle de l'organisation : des skills et processus partagés dans un registre unique, où chacun a un responsable ; des règles formalisées sous forme de skills (format des PR, liens vers les tickets, tickets QA) ; des marqueurs de travail IA sur chaque modification, afin de voir la part réalisée par les agents. Le travail de l'ensemble de l'équipe avec les agents devient ainsi homogène.
Pourquoi c'est important
L'idée centrale de cette analyse : on ne peut pas sauter de niveau. Sans CI ni garde-fous obligatoires, l'agent n'a aucun moyen de vérifier son travail. Sans AGENTS.md ni règles d'équipe, il écrit « comme internet ». Sans skills communes ni responsables, chaque développeur invente son propre processus. Si vous voulez atteindre des agents qui livrent des fonctionnalités entières, vérifiez d'abord les fondations : contrôle de version, pull requests, tests et analyse statique.
Une réserve s'impose : il s'agit de l'expérience d'une seule équipe dans une seule entreprise SaaS, et non d'une étude générale. La fabrique semi-autonome dans le cloud reste pour l'instant un expérimentation. En revanche, l'échelle à six niveaux offre un moyen simple de situer votre équipe et de savoir ce qu'il faut faire pour passer au niveau suivant.
- 22 nov. 2026Axiom Math : une IA a rédigé en Lean une preuve de 43,1 millions de lignes de code en 24 jours
- 22 nov. 2026Une subvention de Yandex finance un moteur LLM : un modèle de 35B sur RTX 2080 Ti est trois fois plus rapide que llama.cpp
- 22 nov. 2026Le nouveau modèle d'OpenAI, Astra, écrit 40 % plus court, mais son score de réserves chute de 96 à 24
- 22 nov. 2026Cinq dépôts GitHub gratuits donnent accès à plus de 1400 modèles d'IA via une seule adresse
Questions clés sur cet article
Que sait-on sur L0 et L1 : du travail manuel au conseiller dans le chat ?
Au L0, tout est fait par des humains. La spécification est une page Notion, le plan de mise en œuvre est dans la tête du développeur. Certains services fonctionnaient sans pull requests ni revue de code : les commits allaient directement dans la branche master. Le QA testait à la main sur un serveur de staging partagé, à partir de la spécification d'origine, qui pouvait être obsolète après l'implémentation.
Que sait-on sur L2 : l'agent comme junior à former ?
Au L2 arrive un véritable agent, par exemple Claude Code ou Codex. Il modifie déjà les fichiers du dépôt : il écrit spécifications et code. Mais il code comme un junior médiocre, c'est-à-dire comme le fait internet, et non comme le fait votre équipe. Pour une démo, cela suffit ; avec de vrais utilisateurs, tout commence à se dégrader.
Que sait-on sur Ce qui change au L3 ?
Au L3, les pratiques personnelles deviennent un processus commun. L'auteur cite les pratiques à l'échelle de l'organisation : des skills et processus partagés dans un registre unique, où chacun a un responsable ; des règles formalisées sous forme de skills (format des PR, liens vers les tickets, tickets QA) ; des marqueurs de travail IA sur chaque modification, afin de voir la part réalisée par les agents. Le travail de l'ensemble de l'équipe avec les agents devient ainsi homogène.
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.
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.