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)
SortieCode / SDK · Prêt à l'emploiGitLab Blog→ original

GitLab Duo fait la revue du code des agents IA pour 0,25 $, Anthropic affiche 15 à 25 $

GitLab propose de confier la revue du code produit par des agents IA (Claude Code, Codex, Cursor) à son assistant Duo. Celui-ci analyse la merge request, c'est-à-dire l'ensemble de modifications à intégrer dans la branche principale. Une revue coûte 0,25 $, donc 1000 contrôles reviennent à 250 $. Selon le calcul de GitLab, Anthropic Code Review coûte 15 à 25 $ par contrôle, soit à partir de 15 000 $ pour le même volume. Il devient donc possible de contrôler même les petites modifications, et pas seulement les grandes.

Traité par IA depuis GitLab Blog ; édité par Hamidun News
GitLab Duo fait la revue du code des agents IA pour 0,25 $, Anthropic affiche 15 à 25 $
Source : GitLab Blog. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireGitLab Blog ↗
Rédacteur en chef
Chiffre clé #1Lorsque la CI échoue, Duo corrige lui-même le problème en ouvrant une MR distincte avec le correctif
Chiffre clé #2Sur l'offre Ultimate, Duo propose un correctif pour les vulnérabilités environ 10 minutes après le scan
Chiffre clé #3L'approbation de Duo ne compte pas dans les approbations obligatoires

GitLab propose une idée simple : que l'agent IA écrive le code, et que la plateforme se charge de le contrôler. Il s'agit de l'assistant GitLab Duo, qui effectue la revue d'une merge request (MR), c'est-à-dire d'un ensemble de modifications en attente d'intégration dans la branche principale du projet. Une telle revue coûte 0,25 $ au tarif affiché, soit 1000 contrôles pour 250 $. Pour comparaison, GitLab cite le prix moyen de Code Review d'Anthropic : 15 à 25 $ par revue, soit à partir de 15 000 $ pour les mêmes 1000 revues. GitLab considère que cet écart de prix plaide pour contrôler chaque modification plutôt que de manière sélective.

Quel problème la combinaison résout-elle

Dans la plupart des équipes qui utilisent des agents IA, on observe la même situation. Un ingénieur demande à Claude Code de vérifier les modifications et de surveiller la CI (la compilation et les tests automatiques après chaque commit), un autre fait tout à la main, et un troisième ne regarde jamais les notifications du scanner de sécurité. Résultat : les modifications d'un même projet avancent à des vitesses différentes et sous des contrôles différents, selon les réglages et le temps disponible de chacun. GitLab propose de résoudre cela non pas en choisissant le « bon » agent, mais en déplaçant la routine dans la plateforme elle-même.

L'entreprise a élaboré une configuration recommandée pour Claude Code, Codex, Cursor, Devin et OpenCode. L'agent continue d'écrire le code dans l'éditeur de l'utilisateur. Tout ce qui commence avec la merge request et va jusqu'au déploiement est pris en charge par GitLab Duo.

La configuration passe par une « compétence » (skill) pour l'agent. Vous insérez dans votre agent une courte instruction avec l'adresse du dépôt ; l'agent installe la compétence gitlab-duo-setup, se connecte à GitLab et active la revue automatique ainsi que la réparation des pipelines en échec. Avant toute modification, il présente un plan, et rien n'est appliqué sans votre accord. Le propriétaire d'un groupe (rôle Owner) peut configurer l'ensemble du groupe, le mainteneur un seul projet. Une compétence supplémentaire, MR follow-up, renvoie dans votre session les commentaires de revue et les résultats de la CI lorsque vous rouvrez l'éditeur. Le travail se poursuit dans GitLab, même si vous avez fermé l'éditeur.

Ce que gagne l'équipe

Le prix de la revue est l'argument principal, mais pas le seul. La comparaison avec Anthropic est faite par GitLab lui-même ; les conditions des produits peuvent différer, mais l'ordre de grandeur de l'écart est évident. À 0,25 $ par contrôle, il devient possible de soumettre à la revue même les modifications routinières.

Les autres scénarios se présentent ainsi :

  • CI en échec. Lorsqu'un pipeline échoue, la tâche Fix CI/CD Pipeline se lance automatiquement. Duo propose une correction, ouvre une MR distincte avec le correctif, ou explique ce qu'il a trouvé si aucune correction fiable n'existe. Le correctif doit tout de même passer la CI.
  • Sécurité. Sur l'offre Ultimate, Duo signale les faux positifs probables de l'analyse statique de code (SAST) et de la recherche de secrets. Pour les résultats SAST éligibles, il ouvre une MR avec un correctif, généralement environ 10 minutes après le scan.
  • Tâches. L'agent peut transmettre une issue assignée au Developer flow : celui-ci lit la tâche et le dépôt, écrit la modification et ouvre une MR en votre nom. Il n'est pas nécessaire de copier le contexte dans un prompt.

Contrôle et limites

Les règles de revue sont définies une seule fois dans GitLab et s'appliquent de la même façon au code de l'agent et à celui d'un humain. Les politiques d'approbation peuvent exiger une validation humaine pour chaque MR, ou ajouter des approbateurs si le scan détecte une vulnérabilité. Les politiques d'exécution des pipelines garantissent le lancement des tâches obligatoires. Des garde-fous d'outils obligent l'agent à demander une confirmation humaine avant toute action sensible.

Les droits de l'agent sont encadrés par le mécanisme d'identité composite : chaque action est rattachée à la fois à l'agent et à la personne qui l'a déclenchée, et l'accès est limité à ce qui est autorisé pour les deux. Les appels passant par le serveur MCP de GitLab peuvent être consultés dans le journal d'audit, si la conservation est activée. Le modèle utilisé pour chaque scénario se choisit parmi les offres d'Anthropic, d'OpenAI, de Google et de fournisseurs de modèles à poids ouverts.

Il existe aussi des réserves. L'approbation de Duo ne compte pas dans les approbations obligatoires : la décision finale reste donc aux humains. Certaines fonctionnalités, notamment l'analyse des vulnérabilités, ne sont disponibles que sur l'offre Ultimate. Les chiffres de coût et de délai de correction sont fournis par l'éditeur lui-même ; l'article ne présente aucune mesure indépendante de la qualité. Le nombre de problèmes détectés par Duo qui seront réellement significatifs reste à vérifier sur vos propres dépôts.

Que faire

Si votre équipe travaille déjà dans GitLab et utilise plusieurs agents, il est utile de tester la combinaison sur un seul projet. Faites passer des revues sur un flux de merge requests réelles, comparez les remarques trouvées avec celles que relèvent vos équipes, et observez combien de pipelines en échec Duo répare sans intervention. Si la qualité convient, vous disposerez d'un niveau de contrôle unique pour tous, quel que soit l'agent utilisé par l'auteur de la modification et quels que soient ses réglages.

Dossier

Questions clés sur cet article

Que sait-on sur Quel problème la combinaison résout-elle ?

Dans la plupart des équipes qui utilisent des agents IA, on observe la même situation. Un ingénieur demande à Claude Code de vérifier les modifications et de surveiller la CI (la compilation et les tests automatiques après chaque commit), un autre fait tout à la main, et un troisième ne regarde jamais les notifications du scanner de sécurité. Résultat : les modifications d'un même projet avancent à des vitesses différentes et sous des contrôles différents, selon les réglages et le temps disponible de chacun.

Que sait-on sur Ce que gagne l'équipe ?

Le prix de la revue est l'argument principal, mais pas le seul. La comparaison avec Anthropic est faite par GitLab lui-même ; les conditions des produits peuvent différer, mais l'ordre de grandeur de l'écart est évident. À 0,25 $ par contrôle, il devient possible de soumettre à la revue même les modifications routinières. Les autres scénarios se présentent ainsi : CI en échec. Lorsqu'un pipeline échoue, la tâche Fix CI/CD Pipeline se lance automatiquement.

Que sait-on sur Contrôle et limites ?

Les règles de revue sont définies une seule fois dans GitLab et s'appliquent de la même façon au code de l'agent et à celui d'un humain. Les politiques d'approbation peuvent exiger une validation humaine pour chaque MR, ou ajouter des approbateurs si le scan détecte une vulnérabilité. Les politiques d'exécution des pipelines garantissent le lancement des tâches obligatoires. Des garde-fous d'outils obligent l'agent à demander une confirmation humaine avant toute action sensible.

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.
✦ Hands-On AI Engineering · Hamidun Academy

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.

Start 72h Free Trial →Vibe-Coding Intensive
Qu'en pensez-vous ?
Chargement des commentaires…