54 % des dirigeants : plus de 60 % du travail des agents IA nécessite une refonte sérieuse
L'agent livre un correctif en quelques minutes, mais un humain doit encore comprendre et vérifier chaque modification. Dans l'enquête de Sourcegraph menée auprès de 1 028 responsables du développement, 54 % estiment que plus de 60 % du travail de l'IA doit être repris à la main de manière importante avant la mise en production. Dans le même temps, 79 % subissent la pression de prouver le retour sur investissement de l'IA. Il faut donc mesurer le déploiement des agents à partir du temps de revue et du nombre d'incidents après mise en production, et non uniquement à partir de la vitesse.
Traité par IA depuis Sourcegraph Blog ; édité par Hamidun News
Imaginez : en cinq minutes, un agent produit un correctif qui met à jour une bibliothèque dans une dizaine de services. Le relecteur doit tout de même déterminer où ce code est encore utilisé, si un service lié à l'ancienne version va casser et quels tests détecteront l'erreur. C'est ce problème que mesure le rapport Sourcegraph Big Code 2026. 54 % des personnes interrogées estiment que plus de 60 % du travail réalisé par l'IA exige une reprise manuelle importante avant la mise en production. En d'autres termes, plus de la moitié des dirigeants voient dans le résultat d'un agent un brouillon plutôt qu'un produit fini. Écrire du code est devenu rapide, mais le comprendre reste long.
Le rapport repose sur une enquête menée par Dimensional Research. En septembre 2026, 1 028 personnes responsables du développement dans des entreprises comptant plus de 250 développeurs ont été interrogées. Précision importante : tous les chiffres sont des auto-évaluations des répondants, et non des métriques mesurées. De plus, Sourcegraph vend une plateforme de compréhension du code, et les conclusions du rapport mènent naturellement à ses produits. Les données restent néanmoins intéressantes.
Pression sur le retour sur investissement et reprises
79 % des répondants issus d'entreprises qui utilisent l'IA ressentent une pression modérée, importante ou forte : il leur faut démontrer le retour sur les investissements dans l'IA. Dans le même temps, 58 % citent l'extension de l'IA et des agents comme priorité pour les douze prochains mois. Il y aura donc davantage d'agents, et donc davantage de modifications à relire.
Les auteurs citent également l'étude DORA : les organisations qui utilisent davantage l'IA livrent en général plus vite et évaluent mieux leur produit, mais leur livraison est moins stable. D'où un conseil pratique : le succès d'un déploiement ne se mesure pas uniquement à la vitesse. Regardez l'effort consacré à la revue de chaque modification et la fréquence des problèmes après la mise en production.
Comprendre le code d'autrui, c'est la moitié du travail
Un agent peut effectuer une modification rapidement, mais le relecteur doit suivre les dépendances entre dépôts, vérifier les règles locales et déterminer quels tests détecteront une régression. Cela peut représenter des heures de travail pour un ingénieur senior, sans compter les collègues qui connaissent les systèmes concernés.
Selon l'enquête, 65 % estiment que la lecture, la recherche et la compréhension du code existant ou proposé absorbent plus d'un quart du temps de l'équipe, et 25 % plus de la moitié. Pour mettre cela en perspective : si, dans une organisation de 1 000 développeurs, cette activité représente un quart du temps, cela équivaut au travail de 250 personnes. 51 % des personnes interrogées disposent d'au moins 1 000 dépôts, et la question « qu'est-ce qui dépend de ce code ? » dépasse facilement le dépôt où tout a commencé. 41 % affirment que les ingénieurs réécrivent régulièrement ce qui existe déjà, faute de pouvoir le trouver.
L'exemple le plus critique concerne une vulnérabilité grave dans une dépendance. À la question de savoir combien de temps il faudrait pour trouver et corriger tous les endroits touchés, 54 % ont répondu « des jours, voire davantage », ou « nous ne pourrions pas le faire ». Il s'agit d'estimations hypothétiques, et non de mesures de corrections réelles. Parmi les principales difficultés des modifications à grande échelle, les répondants citent le plus souvent la compréhension des dépendances et de leurs impacts (43 %), l'uniformité des correctifs entre dépôts (42 %) et les tests (42 %).
Les agents manquent de contexte commun
Seuls 10 % affirment que tous leurs agents disposent d'une vision partagée du code, des dépendances et de l'historique. Chez les autres, le contexte est partiellement commun ou fourni séparément à chaque agent. En outre, 33 % des entreprises utilisant l'IA reconnaissent que les développeurs doivent détailler l'architecture, les dépendances et les conventions avant qu'un agent puisse travailler sur une nouvelle tâche.
Sourcegraph propose une solution : un serveur grâce auquel des agents compatibles, comme Claude Code, Codex et Cursor, recherchent dans le code indexé de l'organisation pendant qu'ils accomplissent une tâche. Il respecte les droits d'accès existants aux dépôts, et les administrateurs contrôlent qui peut utiliser quels outils. L'ingénieur voit le code trouvé à côté de la modification proposée, et en cas d'échec, on sait ce qui a déraillé : l'agent n'a pas trouvé le code nécessaire, a mal interprété une exception ou s'est trompé dans l'implémentation. Pour les mises à niveau et migrations de masse, l'entreprise propose par ailleurs un outil dédié à la coordination des modifications entre dépôts.
Ce qu'il faut en retenir
Le dernier chiffre est révélateur : 77 % s'attendent à ce que les modifications écrites par l'IA soient intégrées à l'avenir avec un contrôle humain moindre. Pour savoir quelles modifications peuvent bénéficier de cette autonomie, il faut voir où les agents réussissent et où les ingénieurs doivent intervenir.
Pour les équipes, la conclusion est simple. Premièrement, mesurez le temps de revue et la part des modifications à l'origine de problèmes après mise en production, et pas seulement la vitesse de livraison. Deuxièmement, investissez dans la recherche de code et dans le contexte commun des agents, faute de quoi les économies réalisées sur l'écriture du code seront absorbées par la revue. Troisièmement, abordez les enquêtes des éditeurs avec esprit critique : les répondants ont évalué à vue de nez, et l'échantillon ne couvre que de grandes entreprises.
- 21 nov. 2026Les offres FDE ont été multipliées par 4,6 en un an : ce que fait un ingénieur chez le client
- 21 nov. 2026Sakana AI crée un laboratoire appliqué pour modéliser les marchés et l'économie
- 21 nov. 2026Meta prépare Muse Charm, un tamagotchi IA à 300 $ avec un an de 5G Verizon
- 21 nov. 2026Dreamteam lève 53 M$ pour un CRM qui se remplit tout seul à partir des e-mails et des appels
Questions clés sur cet article
Que sait-on sur Pression sur le retour sur investissement et reprises ?
79 % des répondants issus d'entreprises qui utilisent l'IA ressentent une pression modérée, importante ou forte : il leur faut démontrer le retour sur les investissements dans l'IA. Dans le même temps, 58 % citent l'extension de l'IA et des agents comme priorité pour les douze prochains mois. Il y aura donc davantage d'agents, et donc davantage de modifications à relire.
Que sait-on sur Comprendre le code d'autrui, c'est la moitié du travail ?
Un agent peut effectuer une modification rapidement, mais le relecteur doit suivre les dépendances entre dépôts, vérifier les règles locales et déterminer quels tests détecteront une régression. Cela peut représenter des heures de travail pour un ingénieur senior, sans compter les collègues qui connaissent les systèmes concernés. Selon l'enquête, 65 % estiment que la lecture, la recherche et la compréhension du code existant ou proposé absorbent plus d'un quart du temps de l'équipe, et 25 % plus de la moitié.
Que sait-on sur Les agents manquent de contexte commun ?
Seuls 10 % affirment que tous leurs agents disposent d'une vision partagée du code, des dépendances et de l'historique. Chez les autres, le contexte est partiellement commun ou fourni séparément à chaque agent. En outre, 33 % des entreprises utilisant l'IA reconnaissent que les développeurs doivent détailler l'architecture, les dépendances et les conventions avant qu'un agent puisse travailler sur une nouvelle tâche.
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.