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 radarHacker News AI→ original

Les agents IA ont ajouté 30 % de code aux ingénieurs, mais la relecture des modifications a pris 49 % de temps en plus

Des doctorants de Harvard ont étudié 718 entreprises : après le déploiement d'agents IA, les ingénieurs ajoutent environ 30 % de code en plus, mais le nombre de tâches parvenues en production n'a pas augmenté. En revanche, la relecture des pull requests — ces lots de modifications que les collègues doivent approuver avant fusion — est passée de 7 à 10,5 jours, soit +49 %. Le code s'écrit plus vite, alors que le nombre de relecteurs reste le même. Lors de l'achat d'agents, il faut donc d'abord évaluer la capacité de relecture, et non la vitesse de génération.

Traité par IA depuis Hacker News AI ; édité par Hamidun News
Les agents IA ont ajouté 30 % de code aux ingénieurs, mais la relecture des modifications a pris 49 % de temps en plus
Source : Hacker News AI. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireHacker News AI ↗
Rédacteur en chef
Échantillon725 938 salariés, données Jellyfish de 2021 à 2026
Chiffre clé #2Les demandes de modifications dans les pull requests sont passées de 13 % à près de 25 %
Chiffre clé #3L'IA a rédigé seulement 23,3 % des commentaires de relecture, alors que des relecteurs IA existent dans environ 80 % des entreprises

Imaginez une équipe à qui l'on confie des agents IA : les ébauches de code apparaissent plusieurs fois plus vite, les tableaux de bord passent au vert. Mais les utilisateurs des nouvelles fonctionnalités, eux, ne voient rien arriver. C'est le tableau que dessine un document de travail de deux doctorants de Harvard, Fiona Chen et James Stratton, fondé sur les données de 718 entreprises.

Après le déploiement des agents, les ingénieurs ajoutaient environ 30 % de code en plus (en moyenne +1 494 lignes par personne et par mois, contre une base de 5 017). Pourtant, le nombre de tâches achevées n'a pas augmenté de façon statistiquement significative, et le parcours des pull requests, c'est-à-dire des lots de modifications que les collègues vérifient avant la fusion dans la branche principale, s'est allongé de 49 % : de 7,03 à environ 10,5 jours. Le goulot d'étranglement s'est déplacé de l'écriture du code vers sa relecture.

Ce que les chercheurs ont mesuré

Les auteurs ont utilisé les données de Jellyfish, une entreprise qui vend des outils d'analyse de l'activité des équipes d'ingénierie, et les ont croisées avec les profils professionnels LinkedIn fournis par Revelio Labs. L'échantillon comprend 725 938 salariés de 718 entreprises sur la période de janvier 2021 à mars 2026, et ne retient que les clients de Jellyfish ayant accepté l'utilisation de leurs données à des fins de recherche. On y trouve 68,3 millions de tâches Jira, 200,9 millions de commits et 49,1 millions de pull requests. Les données de calendrier de réunions ne concernent que 213 entreprises sur les 718.

La méthode compare les indicateurs mois par mois : leur évolution dans les entreprises ayant déjà adopté les agents et dans celles qui ne l'avaient pas encore fait. Selon les auteurs, les dates d'adoption dépendaient surtout du moment où l'entreprise a découvert ces outils et de la durée de leur achat : validations juridiques et de sécurité, phases pilotes. Dans une société, l'outil a été approuvé en un jour ; dans une autre, selon l'un des interrogés, cela a pris de six à douze mois.

Les auteurs estiment que ces délais ne sont pas liés à la dynamique de croissance de l'entreprise, et ils tiennent compte de la taille des sociétés, les grandes ayant adopté l'outil plus tôt. Si un biais résiduel existe, il surestimerait plutôt qu'il ne sous-estimerait les bénéfices de l'IA.

Le code a augmenté, pas le travail livré

Le nombre de commits a progressé de 20 %, celui des pull requests de 23 %. Mise en garde des auteurs : il s'agit de l'effet supplémentaire des agents dans les entreprises qui utilisaient déjà des assistants de code IA, et non d'un effet « à partir de zéro ».

En revanche, le travail achevé n'a pas bougé. Une tâche est considérée comme terminée dans Jira lorsque son code a été déployé en production. Leur nombre a varié de 0,12 par personne et par mois, sur une base de 3,67 : c'est statistiquement indiscernable de zéro, et l'intervalle de confiance exclut une hausse supérieure à 12 %. Les auteurs ont examiné l'objection évidente : les ingénieurs se seraient-ils mis à traiter des tâches plus importantes ? Ils ont annoté la taille de 0,5 % des tâches avec GPT-4o, puis étendu ces estimations au reste grâce aux embeddings. La taille moyenne des tâches n'a pas changé, et les pull requests n'ont pas grossi.

L'embouteillage de la relecture

La part des pull requests faisant l'objet d'une demande formelle de modification a augmenté d'environ 12 points de pourcentage, pour une base de 13 %, soit près du double. Le nombre de commentaires par pull request a progressé de 35 %. La part des salariés qui font de la relecture a augmenté de 14 % par rapport à une base de 29 %, tandis que la part de ceux qui écrivent du code n'a pas changé.

Les relecteurs IA n'ont pas résorbé l'embouteillage. En mars 2026, environ 80 % des entreprises avaient testé de tels outils, mais l'IA n'a rédigé que 23,3 % des commentaires, et seules 10,8 % des pull requests ont reçu au moins un commentaire de l'IA. Un des juniors interrogés a raconté que ses modifications ne pouvaient être validées que par un unique senior, qui n'y consacrait qu'une fois par semaine. Après des incidents liés à des commits générés par l'IA, une règle est apparue : ce code doit obligatoirement être relu par un senior, et la file d'attente s'est encore allongée.

Les auteurs expliquent ces chiffres par deux mécanismes. Le premier : davantage de code arrive devant le même nombre de relecteurs, ce qui se résout en réaffectant des personnes à la relecture. Le second : la hausse des demandes de modification laisse penser que les ébauches sont de moins bonne qualité, ce qui relève cette fois de la qualité des modèles eux-mêmes. Lequel des deux mécanismes domine détermine où investir le budget.

Limites et conclusion

Il s'agit d'un document de travail, présenté comme un job-market paper, sans signe d'une relecture par les pairs achevée. La version actuelle est datée du 4 août 2026, la première du 7 janvier. L'emploi ne s'est pas effondré pour autant : les estimations écartent une baisse de l'emploi global supérieure à 2,9 %, même si cet effet n'est que de court terme.

Une étude indépendante du NBER, portant sur plus de 500 000 développeurs GitHub, met en évidence un écart similaire : la hausse de 240 % des commits issus d'agents autonomes ne se traduit que par 30 % de hausse des livraisons réelles. Ces deux travaux comportent des réserves : les auteurs de l'article du NBER sont liés à Microsoft, propriétaire de GitHub. Les deux portent sur le développement logiciel, et non, par exemple, sur le droit.

La pratique est simple. Mesurez non pas le volume de code généré, mais le délai jusqu'au résultat accepté, la part des retours pour correction et le temps passé par les relecteurs. Planifiez d'abord la capacité de relecture, puis augmentez la génération. Et tenez un journal de ce que corrigent les relecteurs : il montrera si l'embouteillage vient du volume ou de la qualité des ébauches.

Dossier

Questions clés sur cet article

Que sait-on sur Ce que les chercheurs ont mesuré ?

Les auteurs ont utilisé les données de Jellyfish, une entreprise qui vend des outils d'analyse de l'activité des équipes d'ingénierie, et les ont croisées avec les profils professionnels LinkedIn fournis par Revelio Labs. L'échantillon comprend 725 938 salariés de 718 entreprises sur la période de janvier 2021 à mars 2026, et ne retient que les clients de Jellyfish ayant accepté l'utilisation de leurs données à des fins de recherche.

Que sait-on sur Le code a augmenté, pas le travail livré ?

Le nombre de commits a progressé de 20 %, celui des pull requests de 23 %. Mise en garde des auteurs : il s'agit de l'effet supplémentaire des agents dans les entreprises qui utilisaient déjà des assistants de code IA, et non d'un effet « à partir de zéro ». En revanche, le travail achevé n'a pas bougé. Une tâche est considérée comme terminée dans Jira lorsque son code a été déployé en production.

Que sait-on sur L'embouteillage de la relecture ?

La part des pull requests faisant l'objet d'une demande formelle de modification a augmenté d'environ 12 points de pourcentage, pour une base de 13 %, soit près du double. Le nombre de commentaires par pull request a progressé de 35 %. La part des salariés qui font de la relecture a augmenté de 14 % par rapport à une base de 29 %, tandis que la part de ceux qui écrivent du code n'a pas changé. Les relecteurs IA n'ont pas résorbé l'embouteillage.

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…