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

Des développeurs 1C passent aux agents IA : McKinsey ne constate que 3 % de gain de productivité

Une équipe de 20 personnes qui développe sous 1C (une plateforme russe de comptabilité et de gestion d'entreprise) est passée aux agents IA en six mois : le code écrit à la main a été divisé par plusieurs fois, tandis que la charge de revue a augmenté. McKinsey estime le gain moyen de productivité lié à l'IA à seulement 3 %, et chez 30 % des équipes, la productivité a même baissé. L'équipe a donc d'abord défini qui vérifie le code généré par l'IA, et quand, avant de s'occuper du matériel.

Traité par IA depuis Habr AI ; édité par Hamidun News
Des développeurs 1C passent aux agents IA : McKinsey ne constate que 3 % de gain de productivité
Source : Habr AI. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireHabr AI ↗
Rédacteur en chef
Gartnersans contrôle, les coûts en tokens dépasseront d'ici 2028 le salaire d'un développeur
Chiffre clé #2Part des modèles ouverts dans le trafic IA des entreprises : de 23 % à 34 % en un an
Chiffre clé #3Les chefs d'équipe recevront chacun un NVIDIA DGX Spark, puis un serveur commun d'ici la fin de l'année

Quand des agents IA arrivent dans une équipe, tout le monde pose la même question : que vont faire les développeurs ? Le responsable d'une équipe d'environ vingt personnes a publié sur Habr un retour d'expérience sur leur parcours de quelques mois. L'équipe compte des développeurs 1C (une plateforme russe de comptabilité et d'automatisation des entreprises) et d'autres stacks connexes, ainsi que des testeurs et des analystes.

L'auteur a confronté son expérience aux données du secteur. Le chiffre le plus dégrisant vient du cabinet de conseil McKinsey : le gain moyen de productivité lié à l'IA est d'environ 3 %, et chez 30 % des équipes, la productivité a même reculé. La conclusion de McKinsey : le gagnant n'est pas celui qui a acheté l'outil, mais celui qui a repensé les rôles et les processus autour de lui.

C'est précisément pour cela que l'histoire de cette équipe est utile : elle montre par où commencer.

Comment les choses ont évolué dans l'équipe

Il n'y avait pas de plan. Au printemps 2026, une partie des collègues a simplement testé des agents IA sur des projets personnels. En été, c'est devenu une pratique de travail : l'écriture manuelle de code a été divisée par plusieurs fois, mais la charge de revue de code et de décisions d'architecture a augmenté. À la fin de l'été, l'équipe a lancé des expériences de génération locale sur son propre matériel et constitué une base de connaissances commune, dont s'est détachée une base dédiée à 1C. Une réunion hebdomadaire permet de partager les retours d'expérience sur les outils d'IA. Sans elle, selon l'auteur, il aurait été difficile de tenir le rythme.

À l'automne, l'équipe a adopté un agent cloud comme outil principal pour tous. Auparavant, les mots de passe, les clés et d'autres données sensibles avaient été retirés du code. Un pilote de spec-driven development a été lancé à la même période : la spécification devient l'artefact principal, et le code en dérive. Pour évaluer les modèles, l'équipe a retenu le projet de benchmarking PRISM, afin de ne pas croire les promesses publicitaires et de faire tourner les modèles sur ses propres tâches.

Il y a aussi une découverte désagréable : une partie de l'équipe a signalé une dégradation du sommeil et du bien-être, dans le contexte d'une immersion brutale dans la technologie. L'auteur estime qu'il faut intégrer ce paramètre dans le rythme de déploiement.

Ce que dit le secteur

Gartner prévoit que la majorité du code sera écrite par des agents IA et vérifiée par des développeurs expérimentés. Selon son estimation, 80 % des ingénieurs devront être reconvertis d'ici 2027. IDC décrit la même évolution comme un glissement vers la supervision : fixer la tâche, vérifier le résultat, corriger la sortie de l'agent. Voici quelques chiffres supplémentaires tirés de cette synthèse :

  • La part des modèles locaux et open-weight (à poids ouverts) dans le trafic de tokens de l'IA en entreprise, d'après une enquête auprès de 200 sociétés, est passée de 23 % à 34 % en un an. Vercel observe sur sa passerelle une hausse de 11 % à 36 % en trois mois.
  • L'hébergement auto-géré dans le cloud et on-premises (sur son propre matériel) se partagent le marché presque à égalité : 46 % contre 42 %.
  • D'après BlueOptima, sur des tâches réelles de grandes entreprises, les outils d'IA réussissent dans moins de 23 % des cas. Sourcegraph en donne la raison : le benchmark SWE-bench teste de petits dépôts autonomes, et non de grandes bases de code de production.
  • Gartner avertit que, sans pilotage, les dépenses en tokens dépasseront d'ici 2028 le salaire moyen d'un développeur.
  • 64 % des entreprises déploient des agents IA, mais seules 33 % d'entre elles mesurent le retour sur investissement (ROI).

L'auteur précise que les estimations de la diffusion de l'IA varient de 59 % à plus de 90 % selon les sources ; il faut donc prendre chaque pourcentage avec prudence.

Plans et règles de revue

À la mi-année prochaine, les chefs d'équipe recevront chacun un NVIDIA DGX Spark, un ordinateur IA compact, qui servira de bac à sable pour expérimenter la génération locale. D'ici la fin de l'année, l'équipe prévoit un serveur commun capable de servir toute l'équipe simultanément sur un modèle de classe 400B+ (400 milliards de paramètres ou plus). La spécification exacte du serveur est repoussée à un point d'étape, après plusieurs mois de travail avec les bacs à sable. Si le serveur interne n'est pas prêt à temps, la solution de repli est un hébergement open-weight managé.

La première version du plan portait davantage sur les outils que sur le processus. Après avoir pris connaissance des conclusions de McKinsey, l'équipe a fixé trois règles :

  • La revue d'architecture est déplacée au niveau de la spécification, avant la génération du code.
  • Une checklist distincte est introduite pour le code généré par l'IA : conventions internes, cas limites de la logique métier, vérification des « hallucinations ».
  • Avant le merge d'un code généré par l'IA, une personne précise signe la modification, au lieu d'un « ok par défaut ».

Ce qu'il faut en retenir

L'auteur formule des enseignements pour d'autres équipes. L'IA accélère le travail mais ne remplace pas les gens, et il vaut mieux le dire à voix haute dès le départ. Un benchmark maison sur sa propre base de code compte plus que les classements généraux, surtout pour des plateformes de niche comme 1C. Le processus compte plus que l'outil. Le bien-être de l'équipe fait partie du plan de déploiement. Et même une simple auto-évaluation trimestrielle des résultats vous place dans la minorité d'entreprises qui calculent réellement leur ROI.

Réserve : il s'agit de l'expérience d'une seule équipe, et les données du secteur proviennent de sources diverses aux méthodologies différentes. Comme point de départ pour un plan de déploiement, ce retour est utile, mais il ne prouve pas un effet universel.

Dossier

Questions clés sur cet article

Comment les choses ont évolué dans l'équipe?

Il n'y avait pas de plan. Au printemps 2026, une partie des collègues a simplement testé des agents IA sur des projets personnels. En été, c'est devenu une pratique de travail : l'écriture manuelle de code a été divisée par plusieurs fois, mais la charge de revue de code et de décisions d'architecture a augmenté. À la fin de l'été, l'équipe a lancé des expériences de génération locale sur son propre matériel et constitué une base de connaissances commune, dont s'est détachée une base dédiée à 1C.

Que sait-on sur Ce que dit le secteur ?

Gartner prévoit que la majorité du code sera écrite par des agents IA et vérifiée par des développeurs expérimentés. Selon son estimation, 80 % des ingénieurs devront être reconvertis d'ici 2027. IDC décrit la même évolution comme un glissement vers la supervision : fixer la tâche, vérifier le résultat, corriger la sortie de l'agent.

Que sait-on sur Plans et règles de revue ?

À la mi-année prochaine, les chefs d'équipe recevront chacun un NVIDIA DGX Spark, un ordinateur IA compact, qui servira de bac à sable pour expérimenter la génération locale. D'ici la fin de l'année, l'équipe prévoit un serveur commun capable de servir toute l'équipe simultanément sur un modèle de classe 400B+ (400 milliards de paramètres ou plus). La spécification exacte du serveur est repoussée à un point d'étape, après plusieurs mois de travail avec les bacs à sable.

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…