Un agent IA pour vérifier les cahiers des charges : pourquoi automatiser ce qui ne marche pas à la main

Un mauvais cahier des charges est une bombe à retardement. Elle n'explose pas tout de suite, mais des semaines ou des mois plus tard, quand l'équipe de développement découvre que le client pensait à tout autre chose, que les exigences se contredisent et que la moitié des scénarios critiques n'est même pas décrite. Selon diverses estimations, jusqu'à 40 pour cent des reprises de travail dans les projets IT proviennent d'une documentation défaillante au départ. Une développeuse a estimé qu'on pouvait y remédier et a construit un agent IA qui vérifie les cahiers des charges avant que quiconque n'écrive du code à partir d'eux.

L'histoire, publiée sur Habr début mars 2026, séduit par son honnêteté. L'autrice prévient d'emblée : ce n'est ni un produit fini ni une solution universelle. C'est une expérience née d'une frustration personnelle, du travail sur une documentation où un point sur deux se prête à deux lectures. L'idée est simple et élégante : lancer un modèle de langage sur le texte du cahier des charges et lui demander de trouver les contradictions, les trous logiques, les formulations ambiguës et les cas limites absents. Ce qui demande des heures de lecture attentive à un analyste humain, un agent IA peut le faire en quelques minutes.

Sur le plan technique, l'approche s'inscrit dans le paradigme, de plus en plus populaire, des agents IA : des systèmes autonomes reposant sur de grands modèles de langage, qui ne se contentent pas de répondre à des questions mais enchaînent une séquence d'actions pour atteindre un objectif. Ici, l'agent découpe le cahier des charges en blocs logiques, vérifie la cohérence interne de chacun, contrôle ensuite la cohérence des blocs entre eux, puis produit un rapport structuré qui désigne les passages problématiques. Ce n'est pas un simple prompt dans ChatGPT : c'est une chaîne de raisonnement dotée de contexte et de mémoire.

Ce qui rend cette expérience vraiment intéressante, c'est qu'elle reflète un changement de fond dans la façon dont les développeurs envisagent l'usage des modèles de langage. La première vague d'enthousiasme tournait autour de la génération de code : GitHub Copilot, l'autocomplétion, la transformation de descriptions en fonctions opérationnelles. La seconde vague, celle que l'on observe aujourd'hui, vise les processus autour du code : relecture de documentation, analyse des exigences, vérification de l'exhaustivité des cas de test, audit des choix d'architecture. C'est moins spectaculaire que « l'IA écrit le code à votre place », mais potentiellement bien plus précieux pour l'entreprise.

La qualité des cahiers des charges est l'un de ces problèmes que l'industrie tente depuis des décennies de résoudre par la méthode. L'agile l'a en partie contourné en remplaçant les cahiers des charges monolithiques par des user stories itératives. Mais même dans les équipes agiles, quelqu'un doit rédiger des critères d'acceptation clairs, et quelqu'un doit les vérifier. Dans l'externalisation et le développement sur mesure, où le cahier des charges reste un document juridique, les enjeux sont plus élevés encore. Une formulation imprécise n'est pas seulement une dette technique : c'est un conflit potentiel entre client et prestataire, qui peut se terminer devant un tribunal.

Bien sûr, l'approche a ses limites, et l'autrice ne les cache pas. Un modèle de langage ne comprend pas le contexte métier du projet comme le comprend un analyste expérimenté. Il peut signaler une contradiction formelle là où il n'y en a pas, ou laisser passer un problème déguisé en formulation correcte. L'agent IA ne remplace pas l'expertise humaine : il la renforce, en jouant le rôle de premier filtre qui attrape les problèmes évidents et libère du temps à l'analyste pour les problèmes moins évidents.

Il est également notable que de tels outils commencent à apparaître ailleurs que dans les projets annexes d'enthousiastes. Les grandes plateformes de gestion des exigences intègrent déjà des fonctions d'IA pour analyser la qualité de la documentation. Jira, Confluence, Notion : toutes vont dans ce sens. Mais des agents sur mesure, calés sur les processus précis d'une équipe précise, peuvent se révéler plus efficaces que des solutions universelles. C'est pourquoi l'expérience d'un agent monté « au pied levé » a de la valeur : elle montre que le ticket d'entrée a tellement baissé qu'un seul spécialiste peut assembler un prototype fonctionnel en quelques soirées.

Cette expérience est une illustration modeste mais parlante de la direction que prend l'usage appliqué de l'IA dans le développement. Il ne s'agit ni de remplacer les programmeurs ni de générer automatiquement des produits finis, mais de renforcer ponctuellement les humains là où ils se trompent traditionnellement. La vérification des cahiers des charges n'est qu'un de ces points. Les suivants pourraient être l'audit automatique de contrats, la validation des exigences métier au regard des normes réglementaires, ou la vérification des supports marketing pour détecter des risques juridiques. Le schéma est toujours le même : laisser l'IA lire ce qu'un humain a écrit et lui demander de trouver les points faibles. Simple, mais étonnamment efficace.