Sber, Yandex et red_mad_robot montrent comment l'intelligence artificielle change le rôle du développeur

L'IA prend en charge une part croissante de la partie routinière du développement, et le rôle de l'ingénieur passe de l'écriture manuelle du code à la formulation des tâches et au contrôle du résultat. Les exemples de Sber, Yandex, T-Technologies et red_mad_robot montrent que ce basculement influe déjà non seulement sur la vitesse des livraisons, mais aussi sur les exigences envers les développeurs eux-mêmes.

Comment le développement change

Sber décrit sa marche vers l'AI PDLC à travers une échelle de maturité du niveau zéro au niveau cinq. L'entreprise se situe actuellement au niveau supervised automation : l'IA est déjà intégrée à la plupart des étapes du développement, mais la décision finale reste à l'humain. Selon la société, environ 14 000 développeurs utilisent GigaCode, et près de 80 % d'entre eux se servent de l'outil chaque jour. La part du code généré par l'IA et accepté par les équipes est passée de 45 % début 2025 à 69 % à la fin de l'année. Ce n'est plus un assistant ponctuel, mais un nouveau mode de travail.

L'étape suivante consiste à refondre l'environnement lui-même. En novembre 2025, Sber a fait passer ses développeurs de JetBrains IDE à son propre GigaIDE PRO, où travaillent sept agents d'IA : de la documentation et la journalisation aux tests automatiques et à l'analytique. Plus de la moitié de leurs suggestions sont acceptées. Parallèlement, l'économie du recrutement change : si en 2024 un nouvel ingénieur avait besoin de 71 jours pour atteindre sa pleine productivité, il en faut désormais 36. Dans cette logique, l'humain s'occupe de moins en moins de mécanique et de plus en plus du pilotage du processus.

« 90 % de la réalisation est faite par l'IA, et 90 % de la maîtrise de

l'idée reste du côté des humains ».

Ce qui arrive aux humains

Le gain technologique n'annule pas les coûts humains. Les chercheurs de Sber notent que les juniors se retrouvent de plus en plus dans un rôle étrange : il leur faut moins apprendre à écrire du code qu'évaluer le résultat produit par un modèle, alors qu'ils n'ont pas encore de base propre. Les ingénieurs plus expérimentés ont un autre problème : une partie du plaisir du métier venait de la résolution de tâches complexes, et avec les agents surgit le sentiment de n'être plus l'auteur, mais le contrôleur d'une chaîne de montage. D'où l'inquiétude pour les compétences, le statut et sa propre valeur sur le marché.

Au niveau de la production, c'est encore plus visible. Dans une grande entreprise, on ne peut pas simplement activer un mode agent à la mode et attendre un miracle : le système doit comprendre les API internes, les politiques de sécurité et les contraintes réglementaires. Voilà pourquoi le « vibe coding » ne fonctionne presque pas à l'état pur dans les grands groupes.

Le cas de GigaCode est révélateur : en décembre, il a bouclé une version complète d'un outil de téléversement et de vérification de bibliothèques sans une seule ligne écrite à la main. La version comprenait cinq grosses tâches et plusieurs correctifs, et l'équipe a accepté le résultat sans remarques sérieuses. Cela change la spécialisation de l'ingénieur : moins d'assemblage manuel, davantage de formulation des tâches, de revue et de responsabilité architecturale.

Comment on mesure l'effet

Yandex et T-Technologies montrent que mesurer l'effet uniquement en lignes de code n'a plus de sens. Chez Yandex, environ 70 % des développeurs utilisent régulièrement des assistants d'IA pour écrire du code et font en moyenne 10 à 20 % de commits en plus. Mais générer du code n'est qu'une partie du travail : beaucoup de temps part dans la recherche d'informations, la conception, le débogage et la revue. L'AI Chat interne a nettement réduit les visites au wiki, et DeepAgent, selon l'estimation de l'entreprise, apporte une accélération d'un facteur dix sur les tâches complexes d'exploration de la base de code.

T-Technologies, de son côté, ne regarde pas le volume de texte, mais la Developer Experience.

• délai entre le premier commit et le déploiement
• part du temps de concentration et nombre de changements de contexte
• rapidité de la première revue
• part de tests instables
• durée d'adaptation d'un nouvel ingénieur

D'après la télémétrie interne de T-Technologies, la part d'utilisateurs réguliers d'IA est passée de 17 % à 85 % en dix mois, et quatre semaines après la première prise en main de l'assistant, 80 % continuent de l'utiliser dans l'IDE et 75 % dans l'interface web.

red_mad_robot est allé encore plus loin : l'entreprise a assemblé des prototypes pour le web, iOS et Android en 48 heures, obtenu environ 80 000 lignes de code et 208 commits, et le rôle de l'équipe s'est en pratique réduit à un seul ingénieur IA qui orchestrait les agents. Avec un coût de modèle d'environ 27 dollars par prototype, il ne s'agit plus seulement d'accélération, mais d'une nouvelle économie du produit.

Ce que cela signifie

Le développeur ne disparaît pas, mais son travail monte rapidement d'un cran : de l'écriture du code à la formulation de l'intention, à la vérification du résultat et à la gestion des agents. Pour les entreprises, le principal risque n'est plus que l'IA écrive trop, mais que le business parvienne à accélérer les livraisons sans parvenir à refondre la formation, les métriques et la culture d'ingénierie pour la nouvelle réalité.