AutoScout24 accélère son développement par 10 grâce à Codex et ChatGPT d'OpenAI

OpenAI a publié une étude de cas sur AutoScout24, dans laquelle la place de marché automobile explique comment elle a intégré ChatGPT et Codex à son travail quotidien. Selon l'entreprise, cela a réduit le cycle de développement de 2–3 semaines à 2–3 jours sur une partie des projets et permis de déployer l'IA bien au-delà d'une seule équipe d'ingénierie.

Pourquoi AutoScout24 avait besoin de l'IA

AutoScout24 Group exploite une grande plateforme de vente de voitures en Europe et au Canada : plus de 30 millions d'utilisateurs par mois, plus de 2 millions d'annonces et un réseau de 45 000 concessionnaires partenaires. À cette échelle, tout retard de développement devient vite un problème commercial. L'équipe doit gérer plusieurs marques en parallèle, faire évoluer le produit pour les acheteurs et les concessionnaires, et préserver la stabilité de systèmes qui ont accumulé une logique interne complexe.

L'entreprise indique que les améliorations ponctuelles de processus menées jusque-là ne suffisaient plus. Les équipes d'ingénierie subissaient la pression des migrations, des systèmes hérités et d'une demande croissante de nouvelles fonctionnalités, tandis que le coût des livraisons lentes ne cessait de grimper. AutoScout24 a donc décidé d'utiliser les grands modèles de langage non comme une expérience isolée, mais comme un moyen de repenser sa façon de développer, de tester et de collaborer entre produit, data et ingénierie. Il ne s'agissait plus d'accélérer des tâches isolées, mais d'éliminer la friction systémique sur toute la chaîne de livraison du produit.

Comment les outils ont été déployés

Le déploiement s'est fait en deux couches. D'abord, ChatGPT a été ouvert à presque toute l'organisation : environ 2 000 employés y ont eu accès, ce qui a créé un socle de culture de l'IA en dehors de l'ingénierie. En parallèle, Codex a été intégré aux processus quotidiens de ceux qui construisent directement le produit : les équipes d'ingénierie, produit et data. Au total, cela concerne environ 1 000 employés dans des rôles liés à la création du produit, pour lesquels l'IA n'est pas un onglet à part, mais une composante du fonctionnement courant.

Auparavant, l'entreprise a passé trois mois à comparer l'outil dans différentes équipes, puis a retenu Codex pour sa simplicité d'usage, sa compatibilité avec les processus existants et son effet mesurable sur la productivité et la qualité du code.

Pour que l'adoption ne repose pas uniquement sur des directives venues d'en haut, AutoScout24 a constitué un réseau d'AI Champions : des relais internes issus de différentes fonctions. Ils recueillent les retours, aident à traduire les capacités des modèles en scénarios concrets et veillent à ce que l'IA s'intègre aux processus existants au lieu de rester un pilote isolé.

« Codex est devenu l'un des outils clés de nos processus d'ingénierie, avec un effet mesurable sur la productivité, la qualité et la vitesse », déclare

Frederik Kraus, CTO d'AutoScout24 Group.

Où les résultats sont apparus

L'effet le plus rapide est apparu là où il y avait beaucoup de routine manuelle, d'opérations répétitives et de longs cycles de validation. L'IA n'est pas utilisée pour des expériences abstraites, mais pour des tâches concrètes qui freinent chaque jour la mise en production des changements. Résultat : les outils accélèrent les itérations, soulagent les développeurs expérimentés et améliorent l'homogénéité entre équipes, sans refonte complète de l'architecture ni des processus. C'est là que l'effet se mesure le plus facilement en jours, en charge des relecteurs et en rapidité de décision.

• Revues automatiques de pull requests
• Grosses tâches de refactoring
• Rédaction de documentation technique
• Analyse d'incidents après des pannes
• Prototypage d'idées en dehors des équipes d'ingénierie

Selon AutoScout24, les délais ont été réduits d'environ dix fois sur une partie des projets, de 2–3 semaines à 2–3 jours. Dans le même temps, la capacité de production des équipes d'ingénierie a augmenté, et la revue de code comme la documentation dépendent moins du travail manuel. L'entreprise note un effet à part chez les employés non techniques, qui peuvent désormais tester eux-mêmes des hypothèses et réaliser de simples prototypes.

L'étape suivante consiste à intégrer l'IA plus profondément dans les systèmes internes clés et dans les produits destinés aux acheteurs et aux concessionnaires.

Ce que cela signifie

Ce cas montre que l'IA en entreprise est de plus en plus jugée non au nombre de licences achetées, mais à la façon dont elle raccourcit le chemin entre l'idée et la mise en production. Si une entreprise sait combiner accès élargi, processus intégrés et responsables clairement identifiés pour le déploiement, ChatGPT et Codex passent du stade d'expérience à celui de véritable couche d'infrastructure de production. C'est ce qui distingue un déploiement qui fonctionne d'un pilote à la mode. Et ici, les chiffres comptent plus que les slogans.