Ce guide d'Augment Code, signé Paula Hingel, propose un modèle en six étapes pour comprendre comment les agents IA restructurent le cycle de vie logiciel. Sa thèse centrale : l'IA n'améliore pas uniformément le SDLC — elle augmente le débit sur certaines étapes tout en accroissant le risque d'instabilité sur d'autres. Ce déséquilibre n'est pas une fatalité technologique mais le symptôme d'une adoption inégale menée sans redessiner les frontières de revue. L'article s'appuie sur le rapport DORA 2025, qui établit une corrélation positive entre adoption de l'IA et débit/performance produit, mais négative avec la stabilité de livraison : la maturité du process compte davantage que l'outil.
Les six étapes sont relues à cette aune. (1) Requirements & Planning : la spécification devient le mécanisme de contrôle qui dirige l'agent ; l'humain se concentre sur la qualité du besoin et la levée d'ambiguïté. (2) Design & Architecture : davantage de décisions exigent une revue humaine explicite, pour éviter le « vibe architecting » — des choix d'infrastructure ou d'intégration faits en secondes, plus vite que la gouvernance ne peut les encadrer. (3) Implementation : le développeur glisse de l'écriture de code vers l'orchestration, la validation et l'approbation. (4) Testing & QA : le risque cœur est la validation circulaire, où des tests générés par l'IA confirment du code généré par l'IA au lieu de vérifier le besoin réel ; la spécification précise est le rempart. (5) Deployment : les gains de débit créent des risques de stabilité, d'où la nécessité de contrôles de rollback renforcés. (6) Maintenance & Operations : les agents prennent en charge détection et remédiation, l'humain gère exceptions et durcissement.
vibe architecting
Trois risques structurels sont nommés : l'érosion du pipeline junior (automatiser les tâches fondatrices plus vite qu'on ne redessine les rôles juniors rétrécit le futur vivier de seniors), la validation circulaire, et les lacunes de gouvernance à l'échelle. En miroir, trois rôles émergent : Intent Engineering (traduire des objectifs ambigus en specs testables), Agentic DevOps/Infra (orchestrer les agents) et AI Governance/Assurance.
Le guide est étayé de données : 70 % du temps dev passé à comprendre du code existant, une étude CMU (807 dépôts) montrant +30 % d'issues statiques et +40 % de complexité, ou le système DRS de Meta (>10 000 changements landés pendant un code freeze). Il se clôt sur cinq recommandations opérationnelles : auditer une étape avant de scaler, stress-tester la gouvernance, rendre la spécification centrale, définir des politiques de rollback explicites, et redessiner le rôle des juniors autour de la revue.