Aller au contenu

root / tags / dora

#DORA

2 fiches

Architecture & Construction

The End of Code Review: Coding Agents Supersede Human Inspection

Papier arXiv (cs.SE) de Martin Monperrus défendant une thèse radicale pour le SDLC : les agents de codage ont franchi un seuil de capacité tel que **la revue de code humaine n'est plus un composant nécessaire** d'un pipeline qualité. Deux affirmations : (1) des systèmes autonomes à base de LLM atteignent tous les objectifs de la revue (détection de défauts, qualité, conformité) à coût moindre et débit supérieur ; (2) le modèle hybride « l'agent écrit, l'humain relit » est intenable — il n'assure pas une vraie qualité et ne passe pas à l'échelle de la vélocité IA, créant une « fausse sécurité ». Monperrus oppose à l'inspection de Fagan (1976) un **pipeline de vérification adversariale multi-agents** (agent générateur + agents reviewers indépendants + tests/méthodes formelles + consensus par vote). L'humain se recentre sur la spec, les arbitrages d'architecture, l'approbation des domaines critiques et les cas limites. Recommandations : piloter d'abord sur composants à faible risque, mesurer agent vs humain, expliciter les décisions de rejet.

#revue de code#code review#inspection de Fagan

Martin Monperrus

Transformation & Adoption

The AI-native SDLC is paying off: 19% more PRs and 2–3 hours saved per developer per week

Étude data d'Atlassian (Inside Atlassian) mesurant le retour réel d'un **SDLC AI-native** outillé par **Rovo Dev**. Sur 3 400 dépôts de 2 500 clients (quasi-expérience avec appariement par score de propension), les dépôts adoptants mergent **19 % de PR en plus par mois** ; jusqu'à **37-51 %** sur les dépôts peu/moyennement actifs et **59-87 %** quand **3 à 5 membres** de l'équipe adoptent l'outil. Côté efficience, les développeurs gagnent **2-3 h/semaine** (≈10 % des 24 h consacrées au code et à la revue), soit 20-30 h/semaine réinvesties pour une équipe de 10. La thèse : résoudre le « paradoxe de la productivité » de Solow (1987) en passant de **métriques d'usage** (tokens) à des **métriques d'impact** (throughput, heures gagnées, taux d'échec, satisfaction). Recommandation : démarrer par une **équipe** (pas un individu) et mesurer 2-3 mois après.

#SDLC AI-native#Rovo Dev#agents de codage

Robbie Geoghegan · Fan Jiang (Atlassian)