thekb.eu — Transformation & Adoption

AI4IT vs AI4Business : le renversement, et ce qu'il fait à vos budgets 2027

Wed, 24 Jun 2026 00:00:00 GMT

Dans ce point de vue publié sur sfeir.com (24 juin 2026), **Didier Girard** (Managing Director de SFEIR) défend une thèse : le **renversement AI4IT vs AI4Business**. En 2024, le consensus voyait l'**AI4Business** — l'IA déversée dans les processus métier (ventes, support, finance) — comme le grand gisement de productivité ; l'**AI4IT** (l'IA pour produire le système d'information) passait pour un sujet d'ingénieurs. Deux ans plus tard, *« les chiffres ont tranché, et à l'envers »*. **La déception AI4Business** : l'étude MIT 2025 (« 95 % des pilotes GenAI sans ROI ») est, de l'aveu même de Girard qui en conteste la méthode, contestable — mais sa **persistance** est le vrai signal d'une insatisfaction réelle : beaucoup de dirigeants ne voient pas la valeur promise dans leurs processus. *« Le symptôme est vrai même quand le chiffre est faux. »* Le blocage est **organisationnel** (problème hayékien de Mollick), pas technique. **Le renversement AI4IT** s'appuie sur des preuves chiffrées : Salesforce (+151 % d'Effective Output, migration 18× plus rapide, −5 % d'incidents), Intercom (×3 de productivité R&D, −50 % de coût/PR), Raiffeisen Bank Ukraine (−8 % d'effectifs mais 7 nouveaux produits, −70 % d'incidents bloquants), AWS (Bedrock redéveloppé par 6 personnes en 72 jours), Atlassian (+19 à +87 % de PRs), DORA × Google Cloud (39 % de ROI, payback 8 mois). **Pourquoi ?** Le code **se vérifie tout seul** (compilation, tests, CI) ; le processus métier, non. *« On outille ceux qui savent déjà outiller. »* **La conséquence budgétaire 2027** tient en trois ruptures. (1) **CapEx→OpEx** : le token devient une charge OpEx variable — Arthur Mensch (Mistral) évoque ~10 % du budget salarial en tokens chez les adopteurs avancés. (2) **Prix du token, double piège** : à capacité donnée l'inférence a été divisée par ~280 en deux ans, mais la pointe monte (Fable 5 à $10/$50 = 2× Opus 4.8), tandis que les modèles ouverts (GLM-5.2) et l'inférence desktop poussent les coûts vers le bas ; le paradoxe de Jevons fait grimper la consommation plus vite que le prix ne baisse. (3) **FinOps de l'IA** : raisonner en **coût par outcome**, allouer par règles, faire de l'attribution token→résultat un actif. Quatre recommandations COMEX : financer l'AI4IT d'abord (payback < 1 an), budgéter la J-courbe, installer le FinOps token avant la dérive, redéfinir la comptabilité des effectifs (humains + agents). Conclusion : *« la prochaine bataille budgétaire ne portera pas sur le prix du token, mais sur le coût par résultat. »*

Comment l'IA agentique bouscule les Grands Groupes ? Partie 2/2 #DevSummit

Thu, 18 Jun 2026 00:00:00 GMT

Deuxième partie d'un épisode du podcast « À la French » enregistré au DevSummit, cet entretien réunit Mathieu Grymonprez, Global CDO du groupe Adeo (Leroy Merlin, Obramat, Weldom), et les hôtes Jean-Baptiste Kempf (créateur de VLC), Steeve Morin et Mehdi Medjaoui. Mathieu, 26 ans dans la maison et 8 ans CDO, retrace un parcours d'ingénieur réseau-sécurité (premier firewall Check Point) devenu pilote de la « Digital Tech and Data » : après avoir résolu en urgence un crash de bases Oracle au Brésil (2012) puis refondu le SI local en six ans d'expatriation, il a rationalisé les 24 SI / sites / PIM du groupe en plateformes digitales (customer & commerce, supply chain, retail, corporate) appuyées sur un tech radar, des API documentées et des microservices (devenus « big products »). Sa thèse : **toute transformation se gagne sur deux terrains simultanés, la culture et la structure**, et le playbook de la transfo digitale (cycle en V → agile, product, davantage de make que de buy) se rejoue avec l'IA. Côté culture : se reconfigurer pour embrasser la techno, garder un jugement critique et surtout l'**accountability** — la responsabilité reste humaine, « ce n'est pas la faute de l'agent ». Côté structure : combler la dette de documentation, gérer droits et permissions des agents. Mémoire de l'échec du « Retail Apocalypse » (Amazon, e-commerce négocié trop tard), le mot d'ordre est « on ne va pas se refaire avoir » : écouter sérieusement l'IA, mais avec les mêmes valeurs (pragmatisme, service client, marque leader). Si ChatGPT prépare mieux le panier que l'appli maison, « c'est mon problème ». Au board, Mathieu ne parle jamais technique mais expérience client et ROI ; il ne demande même pas de budget IA, finançant le nouveau par les gains (compression des tickets JIRA), dans une logique de reuse au service du vendeur en magasin. Il n'anticipe pas la fin des développeurs mais une avalanche de demandes (les P10 deviennent P2). Sur les coûts, il est confiant : le FinOps des tokens suivra celui du cloud, porté par les puces d'inférence (TPU) et des modèles open source qui rattrapent (Gemma 4 sur laptop). Mais la variation des modèles est un vrai problème de prod (retests, requantisation, downgrade silencieux), et Google a une « conscience de la prod » que n'ont pas encore OpenAI ou Anthropic. Sa plus grande inquiétude : le **lock-in de l'intelligence d'entreprise** (harnais agentique, « adeo.md »), d'où l'attention au Kubernetes standard, à la portabilité des API et à la mémoire. Il pointe la brique open source manquante — l'orchestration d'agents (registry, cycle de vie, permissions, skills) — et la mémoire d'entreprise (« quand ce n'est pas logique, c'est historique »). Conseil final : la transfo est sur-mesure ; comprendre la techno surtout pour ne pas se faire « enfler » par les vendeurs de pioches.

AI made your engineers fast. Too fast to leave room for the rest of the org to think.

Wed, 17 Jun 2026 00:00:00 GMT

Dans ce post LinkedIn, Fred Plais (co-fondateur et CEO d'Archie, ancien CEO de Platform.sh) endosse et prolonge un constat sur l'effet réel de l'IA sur les organisations tech : en rendant les ingénieurs extrêmement rapides, l'IA a supprimé le temps de réflexion dont disposait le reste de l'entreprise. Le **goulot d'étranglement n'a pas disparu, il s'est déplacé en amont**, dans une zone que personne ne surveille. Le raisonnement part d'un constat historique. Pendant des années, l'**exécution était la partie lente** du travail : construire quelque chose prenait assez de temps pour laisser de la place à la pensée. Les profils produit pouvaient lire les rapports d'analystes, parler aux clients, étudier la concurrence et façonner un véritable point de vue **avant** que beaucoup de code soit écrit. Cette marge a quasiment disparu. La difficulté s'est donc déplacée : il s'agit désormais d'avoir la bonne vision et de faire les bons choix en une fraction du temps autrefois disponible. De cette bascule émergent **deux nouveaux profils rares**. Le premier sait articuler une vision claire, **assez précise pour qu'un agent puisse l'exécuter sans dérailler** : un agent construit exactement ce qu'on lui demande, et rien de plus — « savoir quoi demander est la partie difficile ». Le second sait **orchestrer correctement les agents** : il connaît leurs modes d'échec, sait les chaîner et rattraper une erreur avant qu'elle se propage. Ce second profil est plus récent et encore rare. Plais souligne le décalage du marché : beaucoup d'équipes continuent de **recruter pour le « code output »**, alors que c'est précisément la ressource qui a cessé d'être rare. La chute du post est une morale : **penser clairement a toujours été le métier** ; la vitesse n'a rien inventé, elle a simplement rendu impossible de faire semblant. Fred Plais ajoute son propre commentaire : on lui demande sans cesse ce que l'IA change pour le développement, et sa réponse est « rien » — mais on ne peut plus tricher. Il clôt par une **métaphore de la conduite** : rouler à 200 km/h plutôt qu'à 100 impose d'avoir de bons freins pour éviter l'accident et une carte parfaite pour savoir où l'on va. Autrement dit, l'accélération de l'exécution par l'IA n'allège pas les exigences de jugement : elle les durcit, en déplaçant la valeur vers la clarté de la vision (la carte) et la maîtrise des garde-fous (les freins).

How Cornell Recovered $100,000 in Unidentified Payments With AI

Mon, 15 Jun 2026 00:00:00 GMT

Le Cornell AI Innovation Hub raconte (15 juin 2026) comment une collaboration de deux semestres a permis de **récupérer 100 000 $** de paiements non identifiés grâce à l'IA. Le problème : chaque année, Cornell reçoit des centaines de virements et paiements ACH sans information suffisante pour les router (pas de numéro de facture, nom de fournisseur vague). Les fonds s'accumulent dans un compte d'attente — backlog actif ~**1 M$**, pic historique **4 M$** — et la **loi de l'État de New York impose l'escheatment** s'ils ne sont pas résolus à temps. Deux agentes de la trésorerie y passaient jusqu'à **une demi-journée** par jour. La structure du projet illustre le framework **Leader-Lab-Crowd** d'Ethan Mollick. Le **Lab**, c'est l'**AI Hub** (Pete Stergion et Phil Williammee, co-tech leads, plus une cohorte d'étudiants). La **Crowd**, c'est la **Trésorerie** (Cheryl Barnes, Marie Graves, Kevin Mooney, Debra Federation), détentrice de la connaissance métier et des données — Kevin fournit **3 ans d'historique GL Oracle (10 000+ enregistrements)**. L'analyse étudiante dégage l'insight clé : **99 %** des paiements portent un nom de fournisseur, contre **moins de 4 %** un numéro de facture. La construction suit une discipline **« contexte d'abord, plan puis build »** : via **Claude Code Plan Mode**, l'équipe charge tout le contexte (notes, processus manuel, prototypes, données assainies) ; Claude Code **propose une architecture à valider avant d'écrire du code**. D'un semestre de notes naît un **outil en une seule session**. Le **pipeline Python** (exposé comme *skill* `/treasury`) enchaîne trois étapes : **fuzzy matching** sur le GL (filtrage des mots-bruit Inc/LLC/Corp), **recherche fournisseur** via **Gemini Enterprise Web Search**, puis **synthèse Claude** produisant pour chaque paiement un département probable, un **niveau de confiance** et un contact. Sortie : un Excel trié par confiance, en quelques minutes — le tout dans le **Cornell AI Gateway** gouverné (PII retirées, pas d'entraînement externe). Le **backtest** (9 131 paiements résolus) montre **97 % → 100 %** de précision pour les fournisseurs récurrents avec la chaîne IA, et **76 % → 100 %** pour les inconnus. Limite documentée : les fournisseurs multi-départements. Résultat opérationnel : 23 départements contactés, 7 réponses, **5 paiements = 100 000 $** confirmés. Au-delà du chiffre, le cas est un **contre-exemple** au récit « l'IA ne crée pas de valeur métier » : elle en crée parce qu'on a réuni un **Lab**, une **Crowd** experte et un **vrai travail de fond**. Et les 100 000 $ jouent le rôle de **récompense visible** chère à Mollick — la preuve tangible qui légitime et diffuse l'adoption, en retirant la corvée plutôt que les emplois. *« The $100,000 is a start. »*

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

Sun, 31 May 2026 00:00:00 GMT

Atlassian publie, sur son blog Inside Atlassian, une étude data co-signée par deux data scientists (Robbie Geoghegan, Fan Jiang) qui mesure le retour réel d'un **SDLC AI-native** outillé par son agent **Rovo Dev**. L'enjeu posé d'emblée est le « paradoxe de la productivité » formulé par Robert Solow en 1987 (« on voit l'ère informatique partout sauf dans les statistiques de productivité ») : l'IA est massivement adoptée — 93 % des développeurs utilisent des outils IA, près de 30 % du code est écrit par l'IA — mais son impact reste flou tant qu'on le mesure en **usage** (tokens) plutôt qu'en **impact**. Les résultats, issus d'une quasi-expérience sur 3 400 dépôts de 2 500 clients (appariement par score de propension), sont chiffrés et segmentés. Les dépôts adoptant Rovo Dev mergent **19 % de pull requests en plus par mois** que les non-adoptants. Le gain monte à **37-51 %** sur les dépôts à activité faible ou moyenne, et **double à 59-87 %** lorsque **3 à 5 membres** de l'équipe adoptent l'outil : l'adoption collective surpasse nettement l'adoption individuelle. Côté efficience, une enquête auprès de plus de 6 200 développeurs (estimations prises au 20e percentile, donc conservatrices) établit un gain de **2-3 heures par semaine** sur les tâches de code et de revue, soit environ 10 % des 24 heures qu'elles mobilisent — c'est-à-dire 20-30 heures hebdomadaires réinvesties pour une équipe de dix. L'article propose un **SDLC AI-native en cinq étapes** où l'agent épaule l'humain : Plan (découpages et estimations proposés), Orchestrate (coordination humains/agents), Code (agents autonomes sur du travail bien cadré, PR prêtes à relire), Review (revue contre les standards d'équipe avant l'humain) et Operate (copilotes d'incident always-on). Il l'accompagne d'un **cadre de mesure à quatre dimensions** : Speed (débit de PR), Efficiency (heures gagnées), Quality (change failure rate) et Satisfaction (satisfaction développeur) — pour ne pas réduire la valeur à la seule vélocité. Deux points renforcent l'argument. D'abord le rôle du **contexte** : grâce au Teamwork Graph d'Atlassian, une IA riche en contexte fournit des résultats 44 % plus précis en consommant 48 % de tokens en moins. Ensuite la **recommandation opérationnelle** : commencer par une équipe (pas un individu), choisir un dépôt avec 3-5 ingénieurs réellement utilisateurs, et mesurer le débit et les gains de temps 2-3 mois après le déploiement, une fois l'effet de nouveauté dissipé. Le message de fond : la valeur de l'IA est réelle mais conditionnée à une mesure d'impact rigoureuse et à une adoption d'équipe.

After Automation

Thu, 21 May 2026 00:00:00 GMT

Essai-pivot **Dan Shipper** (CEO Every) publié le **21 mai 2026** sur every.to, *« After Automation »* — réponse argumentée à la thèse de l'effondrement du travail intellectuel par l'IA. **Thèse-pivot** : le progrès de l'IA crée **plus de travail pour les humains, pas moins**. Mécanique en boucle (***« the commodification cycle »***) : (1) l'IA banalise la compétence humaine d'hier ; (2) cette compétence bon marché est massivement adoptée → abondance ; (3) l'abondance produit la *sameness* (le *« slop »*) ; (4) les humains exigent de la différence → demande renouvelée d'experts ; (5) les experts utilisent l'IA pour adresser les problèmes d'aujourd'hui → boucle. **Citation canonique** : ***« There's more work to do than ever »*** ; ***« AI commoditizes the residue of human expertise, creating demand for what's different »***. **Cadre conceptuel central — Frame vs. Framer** : les benchmarks mesurent la performance ***« within frames »*** (cadrages de problèmes spécifiques) ; une fois saturés, *changer le cadre remet le compteur à zéro* — les modèles **escaladent les cadres mais ne remplacent pas les cadreurs**. Formule-pivot : ***« the frame is not the framer »***. Même à AGI, des humains doivent **spécifier les objectifs et interpréter les résultats** — *« the frame problem regenerates one level up »*. **Le « Human Sandwich »** : Human sets frame → AI executes → Human judges and extends. **Deux modes de travail avec les agents** : (a) ***agent employees*** — délégation asynchrone (coworker / embedded — Claudie, Andy, Viktor, Fin) ; (b) ***human-AI collaboration*** synchrone (Claude Code et équivalents). **Données Every** : 95 % des emails du CEO traités par l'IA ; **Fin (Intercom) résout 65 % des conversations support**. **Le paradoxe de Zénon de l'IA** : l'IA réduit l'écart en continu, mais les humains restent « la tortue d'avant » parce qu'ils sont ***« alive to a specific moment »*** — *« running wants, running concerns »* — alors que les modèles opèrent sur des données de training historiques. **Benchmarks détaillés** : **GPT-5.5 = 62/100 sur Senior Engineer codebase rewrite** (vs humain 80-90s) ; **GDPval** : 40-49 % du niveau expert humain, **mais avec extensive framing humain**. **OpenClaw 44 469 PRs** en mai 2026 (vs Kubernetes 5 200 sur 2022) — preuve que l'agentique fait *« plus de travail »*, pas *« moins de travail humain »*. **AGI implications** : même AGI, le **framer humain** reste structurellement en avance — il adresse les problèmes *« current, situated »* alors que le modèle opère sur du *« historical training data »*. **Conclusion-pivot anti-tipping-point** : ce n'est pas un événement de bascule, c'est ***un pattern persistant*** qui définit l'avenir du travail. **Pertinence majeure** : contre-récit explicite à *Amodei white-collar bloodbath* / *Sun permanent underclass* / *Anthropic Economic Index* — Shipper, **CEO d'une boîte qui vit avec des agents au quotidien**, propose le cadre théorique qui réconcilie les deux observations empiriques (l'IA fait plus + les humains restent indispensables). Convergence forte avec **Ng "No AI jobpocalypse"** (2026-05-08), **Mollick × roon ASI / FDE** (2026-05-10), **Tatsyi/Raiffeisen "AI made engineers different"** (2026-05-05), **Curran/Intercom 3× R&D** (2026-04-16) — tous racontent que les humains sont *redéployés vers le framing* plus que *remplacés*. Tension productive avec **Sun NYT permanent underclass** (2026-04-30), **Wallace-Wells AI populism** (2026-05-08), **Osmani Cognitive Surrender** (2026-05-05 — le framer humain doit rester actif). À mobiliser pour COMEX / DG / boards : vocabulaire stratégique 2026 — *« frame vs framer »* devient grille canonique de pilotage IA.

AI-assisted engineers are burning out, is this fine?

Tue, 19 May 2026 00:00:00 GMT

Article-pivot **Ivan Chepurin & Travis Turner** (Evil Martians Chronicles, **19 mai 2026**) — ***« AI-assisted engineers are burning out, is this fine? »*** — **diagnostic structuré du burnout des développeurs assistés par IA** et **boîte à outils d'intervention** en 5 axes. **Thèse-pivot** : la productivité accélérée par l'IA cache un **coût caché — l'épuisement développeur**. *« Higher productivity doesn't translate to sustainable work practices or job satisfaction. »* Epigraphe Shunryu Suzuki sur l'agitation mentale. **TL;DR — 3 remèdes essentiels** : (1) restaurer le plaisir du processus, (2) reconstruire l'accomplissement / ownership / fierté, (3) supprimer la pression de maximisation continue de la productivité. **Cadre narratif central — Ben vs Alice** : Ben (codage traditionnel) = 4 h de travail steady, charge cognitive distribuée, satisfaction à l'achèvement ; Alice (assistée IA) = 2 h de travail haute-intensité cognitive, task-switching continu, **aucune satisfaction** + remplit le temps libéré par plus de tâches → **escalade exponentielle de la charge** malgré la production accélérée. **Formule canonique** : ***« We compensate for a lack of satisfaction with work quantity. »*** **Disruption structurelle du cycle craft** : (planning → crafting → result) compressé en (planning → result), suppression de la phase méditative de craft remplacée par la **revue de code cognitivement exigeante**. Convergence directe avec **HBR study 2026** (cited) : *« cognitive exhaustion from intensive oversight of AI agents is both real and significant »* + **UC Berkeley research 2026** : workers remplissent les pauses naturelles par des tâches IA. **Quiet career change** — concept-pivot : les devs choisis pour coder font désormais un **travail différent sans transition de carrière consciente**. 4 voies possibles : (1) trouver du plaisir dans la nouvelle structure (priorisée), (2) ignorer l'IA, (3) travailler sans plaisir (insoutenable), (4) changer de métier. **5 facteurs de burnout quotidien identifiés** : (1) ***Losing context*** — l'agent porte la compréhension projet en externe, dette cognitive shift code→people, perte d'intuition système ; (2) ***No time for passive thinking*** — *« The model fills the silence before your own thinking has a chance to connect dots »* (douches, marches éliminées comme moments de problem-solving inconscient) ; (3) ***False expectations*** — vitesse initiale = baseline irréaliste, ralentissements vécus comme échec ; (4) ***Review bottlenecks*** — *« the more code is generated, the more code needs to be reviewed »*, charge cognitive disproportionnée sur les seniors, diffusion de responsabilité ; (5) ***Endless possibilities*** — faible friction du prompting encourage pivots constants, absence de scoping naturel. **Boîte à outils en 5 interventions** : (a) **Acknowledge your wins** (win-log, démos team, tracker heures) ; (b) **Rethink AI workflow** (planning > review, **3-4 iterations max**, pas de task-switching parallèle, séparer tâches IA-heavy par breaks, décomposer) ; (c) **Keep exercising your craft** (protected craft-hours AI-free, *« ask » mode > generation mode*, agents off sur passion projects) ; (d) **Discipline + work-life balance** (heures fixes, vraies pauses, intentions journalières, stop quand fini) ; (e) **Find new areas of interest** (user research, soft skills, analytics, agent fine-tuning + guardrails, perf optim). **Conclusion** : *« AI can be helpful. Problems appear only if you misuse it. »* L'évolution industrie = inévitable ; le bien-être individuel = contrôlable. Convergence majeure avec **Osmani Cognitive Surrender** (2026-05-05), **Frizzo "Year With Claude Code"** (2026-05-05 — *« writing muscle atrophy »*, *« deep flow rare »*), **Bedard BCG/HBR Brain Fry** (2026-03-05 — 1488 salariés, peak 3 outils, +39% errors, +39% intent to leave). Pertinence majeure pour **CTO / VP Engineering / DRH IT** confrontés à la rétention des ingénieurs IA-augmentés en 2026.

AI/works™ by Thoughtworks — Thoughtworks' Agentic Development Platform / "We are doing it again for the AI era"

Tue, 12 May 2026 00:00:00 GMT

Thoughtworks lance **AI/works™**, sa **plateforme de développement agentique** revendiquée comme *"le nouveau standard pour construire et faire tourner des systèmes industriels à l'ère de l'IA"*. Le slogan d'ouverture — ***"We are doing it again for the AI era"*** — invoque explicitement l'héritage Thoughtworks (XP, Continuous Delivery, microservices, refactoring) pour vendre la nouvelle plateforme. La **thèse centrale est économique** : *"The breakthrough is the economics. The old approach made you pay millions to build, run, then pay again to rebuild. AI/works™ ends that routine."* Quatre promesses dérivées : mise à jour continue des systèmes, régénération sélective *"sans token blowout"*, *"vos systèmes cessent enfin de vieillir"*, et fast-track des nouveaux produits. La plateforme déploie **six capacités** couvrant tout le SDLC : (1) **Reverse Engineering** ingère le legacy et produit des specs as-is validées ; (2) **Dynamic Spec Development** convertit des requirements bruts en une *Super Spec* unifiée couvrant architecture, workflows, sécurité, données, UX ; (3) **Spec to Code** génère du code testable depuis la Super Spec via des *coordinated agents* ; (4) **Developer Experience** standardise le dev IA via *governed golden paths*, pipelines automatisés et catalogue partagé ; (5) **Control Plane** orchestre et gouverne les agents avec *cost transparency*, *active guardrails* et *end-to-end lineage* ; (6) **Runtime Ops** monitore en continu, détecte le changement, met à jour la Super Spec et régénère le code impacté. Le concept-pivot est la **Super Spec** : une **spécification dynamique unifiée** servant de source of truth, mise à jour automatiquement en production et déclenchant la régénération du code impacté plutôt que des patchs. La **méthodologie 3-3-3** structure le delivery : 3 jours pour aligner le concept produit, 3 semaines pour un prototype (desirability/viability/feasibility), 3 mois pour un MVP en production. ***"Industrial-grade systems that grow up instead of grow old."*** **Constellation Research** reconnaît AI/works™ *"for changing the economics of enterprise software delivery"* via une approche *"spec-driven, lifecycle"*. L'**anti-positioning** est explicite : *"no consultant crowds"* (attaque directe aux grands intégrateurs), *"finance can open the bill without switching on emergency lighting"* (auto-dérision corporate), *"stands on an engineering foundation rather than enthusiasm"* (anti-hype assumé). Les **partenaires affichés** couvrent toute la stack agentique : AWS, GCP, Azure, Databricks, Snowflake (clouds/data), Claude, DeepSeek, Gemini, Grok, OpenAI (LLMs), NVIDIA, Groq (compute), CAST, Mechanical Orchard (legacy), Stripe, Spotify (clients de référence probables). **Double CTA** *Request a discovery call / Sign up for updates* trahit un modèle **sales-led, ACV élevé**. Lue dans le corpus 2025-2026, AI/works™ est la **mise en produit** de la doctrine Thoughtworks portée intellectuellement par Kamelman (*Service-as-Software*, 2025-12), Fowler (*LLM Retreat*, 2026-02) et Böckeler (*Harness Engineering*, 2026-04). C'est l'**équivalent commercial anglo-saxon** de la doctrine Wescale *Usine Logicielle Augmentée* (2026-05-03), packagé en plateforme.

You will know that the AI labs believe in ASI when [they dissolve their forward deployed engineering teams]

Sun, 10 May 2026 00:00:00 GMT

Ethan Mollick (Wharton) lance sur LinkedIn un test de cohérence à l'adresse des laboratoires d'IA frontaliers : *"on saura que les labos croient vraiment à l'ASI quand ils dissoudront leurs équipes de Forward Deployed Engineering"*. Tant que des humains sont nécessaires pour intégrer l'IA dans les organisations clientes, les emplois cols blancs ne sont pas menacés à court terme. **Le débat avec roon** (employé OpenAI, voix influente du cercle *accel* sur X) : roon rétorque que c'est un **problème hayékien**. Référence à Hayek (*"The Use of Knowledge in Society"*, 1945) : l'information utile dans une organisation est tacite, distribuée, contextuelle. L'intelligence centrale, même superintelligente, ne résout pas automatiquement les flux d'information. roon se dit plus optimiste sur l'emploi que la moyenne des labos précisément pour cette raison. Mollick concède le point hayékien puis retourne l'argument : si l'IA n'est pas auto-adoptante, alors la prédiction labo *"la plupart des emplois cols blancs seront remplacés d'ici 2035"* est démentie par leurs propres équipes FDE. roon résume l'accord apparent : *"Gentle singularity"* — la transition sera lente et médiée, pas un *fast takeoff*. Sam Altman reprendra ce terme dans son essai *The Gentle Singularity* (juin 2025). **Le consensus des commentaires** (praticiens, consultants, chercheurs) converge sur quatre points : 1. La technologie est souvent la partie facile. Le vrai obstacle, c'est la politique interne, les incitations RH, les systèmes legacy, et surtout la question *"qui est responsable quand ça casse ?"*. 2. L'ASI peut produire un plan de transformation parfait et se retrouver bloquée par un VP qui refuse de modifier son workflow Salesforce. 3. Accenture (et plus largement le conseil) survit parce qu'il vend de la **responsabilité contractuelle**, pas seulement de la compétence. Une IA ne peut pas être poursuivie en justice. Un cabinet oui. 4. Formule la plus partagée : *"Curing cancer might be easier than replacing Accenture"* — un problème technique a des critères de succès clairs ; un problème organisationnel, non. **La tension structurante** que Mollick formalise : **East Coast vs West Coast** (épistémique, pas géographique). East = transformation lente, fragmentée, contrainte par la *jaggedness* des capacités et la complexité sociale. West = automatisation rapide et massive dès que les capacités suffisent. **Conclusion** : les labos vendent l'ASI mais embauchent des consultants. C'est soit une contradiction logique, soit — vision plus cynique — une stratégie de revenus à court terme qui finance le pari de long terme. Dans les deux cas, leurs propres FDE attestent que l'IA n'est pas (encore) auto-adoptante. Le bottleneck de l'adoption migre du technique vers l'organisationnel.

IA : et si les développeurs disparaissaient ? — Tech & Co Business, Le débat (BFM Business, 05/05)

Tue, 05 May 2026 00:00:00 GMT

Sur le plateau de *Tech & Co Business* (BFM Business, 5 mai 2026, segment "Le débat", 17 minutes), Rémi Jacquet (DG Cast Software France, fondateur en 2023 d'un think tank d'une centaine de DSI partenaire Cigref/Epita) et Didier Girard (CTO et DG de SFEIR, ESN française de 1 000 personnes) confrontent leurs lectures sur l'avenir du métier de développeur à l'ère des agents IA. Girard frappe d'entrée : ***"écrire du code est devenu un anti-pattern"***. L'IA produit aujourd'hui du code de meilleure qualité que la plupart des ingénieurs et est *"2 à 10 fois plus efficace"* — *"c'est la réalité, il faut l'accepter"*. Mais le métier ne disparaît pas : *"on délègue à l'IA l'analyse et le raisonnement, la décision reste humaine."* Jacquet complète : le développeur devient ***chef d'orchestre / manager d'agents / juge de paix***, dialoguant directement avec le business et prenant l'entière responsabilité d'une application. Les sprints Scrum de 14 jours laissent place à des ***bolts*** d'une heure à une demi-journée. La **Pizza Team** d'Amazon (8-10 personnes) ne tient plus : *"si on se met à 10 pour vider un lave-vaisselle, on n'ira pas plus vite"* — il faut **segmenter** les équipes. SFEIR revendique *"1 000 personnes pour une capacité de production de 10 000"*. Émerge un nouveau métier — le ***product engineer*** —, mesuré non plus en lignes de code mais en valeur créée. Côté risques, Jacquet pose un avertissement contre-intuitif : ***"plus l'IA devient forte, plus on baisse la garde — plus il y a de risques."*** Cast se positionne sur le ***harness engineering*** : analyse **déterministe** structurée pour canaliser l'IA **probabiliste** et contrôler le code produit (cohérence architecturale, garde-fous). Pivot historique annoncé : *prompt engineering* (2024) → *context engineering* (2025) → ***harness engineering*** (2026), aligné sur la tribune de Sylvain Duranton (BCG X) parue le jour même dans *Les Échos* (*"un agent = un LLM + des harnesses"*) — explicitement *"techno-française"*. Côté RH, le **token devient le fuel de la valeur** : NVIDIA verserait des primes en tokens, *"un développeur qui ne consomme pas de tokens, c'est un chauffeur de taxi sans essence — crée-t-il vraiment de la valeur ?"* La durée de vie d'une compétence chute de **10 ans à 1 an**, les fiches de poste basées compétences vacillent, les DRH deviennent pivots de la transformation, et un nouveau groupe du think tank travaille sur la *"remise à plat complète du SDLC"*. Boutade-thèse de Jacquet : *"il est peut-être plus facile de créer une nouvelle DSI déjà AI-agent-based que de transformer une DSI existante."* Aux juniors enfin : *"il y a des postes à prendre — à condition de devenir chef d'orchestre et de maîtriser les fondamentaux d'architecture logicielle."* Girard conclut : ***"le code est la partition — il faut maîtriser la symphonie."***

A Year With Claude Code: My Output Doubled. My Attention Span Didn't.

Tue, 05 May 2026 00:00:00 GMT

Alexandre Frizzo publie sur LinkedIn Pulse, le 5 mai 2026, une tribune *one-year retrospective* sur son usage quotidien de Claude Code. Le titre concentre la thèse : ***"My output doubled. My attention span didn't."*** Bilan nuancé rare dans le corpus 2026 — productivité multipliée par **3-5×**, mais **coûts cognitifs cachés** assumés. **Le métier a changé de forme.** Frizzo n'écrit plus du code, il **prend des décisions à propos du code généré par les agents**. *"Write hard parts, review easy parts"* devient supervision multi-codebase. Le bottleneck a changé : protéger le *deep work state* est devenu *irrelevant* quand la génération est rapide ; ***"the new bottleneck is supervision"*** — reading agent output, deciding correctness, integrating, catching subtleties. *"Quality control at scale now requires entirely different defenses."* **Gains assumés** : 3-5× productivity multiplier sur une journée typique, projets précédemment infaisables désormais accessibles (yak-shaving, boilerplate, *long-tail*), coût quasi nul de l'expérimentation. **Pertes assumées** : *writing muscle* atrophié (*"manual coding feels effortful now"*), deep flow state rare à cause du context-switching constant, satisfaction d'ownership diminuée (***"the code is good, but isn't quite mine"***). **Statistiques mobilisées** : médiane 3-4h coding effectif sur 8h jour, **23 min de récupération contexte par interruption** (Gloria Mark), 15-25 min d'entrée en flow, 500% de productivité en flow (étude McKinsey senior executives). **Tensions non résolues** que Frizzo pose sans trancher : (1) **FOMO** — *"every hour I'm not at the keyboard is an hour an agent could be earning for me"* — la pression psychologique des agents 24/7 ; (2) **Review quality** — reviewer à 3-5× le volume risque le *skimming*, les pratiques qualité supposaient un rythme humain ; (3) **Skill atrophy** — *"does the writing muscle still matter, or is it becoming commoditized?"* **Position épistémique exemplaire** : Frizzo rejette simultanément les deux narratifs disponibles — *"AI is bad"* et *uncritical enthusiasm*. Il tient une posture tierce honnête, gains réels + coûts réels, **tensions non résolues** plutôt que conclusions. **Articulation dossier veille** : complément salutaire à **Cherny *"coding is solved"*** (2026-05) — même usage quotidien intensif, mais Frizzo se situe sur la **médiane committée** (3-5×) alors que Cherny et le top 5% Curran/Intercom occupent le **tail élite** (10×+). Les deux ne se contredisent pas : ils mesurent **deux endroits différents** de la distribution de productivité. Convergence chiffrée médiane avec **Wescale** (2026-05-03), **Curran/Intercom** moyenne (2026-04-16), **DORA Report 2025**, **Stanford Denisov-Blanch** (2025-11-23). Convergence cognitive avec **BCG Brain Fry** (Bedard et al., 2026-03-05), **Anthropic study junior engineers deskilling** (citée Sun NYT 2026-04-30), **Karpathy *outsource thinking but not understanding*** (2026-04-29), **Soto *Developer Taste*** (2026-04). À mobiliser comme témoignage praticien équilibré pour COMEX, sensibilisation managers, débat éthique sur la transformation du développeur en superviseur.

PROJ-AI — pour que vos projets ne s'arrêtent plus au livrable (Un repo, un agent, un IDE — pourquoi PROJ-AI ?)

Tue, 05 May 2026 00:00:00 GMT

Antoine HABERT (WEnvision, cabinet FR de conseil IA agentique) publie le 5 mai 2026 un article méthode qui formalise **PROJ-AI**, une couche méthodologique légère pour que les projets collectifs deviennent **transmissibles plutôt que de mourir avec leur livrable**. Le diagnostic : les projets s'arrêtent à leur livrable, ne laissent aucune mémoire organisationnelle, les décisions critiques deviennent intraçables, l'onboarding d'un nouveau membre prend trois semaines. Aphorisme central : *"Le projet n'est pas un sous-produit du livrable. Le projet EST le livrable."* La méthodologie repose sur une **triade** : (1) un **repository git versionné** comme source unique de vérité ; (2) un **agent IA** (Claude Code, Cursor ou équivalent) qui lit la doctrine à chaque session ; (3) une **doctrine en markdown** spécifiant protocoles de décision et comportements d'agent. Le repo est organisé en **six zones** : `DOCS/` (raw inputs), `IDEAS/` (hypothèses), `DR/` (Decision Records scorés sur 7 dimensions), `OUT/` (livrables), `DOCTRINE/` (gouvernance), `AGENT/` (slash-commands et traces de session). Le cycle opérationnel **DPEV** — *Décider → Promettre → Exécuter → Vérifier* — articule quatre étapes traçables qui transforment des idées floues en livrables défendables. Une **double interface** combine PROJ-AI Studio (vues Cockpit/Guide/Weekly/Monthly pour le métier) et CLI/IDE avec slash-commands `/dr-create`, `/livrable-update` (pour la tech), au-dessus du même repo unique. Cinq **directives agent** structurent le comportement : ingérer la doctrine avant de répondre, citer explicitement les sources internes, proposer des Decision Records pour les choix émergents, ne jamais outrepasser la doctrine, produire des résumés de fin de session. Sur **trois missions actives** (31 décisions enregistrées), HABERT documente : onboarding nouveau membre **3 semaines → 2 jours**, décisions structurelles tracées **30% → 100%**, compilation doc architecture **6 semaines → continu**, temps d'archéologie du PM **30% → négligeable**. La bibliothèque partagée **proj-ai-commons** capitalise les patterns anonymisés (templates DR, slash-commands, fragments de doctrine) et permet de bootstrap un nouveau projet en **30 minutes au lieu d'une semaine**. Deux *caveats* honnêtes : (1) ***"technologie 20%, discipline d'équipe 80%"*** — refus explicite du solutionnisme ; (2) ***"agent-agnostic"*** — markdown supporte plusieurs LLMs. Status : Studio en preview interne, méthodologie accompagnée par le cabinet (pas self-service). Cette pièce convergente avec **Wescale Usine Logicielle Augmentée** (2026-05-03) et la précédente fiche HABERT (2025-10-29) consolide une doctrine française de l'industrialisation IA. PROJ-AI transpose au pilotage projet/conseil les patterns *Skills* (Vincent), *Plugin Marketplace* (Curran/Intercom), *AGENTS.md* (Anthropic, Vercel, Osmani) et *Decision Records* (Wescale). À mobiliser comme cadre opérationnel pour cabinets, DSI et équipes projet 6-18 mois.

AI didn't make our engineers just faster. It made them different.

Tue, 05 May 2026 00:00:00 GMT

Hryhorii Tatsyi, CTO de **Raiffeisen Bank Ukraine** (~900 ingénieurs IT), publie en mai 2026 sur Medium un retour d'expérience longitudinal **12 mois** (mai 2025 → avril 2026) sur la transformation IA de son organisation. Le titre concentre la thèse : ***"AI didn't make our engineers just faster. It made them different."*** C'est un des **rares case studies organisationnels chiffrés côté banque européenne régulée** disponibles en 2026. **Données centrales** : effectif IT contracté de **75 personnes (−8%, dont 64 ingénieurs)** — pourtant **plus de code livré, moins d'incidents, sécurité améliorée**. Adoption IA passée de **62% à 83%** ; **68% des ingénieurs reçoivent ≥50% de leur code via assistance IA** ; onboarding nouveaux ingénieurs **60-90 jours → ~40 jours** (cohérent données Anthropic 82→40 jours, **convergence indépendante**). **Trois archétypes** émergents : (1) **Copilot-only** : +10-25% sur PRs, rayon stable ; (2) **Multi-outils** : story-points **×1.5-3**, scope cross-repo **+50-80%** ; (3) **Claude sur stack corporate** : volume code **×4.5**, scope radicalement élargi. Insight contre-intuitif : ***"AI lifts underperformers to baseline"*** plutôt que d'accélérer surtout les top performers — la distribution se **resserre par le bas**. Architectes seniors **reviennent au code** après des années d'éloignement. **Sept nouveaux produits IA** (qui n'existaient pas avant) : Service Knowledge Hub (57 microservices, 83 releases/mois), Mobile Android workflow CI, AI Agent Portal (2 085 users / 649 MAU en 87 jours, génération MCP via OpenAPI), Shift-left Security Plugin (−82% secrets exposés), DevPortal Backstage + agents diagnostics K8s (−68% temps résolution incidents critiques), DRAIF MCP text-to-SQL Data Lake 10 000 tables (embedding fine-tuné ×2 OpenAI), Call Evaluation (>97% précision, **élu meilleur produit du groupe Raiffeisen International**). Stabilité : **incidents bloquants −70%, résolution critique −68%, alertes sécurité haute sévérité résolues +155%**. **Thèse-pivot stratégique** : ***"AI expanded our production possibility frontier, and we deliberately allocated the freed capacity"*** — features, stabilité, remboursement de dette technique. **Question d'évaluation reformulée** : non pas *"de combien % les KPIs existants ont augmenté"* mais ***"what did your engineers build that didn't exist before"***. **Articulation dossier veille** : convergence chiffrée médiane committée avec Frizzo (2026-05-05), Wescale (2026-05-03), Curran/Intercom (2026-04-16), DORA 2025, Stanford Denisov-Blanch (2025-11-23). Convergence indépendante onboarding ~40 jours avec Anthropic. Tension productive avec Cherny / Curran top 5% / Karpathy (tail élite 10×+) : la distribution **se resserre par le bas** ET **s'élargit par le haut** — les deux lectures coexistent. Convergence transversale "le métier change de forme" avec Frizzo, Karpathy, Mornati, Habert. À mobiliser pour COMEX banque/secteurs régulés, sponsors transformation, débat équité distribution productivité.

Slider Augmented Dev — La chaîne de production augmentée : comprendre la révolution de la chaîne de production logicielle à l'ère de l'IA

Sun, 03 May 2026 00:00:00 GMT

Le cabinet français Wescale présente sa doctrine de l'**Usine Logicielle Augmentée** : une chaîne de valeur logicielle entièrement orchestrée par des agents IA spécialisés, structurée en six lignes de fabrication. L'**Intention** ingère les besoins métier en PRD et ADR ; le **Plan** dérive User Stories et tâches parallélisables ; le **Bon à Tirer** est l'unique porte humaine avant fabrication, où architectes et Product Managers valident sur six dimensions ; la **Production** opère 24/7/365 en parallèle avec Shift-Left intégré ; la **Vérification** est confiée à un agent d'audit indépendant comparant spec vs code (*"aucune auto-certification"*) ; le **Déploiement** boucle DevOps automatisé et monitoring IA. Principe clé : **l'humain n'intervient qu'à deux moments**, tout le reste est automatisé, tracé, auditable. Wescale revendique le **retour du cycle en V prédictible** contre l'agilité Scrum qui aurait échoué à tenir périmètre, coût et délai. Chiffres affichés : **3-5× plus rapide** qu'une équipe traditionnelle, **24/7** continu, **100% du code auditable**. Le ROI maximal porte sur la modernisation legacy et le remplacement des SaaS coûteux. Cinq modèles économiques sont comparés ; l'**outcome-based** (paiement sur KPIs atteints) est privilégié comme aligné sur la valeur. Le slide *Fantasmes vs Réalités* condense la thèse anti-hype : pas de X10 mais **X3-X4 réalistes** ; pas de disparition du dev mais évolution vers ***Juge Stratégique*** et ***Manager d'Agents*** ; pas de simple bibliothèque de prompts mais **plateforme Gov+Prod+Audit** ; pas de remplacement de l'offshoring mais étape suivante ; et surtout *"très peu d'organisations y parviendront"* car **la gouvernance injectée est une barrière à l'entrée réelle**. Cinq ruptures de mindset structurent la transition : producteur de code → juge stratégique, écriture manuelle → validation de plan, déterministe → critique probabiliste, développeur solo → manager d'agents, dette technique acceptée → qualité continue Shift-Left. Six nouvelles compétences clés : jugement & éthique, orchestration & prompting, architecture & exigences, pilotage data-driven (DORA), contrôle qualité Shift-Left, résilience & adaptabilité. La **vélocité est remplacée par la Prédictibilité**. Quatre conseils structurants ferment le deck : (1) l'outillage ne suffit pas, la méthode prime ; (2) **la gouvernance injectée est l'innovation centrale** — *"couche quasiment militaire"* — *"on n'empêche pas l'IA de mal se comporter en espérant qu'elle se comporte bien"* ; (3) maîtriser les coûts de compute (Drift, Token Burning) ; (4) dissocier principes immuables et implémentation adaptable. Quatre risques à anticiper : sécurité (code vulnérable), compliance (GPL, GDPR), gouvernance (dette technique invisible), opérationnel (Drift, Token Burning). Doctrine éprouvée en interne : *"Ce que nous avons appris en construisant Solario sur Solario."*

« On est dans une boîte de Petri » : la Silicon Valley, ce pays où les agents IA sont déjà des collègues

Wed, 22 Apr 2026 00:00:00 GMT

Florian Dèbes publie le 22 avril 2026 dans Les Echos un reportage à San Francisco sur l'intégration des agents IA comme collègues à part entière dans les start-up de la Silicon Valley. La phrase qui structure tout l'article est d'Aaron Levie, CEO de Box, citée par le New York Times : *"La Silicon Valley est en ce moment une véritable boîte de Petri."* Le reportage documente d'abord le boost. Justin Bangay (commercial Airbyte) fait préparer chaque rendez-vous client par Claude à partir des enregistrements précédents et du Web : *"Ça prend une minute, je gagne presque une demi-heure."* Un associé de fonds d'investissement laisse Claude scraper LinkedIn et ZoomInfo avant son réveil pour livrer un brief commercial quotidien. Sarah Allali (Lobby) prépare sa levée de fonds via Claude qui liste investisseurs et contacts communs LinkedIn. Les emails logistiques sont délégués aux agents — certains signent même leurs réponses pour le préciser. Mais Allali rappelle aussitôt l'angle mort : *"Les humains ont un ego. Personne n'a envie de savoir qu'il n'est pas assez important pour qu'on lui écrive."* Côté ingénierie, Jérémy Chapeau (SubImage) annonce avoir livré cinq fonctionnalités en une semaine — *"Sans l'IA je n'en aurai livré qu'une"*. Il a construit son propre agent baptisé **Jarvis** (référence Iron Man omniprésente dans la Valley) qui orchestre des plans d'action et répond aux alertes d'un autre agent surveillant le comportement client. Patrick Joubert (Rippletide) pratique la délégation maximale, **5 onglets agents en parallèle**, formule l'aphorisme central : *"Le facteur limitant, c'est la cognition humaine."* Vient le revers. Babak Hodjat (Cognizant) souligne que l'IA fatigue *"quand on délègue trop, que le résultat est passable et qu'il faut tout reprendre"*. L'article relaie un billet viral de Siddhant Khare (Allemagne) : *"Tu utilises l'IA pour être plus productif. Pourquoi alors es-tu si fatigué ?"* Sa thèse économique : *"L'IA réduit les coûts de production, mais augmente ceux liés à la coordination, à la vérification et à la prise de décision. Et ces coûts sont entièrement à la charge des humains."* Une étude BCG/Harvard Business Review (Julie Bedard, mars 2026) chiffre à **14% les salariés dépassés par le rythme imposé**, avec des cas de **"brain fry"** (surchauffe cérébrale, maux de tête, ralentissement décisionnel). Le **token-max** — classement interne valorisant les plus gros utilisateurs d'IA — alimente l'épuisement. L'article se referme sur l'angoisse partagée par les bâtisseurs eux-mêmes : *"Ceux qui l'adoptent, voire la construisent, se demandent s'ils ne sont pas en train de creuser leur tombe."* Eric Pantera (Swile, Montpellier) note toutefois que la fracture SF/Europe s'est largement effacée pour les volontaires : *"Les écarts avec nos potes chez Meta ne sont pas significatifs."* Pièce-pivot 2026 sur la vie quotidienne avec les agents IA, qui acte simultanément le succès productif et le premier épuisement cognitif des early adopters.

The AI-native interview

Wed, 22 Apr 2026 00:00:00 GMT

Sierra, startup d'agents conversationnels co-fondée par Bret Taylor, a refondu son processus d'entretien ingénieur pour refléter la transformation du métier à l'ère des agents de codage (Codex, Claude Code). La thèse des auteurs — Vijay Iyengar, Arya Asemanfar et Angie Wang — est que le rôle d'ingénieur évolue de "construire la machine" vers "designer et affiner la machine", par analogie avec la manière dont les ingénieurs ont cessé de se soucier de la traduction compilateur → instructions machine. Quand un seul ingénieur peut désormais construire sur toute la stack, la valeur vient de combiner capacité technique, pensée produit et contexte business. Le constat initial : le processus historique (deux coding interviews, algorithmes, system design, culture fit) capturait surtout de la mécanique — taper de la syntaxe, restituer des détails algorithmiques, assembler des frameworks. Ce signal devenait dissonant avec la réalité quotidienne du travail. Les hiring managers compensaient en se rabattant sur les recommandations et l'expérience antérieure. Trois critères ont guidé la refonte : représentativité (reflète le travail réel), haut signal (clarté sur où le candidat excelle ou a besoin de soutien), expérience positive. La pièce maîtresse est un "AI-native onsite" en trois temps. **Plan** : session de travail où le candidat ideate un produit dans son domaine, avec des questions des interviewers pour renforcer l'idée. **Build** : 2h en solo, avec les outils AI et frameworks choisis par le candidat, liberté totale de pivot. **Review** : démo, débat sur les choix produits, revue de code (data model, abstractions, extensibilité), discussion sur le chemin vers la production et sur l'usage de l'AI. Les candidats peuvent couper le scope et skipper le boilerplate, selon la formule de Paul Buchheit : "if it's great, it doesn't have to be good". Le reste du processus a suivi. Le phone screen de coding (sans AI, dans un éditeur en ligne) est remplacé par un entretien de system design — puisque le vibe-coding est facile, le défi réel est la mise en production scalable. Un "debugging interview" est piloté pour capter le 1→N dans des codebases existants : le candidat revoit une PR cross-cutting avec des agents. Les apprentissages : on recrute pour les forces, pas pour l'absence de faiblesses ; les débriefs passent de "faut-il l'embaucher ?" à "où cette personne excellera-t-elle ?". Les candidats rapportent des entretiens plus engageants — un a construit un jeu AI de flow, un ingénieur backend a piloté sa démo via un agent et un fichier markdown. Les défis (standardisation, calibration) sont mitigés par des critères agnostiques au produit construit et des binômes d'interviewers. Le format s'applique aussi à l'infra, où les ingénieurs construisent désormais full-stack et s'intègrent verticalement au produit.

The ROI of AI-assisted Software Development

Tue, 21 Apr 2026 00:00:00 GMT

Rapport conjoint **DORA × delta** (Google Cloud Professional Services), 60 pages, version **v. 2026.1** (citations février 2026, PDF créé 21 avril 2026), licence **CC BY-NC-SA 4.0** — premier framework officiel **DORA ROI** dédié à l'IA dans le SDLC, avec **calculateur interactif** sur dora.dev/ai/roi/calculator. Thèse-pivot : ***"AI is an amplifier"*** — l'IA **amplifie** simultanément les forces des organisations performantes et les dysfonctionnements des organisations en difficulté ; elle ne crée pas la performance, elle la **multiplie là où elle existe déjà**. Concept central nouveau : la ***J-Curve of AI value realization*** — toute adoption IA passe par un **creux de productivité temporaire** (learning curve + verification tax + pipeline adaptation) avant la **croissance exponentielle**, métaphore du *"tuition cost of transformation"* à **budgéter explicitement**. Calcul de référence : organisation 500 FTE / salaire chargé 176 k$ / 12,5% time saved per developer (≈ 1h/8h jour) → **valeur 11,6 M$ / investissement 8,4 M$ / ROI 39% / payback period 8 mois (0,7 année)**. Coûts modélisés : licences (250 $/user/an), API additionnels (80 $/user/an), training (9 600 $/user/an), infra (100 k$/an), J-Curve cost (3,3 M$ pour 15% drop sur 3 mois). Valeur modélisée : **headcount reinvestment capacity** (11 M$ — capacité libérée à réinvestir, **PAS réduction d'effectif**), revenue from extra feature deployments (990 k$, basé sur idea success rate 33\% Larsen 2023), **downtime impact négatif** (−344 k$, "instability tax"). **Stratégie reinvestissement explicite** : ***"we strongly recommend organizations do not adopt a headcount-reduction strategy"*** — réinvestir dans innovation, retenir les talents, capitaliser sur le knowledge institutionnel. Cinq piliers de valeur : Productivity / User Experience / Cost Efficiency / Developer Experience / Business Growth (du plus direct au plus indirect, *cumulated business value*). Cinq clés systémiques d'adoption : **Trust + Platform + Data + Users + Guardrails**. Roadmap 2 phases : (1) **Build context layer (CapEx)** — IDP qualité + healthy data ecosystems ; (2) **Empower human in loop (OpEx)** — context engineering + trust in AI. Indicateurs : leading = experiment frequency + deployment frequency ; stability gauge = change failure rate + rework. Trois scénarios à modéliser (Conservative 0.8 value × 1.5 cost / Realistic 1.0 / Optimistic 1.2 × 0.8). Données externes mobilisées : 78% executives ROI sur ≥ 1 use case gen AI (Google Cloud), 88% early adopters agentic AI ROI positif, **35-40% productivity greenfield vs ≤10% brownfield/legacy** (Stanford), inference cost ÷280 entre nov 2022 et oct 2024 (Stanford AI Index 2025), **727% ROI sur 3 ans** Google Cloud AI customers, payback moyen **8 mois** marché AI. Points faibles assumés : *"all models are wrong"* — modèle à contextualiser, calculatrice à ajuster ; risque de double-count value (time saved → both avoided hire AND extra revenue) ; user experience link "loose" donc exclu du calculator. **Insight déontologique** : ***"We don't measure AI by the code it writes but by the bottlenecks it clears"*** — mesure par bottlenecks levés, pas par volume de code. **Pertinence majeure** pour CIO/CTO devant construire un business case IA défendable face à un CFO/board ; pour la France/Europe, à articuler avec Wescale (X3-X4 réalistes), Tatsyi/Raiffeisen Bank Ukraine (case study banque −75 personnes mais réinvestissement délibéré), Frizzo (3-5× médiane), Curran/Intercom (3× R&D 16 mois), DORA Report 2025 (sur lequel ce ROI s'appuie).

The AI-native interview

Mon, 20 Apr 2026 00:00:00 GMT

Dans « The AI-native interview », Bret Taylor, co-fondateur et CEO de Sierra, décrit la refonte complète du processus de recrutement des ingénieurs de l'entreprise pour l'adapter aux réalités du développement AI-native. Le constat de départ est limpide : les agents de codage comme Codex et Claude Code bouleversent le génie logiciel. Le rôle d'ingénieur ne consiste plus à « construire la machine » mais à « la concevoir et l'affiner ». Quand un seul ingénieur peut construire sur l'ensemble du stack grâce aux outils IA, l'avantage compétitif vient de la combinaison entre capacité technique, pensée produit et contexte métier — et non plus de la résolution de puzzles algorithmiques. L'ancien processus de Sierra était standard : deux entretiens de codage, un d'algorithmes, un de system design, un de culture fit, puis des prises de références. Le nouveau processus repose sur trois attributs : être représentatif du travail quotidien réel, produire un signal riche sur les forces et faiblesses du candidat, et offrir une expérience positive et authentique. Le cœur de la refonte est le nouvel onsite AI-native en trois phases. Lors de la phase « Plan », le candidat mène une session d'idéation pour définir un produit à construire, tandis que les évaluateurs posent des questions pour enrichir la proposition. L'idée est centrée sur le domaine d'expertise du candidat pour observer sa pensée produit en action. Pendant la phase « Build », l'évaluateur quitte la salle et le candidat dispose de deux heures pour donner vie à son idée, en utilisant les outils IA et frameworks de son choix, avec la liberté de pivoter ou d'ajuster le périmètre. Enfin, lors de la phase « Review », le candidat présente ce qu'il a construit : les évaluateurs débattent des choix produit, examinent le code pour évaluer le jugement technique, discutent du chemin vers la production et explorent comment l'IA a été utilisée. Au-delà de l'onsite, Sierra a remplacé le phone screen de codage par un entretien de system design, jugé plus pertinent pour évaluer la capacité à mettre du code en production de manière scalable. L'entreprise pilote également un entretien de débogage où le candidat reçoit une codebase de taille moyenne avec un PR brouillon d'un collègue, et doit le revoir et l'améliorer en itérant avec des agents de codage. Les critères d'évaluation sont agnostiques au produit construit, et les entretiens se déroulent en binôme pour améliorer la calibration. Sierra recrute explicitement pour les forces plutôt que pour l'absence de faiblesses. Les retours candidats sont enthousiastes : plusieurs ont déclaré que c'était « l'entretien le plus fun qu'ils aient eu ».

IFTTD #351 - AWS Summit : Rester aux commandes des agents de code (avec Julien Lépine)

Wed, 08 Apr 2026 00:00:00 GMT

Dans l'épisode #351 d'*If This Then Dev*, **Julien Lépine** (CTO AWS France) revient sur l'**AWS Summit Paris** (1er avril 2026, ~10 000 personnes) et la transformation du métier de développeur. Son angle : AWS n'est pas seulement spectateur mais **acteur** du changement, avec un besoin propre — produire des services critiques à une échelle vertigineuse (**DynamoDB : >5 000 milliards de requêtes/heure** ; panne du 20 octobre 2025 qui a coupé Fortnite hors d'Europe). **Preuve maîtresse** : le redéveloppement d'**Amazon Bedrock**, cœur agentique d'AWS. Estimé par Anthony Ligori (Distinguished Engineer) à **30 développeurs et 18 mois**, il a été réalisé par **6 personnes en 72 jours** grâce à une **plateforme agentique** — **code intégralement généré par IA**, relu en grande majorité, **sans vibe coding** car plateforme de production critique. AWS en tire une **standardisation interne sur Kiro** (IDE + CLI, sur Claude Sonnet/Opus, annoncée par Matt Garman à re:Invent) pour ~30 000 développeurs, soutenue par une communauté (channel Slack de 30 000 membres, résumé chaque soir par IA) et le partage d'**ADR**. Le débat central est la **valeur** : si l'on peut « générer 100 000 lignes de code par jour », les best practices servent-elles encore ? Lépine cite **Kent Beck** (« 99 % de ma valeur est devenue inutile, le 1 % restant a fait ×1000 ») : la valeur migre vers la **compréhension du contexte et l'arbitrage d'architecture**. Les bonnes pratiques (sécurité, maintenabilité du **Well-Architected Framework**, refus de l'**over-engineering**) restent, mais l'enjeu devient **garder le contrôle sans tout relire** : **modélisation formelle TLA+** garantissant des **invariants**, **raisonnement automatisé** déterministe et mathématiquement prouvé pour borner les agents, l'IA vérifiant la **divergence code ↔ modèle**. Sur la **responsabilité**, position nette : *« ce n'est pas la responsabilité de l'agent, c'est celle de la personne qui l'opère »* — culture **blameless post-mortem** et **mécanisme**. Un incident (agent aux droits excessifs) débouche non sur l'arrêt mais sur de nouveaux **garde-fous** : tout changement impactant la prod, humain **ou** agent, doit être **revu**. Les **domaines régulés** (santé, défense, juridique) adoptent l'IA plus vite grâce à leur classification des données et leur **auditabilité**. Côté organisation : **AI DLC** remplace les sprints par des **Bolts** pluri-quotidiens, l'IA absorbe les **specs détaillées**, PM/PO/Scrum Master gagnent des super-pouvoirs et les **barrières de communication** tombent. Mais la **surcharge cognitive** menace : un client a **volontairement réduit sa cadence** pour préserver ses développeurs. Conclusion : **empathie, contexte et compréhension** deviennent les compétences clés, et la frontière entre métiers tech et tech-adjacents s'efface.

Does LLMs / Vibe coding mean more or fewer developers?

Fri, 27 Mar 2026 00:00:00 GMT

Simon Wardley répond sous forme de dialogue socratique fictif à la question de savoir si les LLM et le vibe coding entraîneront plus ou moins de développeurs. Sa réponse est nuancée : probablement autant, en raison de l'effet Reine Rouge. Les entreprises étant en compétition, tout gain de productivité sera immédiatement réinvesti pour rester compétitif. Concrètement, une grande entreprise passera de 30 millions à plus d'un milliard de lignes de code, simplement pour maintenir sa position. Wardley mobilise le paradoxe de Jevons comme cadre explicatif : lorsqu'une ressource devient plus efficace, sa consommation augmente plutôt que de diminuer. Le vibe coding rend la production de code moins coûteuse, ce qui provoquera une explosion du volume de logiciel produit, pas une réduction des effectifs. L'analogie historique centrale est celle des sysadmins. Quand la virtualisation a rendu le racking de serveurs physiques obsolète, les sysadmins n'ont pas disparu. Ils se sont transformés en DevOps Engineers et SREs, acquérant de nouvelles compétences : chaos engineering, déploiement continu, systèmes distribués. De même, les développeurs ne disparaîtront pas mais évolueront vers des rôles de gestion de « meutes d'agents », de prise de décisions structurelles et de maintien d'une chaîne de compréhension sur des systèmes toujours plus complexes. Wardley affirme que lire le code n'est déjà plus soutenable et que l'ingénierie logicielle doit se transformer d'artisanat en discipline d'ingénierie pour développer de meilleures méthodes de compréhension systémique. Le titre de « software engineer » disparaîtra probablement — non par disparition du rôle, mais parce que trop de dirigeants ont publiquement déclaré que ces profils ne seraient plus nécessaires et ne voudront pas perdre la face. De nouveaux titres émergeront : « Human-AI system integrator », « AI Wrangler », « Agentic Herder ». La chute du dialogue est mordante. Wardley introduit « Alice », la développeuse licenciée sur les conseils d'un « thought leader ». Alice sera bientôt réembauchée, plus chère, sous un nouveau titre. Le court-termisme managérial — licencier pour faire monter les stock-options puis quitter le navire avant les conséquences — est pointé comme le vrai problème. Wardley recommande la reconversion plutôt que le licenciement, tout en prédisant cyniquement que les entreprises n'adopteront pas cette voie.

When Using AI Leads to "Brain Fry"

Thu, 05 Mar 2026 00:00:00 GMT

Six chercheurs BCG, dont la psychiatre Gabriella Rosen Kellerman (*Tomorrowmind*), publient le 5 mars 2026 dans Harvard Business Review une étude qui donne au phénomène viral de la "fatigue IA" son nom officiel et son cadre de mesure : ***AI brain fry***, défini comme *"mental fatigue from excessive use or oversight of AI tools beyond one's cognitive capacity"*. Méthodologie solide : 1 488 salariés US à temps plein, large companies, cross industries (janvier 2026). L'article s'ouvre sur deux signaux : le lancement le 1er janvier de **Gas Town** par Steve Yegge (orchestration de swarms d'agents Claude Code) — *"Gas Town was moving too fast for me"* — et le post X viral de Francesco Bonacci (Cua AI) *"Vibe Coding Paralysis"* : *"I end each day exhausted—not from the work itself, but from the managing of the work."* Le finding central distingue empiriquement **burnout** (émotionnel) et **brain fry** (cognitif aigu). L'IA peut **alléger le burnout** (-15% quand elle remplace les tâches répétitives — *"toil"*) tout en **aggravant le brain fry** quand elle exige du *oversight intensif* : +14% mental effort, +12% mental fatigue, +19% information overload chez les workers à forte charge de supervision. **14% des AI-using workers** rapportent du brain fry. La prévalence varie radicalement par fonction : **Marketing 26%, HR 19%, Operations/Engineering 18%, Finance 17%, Legal 6%**. La courbe productivité-outils plafonne à 3 : 1 outil = 3.3 / 2 = 3.8 / **3 = 4.1 (peak)** / 4+ = 3.7. *Multitasking is notoriously unproductive, and yet we fall for its allure time and again.* Coûts business documentés : **+33% decision fatigue, +11% minor errors, +39% major errors, intent to leave 25% → 34% (+39% relatif)**. Pratiques managériales : un manager qui répond aux questions IA réduit la fatigue de **-15%**. Celui qui attend que ses collaborateurs se débrouillent ajoute **+5%** — c'est l'***"AI orphan tax"***. Au niveau organisationnel : "more work due to AI" = +12% fatigue ; valoriser le work-life balance = **-28%** fatigue. Cinq recommandations aux dirigeants : (1) redesigner les jobs holistiquement pour la responsabilité humain+IA, en gardant la neurobiologie en tête ; (2) clarifier les attentes — *"70% of AI transformation efforts should be devoted to people and processes"* ; (3) basculer les métriques d'activité vers l'impact ; (4) développer chez les workers les skills de **problem framing, analysis planning, strategic prioritization** ; (5) traiter l'attention humaine comme une ressource finie et faire évoluer les people analytics pour monitorer le cognitive load. Pièce académique pivot 2026, citée dès avril par Les Echos. Elle transforme un buzz Twitter en signal industriel mesuré, et fournit aux CHRO le langage chiffré pour justifier que l'enjeu IA passe désormais de la techno à la gouvernance cognitive de l'organisation.

It is amazing how many companies I talk to STILL have AI effectively blocked by IT & legal departments...

Thu, 05 Mar 2026 00:00:00 GMT

Ethan Mollick, professeur associe a la Wharton School et auteur de Co-Intelligence, partage son etonnement face au nombre d'entreprises qui ont encore l'IA effectivement bloquee par leurs departements IT et juridique, et ce pour des raisons depassees. Il souligne le paradoxe : des entreprises operant dans des industries hautement regulees ont deja trouve des moyens de deployer des solutions d'IA d'entreprise comme ChatGPT, Claude et Gemini, y compris des outils en ligne de commande comme Claude Code, sans rencontrer de probleme apparent. Mollick decrit ce qu'il appelle l'un des fossés les plus etranges qu'il observe : deux entreprises dans exactement la meme industrie peuvent avoir des approches radicalement differentes. L'une utilise l'IA depuis 18 mois de maniere productive, tandis que l'autre a mis en place un comite qui doit approuver chaque cas d'usage individuellement et s'inquiete encore que les modeles d'IA actuels s'entrainent automatiquement sur les donnees de l'entreprise - une crainte que Mollick refute directement en precisant que ce n'est pas le cas avec les versions entreprise. Dans un commentaire complementaire, Mollick approfondit son analyse en identifiant la cause profonde de cette divergence. Le facteur decisif est generalement la volonte d'un cadre dirigeant - souvent le CEO, mais pas toujours - d'assumer le risque et la responsabilite lies a l'adoption de l'IA. Lorsque la reponse est non, les forces de reduction du risque au sein de l'organisation (les departements IT et juridique en tete) ont toutes les incitations a eviter tout ce qui pourrait meme etre suspecte de causer un probleme. Sa conclusion est nette : il s'agit fondamentalement d'une question de leadership. Ce n'est pas un probleme technique, reglementaire ou de securite des donnees - c'est une question de courage managerial et de volonte strategique d'embrasser le changement. Les entreprises qui avancent sont celles dont les dirigeants acceptent de prendre des risques calcules, tandis que celles qui stagnent sont paralysees par une aversion au risque institutionnelle qui se traduit par des processus d'approbation bureaucratiques et des craintes infondees. Ce post a genere un engagement massif (plus de 1 793 reactions, 288 commentaires, 149 repartages), temoignant de la resonance de ce constat aupres de la communaute professionnelle.

RAPPORT D'ANALYSE — ALMIA : La plateforme d'IA générative d'AG2R LA MONDIALE

Sun, 01 Mar 2026 00:00:00 GMT

Almia est la plateforme propriétaire d'intelligence artificielle générative développée en interne par AG2R LA MONDIALE, groupe paritaire et mutualiste majeur en France (15 millions d'assurés, 500 000 entreprises clientes). Lancée auprès d'une centaine de « Champions IA » en avril 2024, puis ouverte à tous les collaborateurs en janvier 2025, la plateforme atteignait fin 2025 un taux d'adoption remarquable : 7 000 utilisateurs sur 8 300 collaborateurs, avec environ 1 300 assistants IA créés par les utilisateurs eux-mêmes. La plateforme s'articule autour de quatre piliers complémentaires. Almia Bot offre un chatbot sécurisé permettant d'interroger plusieurs LLM via du RAG, avec une marketplace interne d'assistants notés par les utilisateurs. Almia Apps industrialise les assistants les plus performants en applications métier dédiées (analyse de verbatims clients, génération de campagnes marketing, traitement documentaire). Almia Dev expose des API d'IA générative pour les développeurs et actuaires. Plus récemment, Almia Agents déploie des agents IA métiers intégrés à la chaîne de valeur. L'infrastructure repose sur S3NS, coentreprise Thales-Google Cloud hébergée en France, qualifiée SecNumCloud 3.2 par l'ANSSI en décembre 2025. La protection des données s'appuie sur la vectorisation : les documents internes sont découpés en vecteurs inexploitables avant envoi aux LLM, les textes originaux restant stockés en local. L'approche est multi-LLM et agnostique, permettant de choisir le meilleur modèle par cas d'usage. La stratégie de déploiement repose sur un réseau de Champions IA issus des métiers, chacun formant ses collègues. Trois formations obligatoires (acculturation IA, sécurité, éthique) conditionnent l'accès à la plateforme. Cette approche par les pairs, accompagnée par le cabinet WEnvision, a permis une adoption rapide et maîtrisée. Une gouvernance IA formalisée associe le directeur IA, le DPO, le RSSI et la conformité RSE pour passer en revue toutes les expérimentations IA et assurer la conformité avec l'AI Act européen. Le principe est clair : l'IA assiste les collaborateurs sans jamais se substituer à l'expertise humaine. Almia s'inscrit dans un programme de transformation SI de 629 M€ sur six ans. Le projet a valu à Pascal Martinez, directeur SI et Digital, le titre de Stratège IT 2025. Avec l'arrivée fin 2025 du nouveau PDG Fabrice Heyries et sa stratégie « Esprit de conquête », l'IA est désormais un levier stratégique de différenciation pour le groupe.

Fragments: February 13

Fri, 13 Feb 2026 00:00:00 GMT

Martin Fowler partage ses réflexions issues de la retraite Thoughtworks sur l'avenir du développement logiciel, un événement réunissant des experts de l'industrie pour examiner l'impact des LLM sur les pratiques de développement. Premier constat : les développeurs seniors se montrent majoritairement optimistes vis-à-vis des LLM. Leur approche consiste à se concentrer sur l'architecture et à traiter les agents IA comme des développeurs juniors à superviser. Fait notable, un tiers des seniors initialement sceptiques changent d'avis après des exercices pratiques. En revanche, les développeurs de niveau intermédiaire se retrouvent dans une position délicate : leur carrière s'est construite avant l'ère des LLM, mais ils ne disposent pas encore de l'expertise senior nécessaire pour orchestrer efficacement ces outils. Margaret-Anne Storey introduit le concept de « dette cognitive », décrivant la situation où une équipe devient incapable de modifier son code parce qu'elle ne peut plus expliquer les décisions de conception sous-jacentes. Fowler souligne la distinction entre le « cruft » — la dégradation involontaire par ignorance — et la véritable dette technique, qui implique un choix conscient et un coût calculé. Laura Tacho propose une observation percutante : le diagramme de Venn entre l'expérience développeur et l'expérience agent est un cercle parfait. Tout ce qui facilite le travail des développeurs humains facilite aussi celui des agents. Paradoxe révélateur : les dirigeants acceptent de faire pour les LLM des aménagements (documentation, clarté du code, environnements propres) qu'ils refusaient obstinément de faire pour leurs équipes humaines. Du côté des IDE, l'évolution s'oriente vers un modèle hybride combinant des tâches non-déterministes gérées par les LLM et des tâches déterministes comme le refactoring, ouvrant de nouvelles possibilités d'orchestration. Sur la taille des équipes, le consensus est que les équipes « deux pizzas » conserveront leur taille mais augmenteront leur productivité. La question du pair programming avec des agents reste ouverte et prometteuse. Des recherches publiées dans la Harvard Business Review par Ranganathan et Ye apportent un contrepoint important : l'adoption de l'IA entraîne une intensification du travail et un épuisement professionnel. Les gains de productivité initiaux laissent place à une dégradation de la qualité sur le moyen terme. Camille Fournier résume cette tension par la formule « tout le monde devient manager » : la programmation supervisée transforme chaque développeur en gestionnaire d'agents, générant une fatigue liée au changement de contexte permanent. Ce nouveau paradigme exige des compétences de supervision plus que d'exécution directe.

2026 Agentic Coding Trends Report — How coding agents are reshaping software development

Sun, 01 Feb 2026 00:00:00 GMT

Anthropic publie son rapport sur les tendances du codage agentique pour 2026, identifiant huit évolutions majeures qui redéfinissent le développement logiciel. Le rapport s'articule autour de trois axes : les tendances fondamentales, les capacités émergentes et les impacts organisationnels. La tendance fondamentale (Tendance 1) est la transformation profonde du cycle de développement logiciel. Les ingénieurs passent du rôle d'implémenteurs à celui d'orchestrateurs d'agents IA. L'onboarding sur un nouveau codebase s'effondre de semaines à heures, ouvrant la voie à un "surge staffing" dynamique. Augment Code illustre ce phénomène : un projet estimé à 4-8 mois a été réalisé en deux semaines. Côté capacités, quatre tendances se dégagent. Les systèmes mono-agent évoluent vers des équipes multi-agents coordonnées (Tendance 2), comme chez Fountain où l'orchestration hiérarchique a réduit le staffing d'un centre logistique de plus d'une semaine à moins de 72 heures. Les agents travaillent désormais sur des horizons de jours plutôt que de minutes (Tendance 3) — Rakuten a réalisé une implémentation complète en 7 heures autonomes sur un codebase de 12,5 millions de lignes avec 99,9% de précision. La supervision humaine devient intelligente (Tendance 4) : les agents apprennent quand demander de l'aide, et les humains se concentrent sur les décisions stratégiques. Enfin, le codage agentique s'étend à de nouvelles surfaces (Tendance 5), des langages hérités comme COBOL aux utilisateurs non-techniques. Les impacts organisationnels sont considérables. La productivité ne se traduit pas seulement par de la vitesse mais par un volume de production accru (Tendance 6) : 27% du travail assisté par IA concerne des tâches qui n'auraient jamais été entreprises autrement. TELUS a économisé plus de 500 000 heures. Les cas d'usage non-techniques explosent (Tendance 7) : chez Anthropic même, l'équipe juridique a réduit les délais de revue marketing de 2-3 jours à 24 heures, et Zapier affiche 89% d'adoption IA avec 800+ agents internes. La sécurité présente un double tranchant (Tendance 8) : les mêmes capacités bénéficient défenseurs et attaquants. Le rapport insiste sur un paradoxe central : bien que les développeurs utilisent l'IA dans 60% de leur travail, ils ne délèguent entièrement que 0-20% des tâches. L'IA est un collaborateur constant exigeant supervision active et validation humaine. Les quatre priorités pour 2026 sont la coordination multi-agents, la mise à l'échelle de la supervision, l'extension au-delà de l'ingénierie et l'architecture security-first.

SoGPT "IA interne" vs Solutions du marché "Copilot" : le faux débat qui nous fait perdre la vraie bataille

Thu, 15 Jan 2026 00:00:00 GMT

Erwan Simon, CEO de GENIAL, réagit à la décision de Société Générale d'abandonner son outil interne SoGPT début 2026 pour adopter Microsoft Copilot. Il argue que ce débat build vs buy constitue un faux cadrage masquant la vraie question stratégique : qui possède l'intelligence métier que vous construisez avec l'IA ? L'article dénonce l'erreur de comparer ChatGPT ou Claude à des logiciels bureautiques comme Word ou Excel. Contrairement à ces produits finis à fonctionnalité fixe, les systèmes IA sont à la fois interfaces consommateur et APIs permettant des applications métier personnalisées. Ce sont des infrastructures, pas des commodités. Simon analyse l'échec de SoGPT non comme une validation du modèle buy, mais comme une erreur d'exécution : une interface générique de chat déconnectée des opérations bancaires, sans stratégie d'évolution continue. L'erreur n'était pas de développer en interne, mais de créer un produit sans ancrage opérationnel. Copilot présente ses propres limites. Utile pour les tâches génériques, il peine sur les opérations spécialisées comme les requêtes ERP ou les workflows de conformité. De nombreux déploiements plafonnent après les pilotes initiaux en raison de difficultés à mesurer le ROI, de problèmes de gouvernance et d'exposition non intentionnelle des données via les structures de permissions existantes. L'auteur cite AllianzGPT comme modèle alternatif réussi. Allianz a construit une plateforme, pas seulement une interface, orchestrant plusieurs composants : modèles de langage multiples (Azure OpenAI et Claude d'Anthropic), connecteurs vers les systèmes internes, et traçabilité complète des décisions pour la conformité réglementaire. Cette architecture préserve les actifs organisationnels indépendamment de tout fournisseur unique. Simon définit le concept de "capital IA" comme l'ensemble des connaissances métier encodables : processus documentés, règles de gestion, décisions historiques, expertise tacite rendue explicite. C'est cet actif qui crée un avantage compétitif durable. L'article se conclut par un avertissement sur la souveraineté européenne. L'Europe a perdu la souveraineté cloud dans les années 2010 en migrant vers AWS, Azure et Google. Répéter cette erreur avec l'IA signifie externaliser la capacité à générer de la valeur pilotée par l'IA vers des concurrents américains. L'enjeu fondamental : les entreprises européennes accumuleront-elles des compétences IA indigènes ou deviendront-elles des consommateurs permanents de systèmes d'intelligence contrôlés par les États-Unis ?

Don't fall into the anti-AI hype

Sun, 11 Jan 2026 00:00:00 GMT

Salvatore Sanfilippo, plus connu sous le pseudonyme antirez et créateur de Redis, publie un article de position encourageant les développeurs à ne pas tomber dans le "anti-AI hype". Venant d'un développeur reconnu pour son attachement au code minimal et bien écrit, ce témoignage porte un poids particulier. L'auteur reconnaît d'emblée ses préoccupations sociales concernant les pertes d'emploi et la centralisation technologique liées à l'IA. Cependant, il argue que "refuser ce qui se passe maintenant" n'aidera ni les programmeurs ni leur carrière. Sa thèse centrale : l'IA va changer la programmation pour toujours, indépendamment des positions idéologiques. Pour étayer son propos, antirez détaille quatre projets récents réalisés avec Claude Code en quelques heures plutôt qu'en semaines. Le premier concerne la modification de Linenoise, sa bibliothèque d'édition de ligne de commande, avec la création d'un framework de test émulant un terminal. Le second porte sur le debugging de défaillances Redis liées au timing TCP. Le troisième exemple est particulièrement frappant : une bibliothèque d'implémentation BERT en C de 700 lignes générée en 5 minutes, avec une performance comparable à PyTorch. Enfin, il mentionne la reproduction d'un design document pour Redis Streams en 20 minutes. L'auteur maintient une position nuancée. Malgré ces succès, il reste attaché aux valeurs de code bien écrit et minimal. Il ne prétend pas que l'IA remplace le jugement du développeur, mais qu'elle amplifie considérablement ses capacités de construction. Sur le plan sociétal, antirez recommande de voter pour des gouvernements soutenant ceux affectés par l'automatisation, reconnaissant que la transition sera douloureuse pour certains. Il voit néanmoins un potentiel bénéfique de l'IA pour la science et l'innovation. Son message principal aux développeurs : explorer ces outils "sérieusement" plutôt que de les rejeter après des tests superficiels. Il critique implicitement ceux qui forment leur opinion sur l'IA de programmation sans expérimentation approfondie. L'article conclut par une métaphore invitant les lecteurs à redécouvrir "le feu" de la construction logicielle. L'IA n'est pas là pour remplacer cette passion mais pour l'augmenter. Venant d'une figure aussi respectée de la communauté open source, cet appel au pragmatisme plutôt qu'au rejet idéologique résonne particulièrement dans les débats actuels sur l'avenir du métier de développeur.

2025: The State of Generative AI in the Enterprise

Tue, 09 Dec 2025 00:00:00 GMT

Le troisième rapport annuel de Menlo Ventures sur l'état de l'IA générative en entreprise documente une croissance sans précédent : les dépenses IA des entreprises sont passées de 1,7 Md$ en 2023 à 37 Md$ en 2025 (11,5 Md$ en 2024, soit 3,2x en un an), capturant 6% du marché SaaS mondial. C'est la catégorie logicielle à la croissance la plus rapide de l'histoire. La couche applicative domine avec 19 Md$ (51% des dépenses), devant l'infrastructure (33%) et les API de modèles (16%). Le marché gagne en maturité : au moins 10 produits dépassent le milliard de dollars d'ARR et 50 produits dépassent les 100 M$. Les patterns d'adoption évoluent nettement. Les entreprises achètent désormais 76% de leurs cas d'usage IA plutôt que de les construire en interne (contre 53% en 2024). Le taux de conversion en production atteint 47%, contre 25% pour le SaaS traditionnel, signe d'un ROI perçu clair. Le product-led growth pèse 27% des dépenses applicatives IA (quatre fois le taux du logiciel classique), et le "Shadow AI" — employés payant des outils IA avec leur carte personnelle — représenterait près de 40% des dépenses applicatives. Sur le plan concurrentiel, les startups IA-natives capturent 63% du marché applicatif contre 37% pour les incumbents. La domination est particulièrement marquée par département : 71% en Product & Engineering (Cursor face à GitHub Copilot), 78% en Sales (Clay, Actively face à Salesforce), 91% en Finance & Operations (Rillet, Campfire face à Intuit). Les incumbents conservent en revanche 56% de la couche infrastructure (Databricks, Snowflake, MongoDB). L'IA départementale totalise 7,3 Md$ (4,1x en un an), dominée par le codage : 4 Md$, soit 55% du total, avec 50% des développeurs utilisant quotidiennement des outils de codage IA et des gains de vélocité mesurés de 15% et plus. Suivent l'IT (700 M$), le marketing (660 M$), le customer success (630 M$), le design (490 M$) et les RH (370 M$). L'IA verticale atteint 3,5 Md$ (2,9x), tirée par la santé (1,5 Md$, 43%, triplement depuis 2024), devant le juridique, les services financiers, l'éducation et le retail. Le rapport tranche le débat boom vs bulle en faveur du boom : revenus réels en forte croissance, adoption large (500+ décideurs interrogés), gains de productivité mesurables et modèles économiques durables. Il souligne aussi la montée des outils model-agnostic (Cursor, OpenRouter) qui accélèrent l'adoption des modèles frontière, et la concurrence internationale, notamment des fournisseurs chinois.

From Chalkboards to Chatbots: Evaluating the Impact of Generative AI on Learning Outcomes in Nigeria

Mon, 01 Dec 2025 00:00:00 GMT

La Banque Mondiale publie la première étude rigoureuse (RCT) évaluant l'impact de l'IA générative sur l'éducation en Afrique subsaharienne. L'intervention : un programme de tutorat après l'école de six semaines utilisant Microsoft Copilot (GPT-4) pour l'apprentissage de l'anglais auprès d'élèves de première année du secondaire à Benin City, Nigeria. **Résultats transformateurs** : L'étude démontre des améliorations substantielles malgré des contraintes d'infrastructure significatives. Le score global progresse de 0.31 écart-type, l'anglais de 0.23 écart-type (équivalent à 1.5 années de scolarité nigériane typique), les connaissances IA de 0.31 écart-type. Les gains globaux équivalent à deux années de scolarité. Une relation dose-réponse linéaire montre que chaque jour supplémentaire de présence génère +0.031-0.033 écart-type d'amélioration. **Effets différenciés remarquables** : Les filles bénéficient d'un effet supplémentaire de 0.42 écart-type, compensant les écarts de performance initiaux. Les élèves avec de meilleurs scores de base et ceux de milieux socio-économiques plus favorisés montrent des gains plus importants, mais les élèves défavorisés obtiennent aussi des améliorations statistiquement significatives. **Cost-effectiveness exceptionnelle** : À $48 par élève pour six semaines ($124 annualisé), l'intervention génère 3.2 années de scolarité équivalentes (EYOS) par $100 investis, surpassant la plupart des interventions éducatives comparables dans le monde. Le ratio bénéfice-coût atteint 161:1 à 260:1. Les retours salariaux projetés sur la vie atteignent $7,767-$12,517 par participant. **Approche pédagogique structurée** : Le succès repose sur une formation enseignants de trois jours, des prompts conçus selon les principes des sciences de l'apprentissage (retrieval practice, interrogation élaborative), une sensibilisation aux hallucinations et biais de l'IA, et une supervision active de l'engagement des élèves. L'enseignant agit comme "force multiplier" plutôt que d'être remplacé. **Scalabilité prometteuse** : L'utilisation de logiciels gratuits (pas d'abonnement), l'absence de besoin de banques de questions propriétaires, et le succès avec du personnel non-spécialisé suggèrent un fort potentiel de réplication. L'étude répond au "problème des deux sigmas" de Bloom : comment rendre les bénéfices du tutorat personnalisé accessibles à l'échelle de populations entières de manière économiquement viable. **Contexte critique** : L'étude s'inscrit dans la crise mondiale de l'apprentissage où 70% des enfants de dix ans dans les pays à revenu faible et moyen ne peuvent pas lire un texte adapté à leur niveau. Ces résultats positionnent le tutorat par IA générative comme une approche prometteuse pour les contextes à ressources limitées.

Moving away from Agile: What's Next? Reshaping Software Delivery with Agents

Sun, 23 Nov 2025 00:00:00 GMT

Martin Harrison et Natasha Maniar de McKinsey présentent une vision de la transformation du développement logiciel à l'ère de l'IA, arguant que le modèle Agile traditionnel doit évoluer. Malgré des gains de productivité individuels spectaculaires grâce aux agents de codage, de nombreuses grandes entreprises plafonnent à une amélioration globale de 5 à 15%. Ce décalage s'explique par l'apparition de nouveaux goulots d'étranglement : la revue de code manuelle qui ne suit plus la cadence de génération, la collaboration humaine inadaptée, et l'augmentation de la complexité technique. Pour débloquer la valeur, McKinsey identifie chez les "Top Performers" une transition vers des **workflows et des rôles "AI Native"** : 1. **Des "User Stories" aux "Specs"** : Au lieu d'itérer sur des descriptions textuelles floues, les équipes passent au "Spec-driven development", où les Product Managers (PM) et les développeurs itèrent sur des spécifications techniques précises avec des agents, générant parfois directement des prototypes. 2. **Réorganisation des équipes** : Le modèle standard de l'équipe Agile (8-10 personnes) laisse place à des "pods" plus petits (3-5 personnes, "One pizza teams") et plus autonomes. Les rôles se consolident : moins de spécialisation rigide (QA, Frontend, Backend séparés) et plus de profils "full-stack" orchestrant des agents. 3. **Planification continue** : L'IA permet de réduire les cycles de planification (de trimestriel à continu) et d'adapter les roadmaps en temps réel. Ils présentent une étude de cas d'une banque internationale ayant réorganisé ses équipes autour de workflows spécifiques (bug fixing vs greenfield) et utilisé des agents pour l'assignation des tâches et la vérification de conformité, résultant en une augmentation de 51% des fusions de code (merges). L'intervention insiste lourdement sur la **gestion du changement**. La technologie seule ne suffit pas ; 70% des entreprises n'ont pas encore adapté leurs fiches de poste. Le succès dépend d'une approche holistique incluant la formation ("upskilling"), la redéfinition des incitations (certifications, carrières) et une mesure rigoureuse de l'impact (au-delà de la simple adoption, en regardant la vitesse de livraison, la qualité et les résultats économiques). L'avenir appartient aux organisations capables de "recâbler" leur modèle opérationnel pour une collaboration homme-agent symbiotique.