Développeurs : comment l’IA transforme le métier

Traduction disponible en

IA et métiers, épisode 1. Les développeurs informatiques utilisent désormais des assistants capables de proposer, modifier et vérifier du code. L’enquête mondiale publiée le 6 octobre 2026 par Stack Overflow confirme cette installation dans le travail quotidien. Mais les expériences de terrain et les usages décrits par les entreprises révèlent une transformation plus précise : déléguer l’écriture ne dispense ni de comprendre le logiciel, ni de contrôler son fonctionnement.

Une consigne en langage courant peut aujourd’hui lancer une correction, produire des tests ou préparer une modification de programme. Le développeur ne se contente plus toujours d’écrire chaque instruction. Il décrit le résultat attendu, fournit le contexte et examine une proposition. Les agents peuvent aussi enchaîner plusieurs opérations, au lieu de suggérer seulement quelques lignes dans un éditeur.

Cette évolution constitue le premier volet de notre série hebdomadaire sur l’intelligence artificielle et les métiers. Elle concerne une profession particulièrement exposée à ces outils. Elle ne se résume pourtant ni à une disparition annoncée, ni à une hausse automatique de la productivité.

Développeurs : une adoption large, une confiance conditionnelle

Dans l’enquête 2026, 65,9 % des 17 464 personnes ayant répondu à la question sur les usages déclarent employer des assistants ou agents de programmation. Les outils de conversation généralistes recueillent 62,5 %. Plusieurs réponses étaient possibles : ces parts ne s’additionnent pas.

La taille de l’enquête donne une indication de son ampleur, pas une garantie de représentativité. Elle retient 30 903 réponses valides provenant de 169 pays, recueillies entre le 23 juin et le 5 août. Le recrutement passe notamment par le site, son blog et sa liste de diffusion. Ces volontaires ne constituent donc pas un échantillon aléatoire de tous les développeurs.

La confiance reste surtout liée à la possibilité de contrôler la réponse. Près de la moitié des répondants disent faire confiance à l’IA lorsqu’ils peuvent facilement vérifier son travail. Seuls 6,6 % se déclarent prêts à lui faire confiance pour des décisions importantes. Le recours fréquent à l’outil coexiste ainsi avec des limites explicites à son autonomie.

Ce partage des rôles change la nature du travail. Obtenir une fonction qui semble correcte devient plus accessible. Déterminer si elle respecte les contraintes du produit, les usages des clients et les règles du projet demeure une opération distincte. Un programme qui s’exécute n’a pas nécessairement résolu le bon problème.

Chez Uber, les agents entrent dans toute la chaîne

Les pratiques décrites par Uber montrent jusqu’où cette délégation peut aller dans une grande entreprise. Dans un billet technique du 27 août 2026, le groupe attribue plus de 70 % de ses demandes d’intégration de modifications, les « pull requests », à des agents locaux ou hébergés dans le cloud.

Ce chiffre ne signifie pas que l’IA réalise 70 % du travail humain, ni qu’elle écrit 70 % du code. Une demande d’intégration peut correspondre à des changements de taille très différente. L’entreprise décrit surtout une extension des opérations confiées aux agents : revue de code, traitement d’échecs des tests automatisés, analyse d’alertes, correction de bogues et maintenance.

Des validations humaines ou des remontées vers les ingénieurs restent prévues. Le cas illustre donc une organisation du travail, avec des passages entre exécution automatique et décision humaine. Il s’agit toutefois de résultats communiqués par Uber sur ses propres systèmes, pas d’une évaluation indépendante applicable à toutes les entreprises.

La productivité dépend du travail que l’on mesure

Les études expérimentales donnent des résultats contrastés. Un document publié en février 2025 rassemble trois essais chez Microsoft, Accenture et une grande entreprise américaine non nommée. L’accès à GitHub Copilot y était attribué aléatoirement à une partie des 4 867 développeurs étudiés.

L’estimation combinée fait apparaître une hausse de 26,08 % des tâches hebdomadaires terminées chez les utilisateurs de l’outil. Elle tient compte du fait que tous les salariés disposant d’un accès ne l’utilisent pas. Les expériences durent de deux à huit mois. Leurs résultats séparés restent imprécis, et les indicateurs d’activité ne mesurent pas à eux seuls la qualité des logiciels livrés.

Une autre expérience aboutit à un résultat inverse dans un cadre plus étroit. Entre février et juin 2025, METR étudie 16 développeurs expérimentés sur 246 tâches. Ils travaillent dans de grands projets open source qu’ils connaissent depuis cinq ans en moyenne. L’autorisation d’utiliser l’IA augmente leur temps d’exécution de 19 %.

Les participants emploient principalement Cursor Pro avec des modèles Claude de cette période. Ce protocole mesure donc un travail exigeant, réalisé par des spécialistes sur leur propre environnement. Il ne décrit ni tous les développeurs, ni les performances des agents disponibles à la fin de 2026.

Le résultat souligne aussi la difficulté de juger son propre gain de temps. Après l’expérience, les participants pensent encore que l’IA les a accélérés, alors que les mesures indiquent un ralentissement. La facilité ressentie et la durée réelle peuvent diverger.

Ces essais ne mesurent pas la même chose. L’un compte des tâches terminées dans plusieurs entreprises. L’autre chronomètre des changements précis sur des projets familiers. Les populations, les outils et les exigences diffèrent. On ne peut ni moyenner leurs pourcentages, ni choisir un seul chiffre pour décrire tout le métier.

Des outils qui évoluent plus vite que les protocoles

La suite des travaux de METR invite également à la prudence. Le 24 février 2026, l’organisme explique que sa nouvelle expérience fournit un signal peu fiable. Certains développeurs refusent de participer parce qu’ils ne veulent plus travailler sans IA. D’autres ne proposent pas certaines tâches au protocole.

Ces choix risquent d’écarter précisément les situations où ils attendent les gains les plus élevés. L’utilisation simultanée de plusieurs agents complique aussi le relevé du temps. Les nouvelles estimations suggèrent une accélération, mais leurs intervalles d’incertitude incluent l’absence d’effet.

Les chercheurs estiment plausible une amélioration par rapport au début de 2025, sans pouvoir en mesurer solidement l’ampleur avec ces données. Le constat ne permet donc pas de transformer le ralentissement initial en verdict permanent. Il ne permet pas davantage d’annoncer qu’un gain universel serait désormais démontré.

Apprendre reste différent de faire produire

La transformation touche aussi l’entrée dans le métier. Une expérience publiée le 29 janvier 2026 recrute 52 ingénieurs, majoritairement juniors. Ils connaissent Python, mais découvrent Trio, une bibliothèque de programmation asynchrone. Une partie peut utiliser un assistant pour réaliser deux fonctionnalités, avant un questionnaire immédiat.

Le score moyen atteint 50 % dans le groupe assisté, contre 67 % dans l’autre groupe. L’écart est de 17 points. Le léger gain de temps observé n’est pas statistiquement significatif. Cette expérience courte ne démontre pas une perte durable de compétences, mais distingue la production d’une solution de sa compréhension.

Les participants qui demandent des explications ou posent des questions de fond comprennent mieux que ceux qui délèguent entièrement. Cette comparaison entre comportements n’est toutefois pas un essai randomisé distinct. Elle indique une piste de formation, sans prouver qu’une méthode donnée garantit l’apprentissage.

L’emploi ne se déduit pas du nombre de lignes générées

Un document de recherche publié le 20 mars 2026 par deux économistes de la Réserve fédérale américaine examine les professions où la programmation occupe une place importante. Il observe une croissance de l’emploi devenue nettement plus lente depuis l’arrivée de ChatGPT, fin 2022. L’emploi agrégé de ces professions continue néanmoins d’augmenter dans les données étudiées.

Les auteurs cherchent à distinguer ce mouvement des chocs propres aux secteurs employeurs. Leur analyse reste observationnelle. Elle ne transforme pas chaque ralentissement de recrutement en suppression de poste causée par l’IA. Ces données américaines ne mesurent pas non plus la situation des développeurs au Liban.

Le nombre de tâches automatisées ne suffit donc pas à compter les emplois menacés ou créés. Il faut aussi observer les nouveaux projets, les besoins des entreprises et la répartition du travail. Les études disponibles documentent mieux certains changements de tâches que leur traduction durable dans les effectifs.

La correction ne s’arrête plus au correctif

Chez Shopify, un cas publié le 2 septembre 2026 illustre ce déplacement vers le suivi du résultat. L’agent River vérifie une vulnérabilité dans le code actuel, actualise une correction et sollicite les ingénieurs lorsqu’une décision exige leur contexte. Après l’intégration, il contrôle encore l’état du dépôt et les dépendances du logiciel.

Shopify rapporte une baisse d’environ 70 % de son stock d’incidents liés aux dépendances en onze jours. Environ deux tiers de cette baisse viennent de correctifs intégrés. Le reste correspond à des éléments devenus obsolètes ou déjà résolus. Il ne s’agit donc pas de 70 % de vulnérabilités corrigées automatiquement.

Ce retour d’expérience n’a pas de groupe témoin. Il décrit cependant une tâche concrète qui dépasse la génération de code : suivre une correction jusqu’à la vérification du résultat, puis faire intervenir un ingénieur lorsque le risque ou le contexte impose une décision.