Dossier : l’IA agentique, chamboule-tout des chaînes DevOps

Introduction

« J’ai parlé à mes ingénieurs les plus aguerris, les meilleurs développeurs que nous ayons et ils me disent n’ont pas écrit une seule ligne de code depuis décembre ». Cette phrase, prononcée le 10 février par Gustav Söderström, co-CEO, chief product officer et directeur technique de Spotify, reflète l’ampleur des bouleversements en cours dans la Silicon Valley.

Chez Spotify, le dirigeant les attribue à l’adoption du modèle de langage Claude Opus 4.5 en décembre et du framework maison Honk par les équipes de développement.

Anthropic a également révélé que la très grande majorité du code de ses applications est généré par ses LLM, dont celui qui propulse son IDE agentique Claude Code.

Faut-il tout « vibe-coder » pour repartir sur des bases saines ?

« Parfois, avec l’IA générative, il vaut mieux repartir de zéro », disait en substance Mohammed Sjilmassi, CTO de Sopra Steria lors d’un point presse organisé au début du mois de décembre. Pour obtenir de meilleurs résultats avec les assistants IA, le directeur technique affirmait qu’il convient plutôt de réduire les itérations en enrichissant le prompt de départ, plutôt que de poursuivre une discussion en cours. Sudhir Pai, CTO adjoint de Capgemini, va plus loin et envisage que la période 2026-2030 soit celle d’une phase de « rebuild », où des pans entiers de systèmes d’information seront remplacés par des solutions en grande partie générées par IA. Avec moins de développeurs ? Pas forcément.

Comme le remarque un internaute sur X (ex-Twitter), entre les fonctions d’ingénierie IA, de front-end, d’infrastructure, etc., Anthropic a plus de 100 postes ouverts. « Il faut bien quelqu’un pour prompter les [agents] Claude, pour parler aux clients, pour se coordonner avec les autres équipes, décider ce qu’il fera développer par la suite », répond Boris Cherny, directeur de Claude Code et membre de l’équipe technique d’Anthropic. « Le génie logiciel change et les bons ingénieurs sont plus importants que jamais ».

De son côté, La MAIF, assureur français, anticipe la prise en compte des gains de productivité dans le recrutement de son personnel IT, sans toutefois prévoir le licenciement des équipes existantes.

Dans une étude en cours, les chercheurs Aruna Ranganathan et Xingqi Maggie Ye de l’Université de Berkeley observent le changement d’habitude d’environ 200 employés au sein d’une entreprise technologique, dont ceux de l’équipe d’ingénierie.

« Nous avons découvert que les outils d’IA ne réduisent pas le travail, mais l’intensifient systématiquement », affirment-elles. « Nous avons constaté que les employés travaillent à un rythme plus rapide, prennent en charge un plus large éventail de tâches et étendent le travail à davantage d’heures de la journée, souvent sans qu’on leur demande de le faire ».

Tout simplement parce que l’IA « leur donne le sentiment qu’ils peuvent faire plus ». Et de remarquer les risques de burn-out que pose cette approche.

DevOps : l’IA comme agent perturbateur des outils et des méthodes

Outre le bruit généré sur les marchés financiers par ces changements dans la Silicon Valley, Gustav Söderström – tout comme Martin Woodward, vice-président des relations développeurs chez GitHub – signale qu’une telle approche réclame beaucoup d’agilité. Oui, l’écriture de code devient une commodité, mais les pratiques qui entourent la chaîne de développement logicielle et les outils eux-mêmes doivent changer. Il faut entre autres remettre en ordre la documentation, adopter la bonne approche d’instructions suivant les modèles ou les frameworks et bien évidemment s’assurer de la sécurité de l’ensemble.

D’autant que pour véritablement profiter des apports de l’IA générative et agentique, il faut réduire les frictions organisationnelles, dues au manque de collaboration et à la mauvaise lecture des métriques de performance des développeurs, conseillait Atlassian dans son rapport State of DevEx 2025.

L’adoption de l’IA générative est généralisée chez les développeurs (près de 90 % d’entre eux l’utilisent selon les études). Oui, ils gagnent individuellement en productivité, mais réussir à faire avancer toute une équipe même avec une collection d’agents IA est une autre paire de manches. Et la méfiance envers les résultats générés persiste, signale StackOverFlow.

En même temps, le rythme de sortie trimestrielle des LLM, l’apport constant de nouvelles solutions sur le marché et les risques inhérents à l’IA générative sont autant de freins à l’adoption généralisée de ces outils par les entreprises. OpenAI, Anthropic, AWS, Google, Microsoft, Mistral AI…, tous lancent des cadres agentiques consacrés à la programmation.

La faible différenciation des solutions lancées sur le marché en 2025 – jusqu’à la production de discours copié-collé – n’aide pas les organisations à y voir clair.

D’où le choix d’agents IA contextualisés par certains décideurs. Ce qui ne les empêche pas de s’interroger sur leurs dépendances et leurs allégeances. En conséquence, un acteur comme GitHub se présente comme le Hub des agents IA et vante une approche agnostique. GitLab commence par proposer des flux agentiques dédiés, ceux qui ont fait leurs preuves en interne.

Voilà le contexte de ce guide essentiel qui aborde les stratégies des fournisseurs de LLM (dont les hyperscalers), les éditeurs d’outils DevOps et les changements de méthodes associées à l’adoption de l’IA agentique.

1Outils agentiques et LLM-

Fournisseurs de LLM et fournisseurs cloud font la course

2GitLab vs GitHub-

Hub agentique contre agents IA spécialisés

3Perspectives-

Gains de productivité et frictions

4Stratégies-

L’art d’infuser l’IA dans la chaîne de développement logiciel