Le codage agentique change les équipes d'ingénierie, mais pas comme tu le crois

90 % des entreprises du Fortune 100 utilisent désormais GitHub Copilot.¹ Gartner prévoit que 90 % des ingénieurs logiciels en entreprise utiliseront des assistants de code IA d’ici 2028, contre moins de 14 % début 2024.² La courbe d’adoption est verticale.

Mais le débat s’est enlisé sur la mauvaise question. Tout le monde demande « à quel point chaque ingénieur va-t-il plus vite ? » alors qu’il faudrait demander « qu’est-ce que mon organisation d’ingénierie peut désormais prendre en charge ? »

Voilà le changement : une équipe de 14 personnes qui possédait un pan de produit n’en a peut-être plus besoin que de 3 pour maintenir le même rendement. Ça ne veut pas dire que tu licencies 11 personnes. Ça veut dire que tu as soudain 11 ingénieurs disponibles pour des priorités qui dormaient dans le backlog. Ce qui limite ce que ton entreprise peut construire vient de bouger.

L’ingénierie est le terrain d’essai idéal. Contrairement à la génération de contenu ou au service client, on a des boucles de retour concrètes. Le code compile ou il ne compile pas. Les tests passent ou ils échouent. Les fonctionnalités sortent ou elles ne sortent pas. Les hallucinations sont attrapées en revue de PR, pas publiées chez les clients. L’ingénierie est donc l’un des domaines les moins risqués pour intégrer l’IA, et l’un des plus faciles à mesurer correctement.

La productivité individuelle est une distraction

Au niveau individuel, les études donnent un tableau brouillon. L’essai rigoureux de METR, en juillet 2025, a montré que des développeurs expérimentés finissaient leurs tâches 19 % plus lentement avec l’aide de l’IA, tout en croyant aller 20 % plus vite.³ McKinsey a trouvé l’inverse : les développeurs assistés par l’IA écrivaient du nouveau code presque deux fois plus vite.⁴

Les deux peuvent être vrais. Les développeurs juniors dans une base de code inconnue gagnent 26-39 %. Les seniors qui travaillent sur des systèmes qu’ils ont construits voient des gains à un chiffre, ou rien. L’écart dépend de la tâche, de la base de code et de la maîtrise des outils.

Mais le cadre est mauvais. Les chiffres de productivité individuelle ne te disent presque rien de ce qui compte : la capacité de ton organisation à produire du ROI.

Avant, ça évoluait linéairement avec les effectifs. Tu voulais plus de production, tu recrutais. L’IA change l’équation. Si trois ingénieurs livrent maintenant ce que quatorze livraient, tu n’as pas seulement amélioré la productivité, tu as libéré de la capacité. La question devient : qu’est-ce que tu en fais ?

Le récit du remplacement passe à côté du sujet

Thomas Dohmke, CEO de GitHub : “The companies that are the smartest are going to hire more developers. If you 10x a single developer, then 10 developers can do 100x.”⁵ Il n’a pas vu “a single company say, ‘We’ve finished everything on our backlog thanks to AI.’ If anything, AI is creating more possibilities and more work.”

Goldman Sachs a déployé Devin AI pour les tâches de routine, tout en gardant son équipe d’ingénierie de 12 000 personnes.⁶ Leur CIO présente le rôle des ingénieurs comme celui de définir les problèmes et de superviser la production des agents, pas d’être remplacés par eux.

Les effectifs ne rétrécissent pas. Ils sont réaffectés. Les ingénieurs seniors ne produisent plus seulement leur propre travail, ils dirigent une équipe d’agents IA pour mener un projet à bien. Le rôle est passé de contributeur individuel à chef d’orchestre : définir le problème, diriger les agents, relire la production, traiter le travail vraiment créatif. La capacité libérée va vers des chantiers jusque-là bloqués faute de ressources.

C’est la conversation qu’on a avec des responsables d’ingénierie en Europe et aux États-Unis. Personne ne demande « combien de gens puis-je supprimer ? » Ils demandent « qu’est-ce qu’on peut maintenant prendre en charge et qu’on ne pouvait pas avant ? »

Le trou dans la mesure

Voilà le problème : la plupart des organisations n’y voient pas clair.

Le rapport DORA 2024 a constaté que, quand l’adoption de l’IA augmentait, le débit de livraison baissait en réalité au niveau de l’organisation, avec une baisse de 7 % de la stabilité des livraisons.⁷ Les métriques d’activité individuelle s’envolent (PR fusionnées, tâches terminées) pendant que les résultats de l’organisation stagnent ou reculent.

Les anciens indicateurs (story points, vélocité, lignes de code) étaient déjà douteux. Maintenant, ils trompent activement. Un ingénieur qui sort deux fois plus de PR n’aide personne si le temps de revue double et si le taux de bugs grimpe.

J’ai déjà écrit sur la difficulté de répondre à « Qu’est-ce que ces 20 M£ de dépenses d’ingénierie ont vraiment produit ? » L’IA rend la question plus difficile et plus importante en même temps.

Ce qui manque, c’est le lien entre la production individuelle et la capacité de l’organisation, le cœur du Workforce Engineering. Il faut voir les deux : qui tire de la valeur des outils d’IA, et comment ça se traduit dans ce que tes équipes peuvent livrer ensemble. L’enseignement se trouve dans la corrélation entre les gains individuels et les résultats à l’échelle de l’organisation.

C’est ce qu’on construit chez Flowstate. On suit le temps passé par personne, par projet, par trimestre. On peut donc modéliser comment l’adoption de l’IA change la capacité réelle de ton organisation, pas seulement le débit individuel.

Les coûts de l’IA demandent la même rigueur que ceux du cloud

L’autre dimension que personne ne suit correctement : les dépenses d’IA se facturent à l’usage, exactement comme le calcul cloud. Et on se souvient tous de ce qui s’est passé quand les entreprises ont adopté le cloud sans gouvernance.

La dépense mensuelle moyenne en IA devrait augmenter de 36 % d’une année sur l’autre.⁸ La plupart des organisations disent que le coût des agents a dépassé leurs attentes. Près de la moitié citent des « runaway tool loops » comme cause des dépassements de budget.

J’ai traité la dynamique des prix dans La loi de Moore de l’IA est officiellement morte. Les prix des modèles de pointe montent au lieu de baisser, et les outils construits dessus passent tous à une tarification à l’usage parce que les abonnements forfaitaires sont devenus intenables.

La consommation de tokens doit apparaître à côté de la production d’ingénierie, dans la même vue. Sinon, tu ne peux pas répondre à la question de base : la dépense d’IA génère-t-elle assez de capacité pour justifier son coût ?

Nos recherches chez Flowstate montrent que ça devient critique pour le Workforce Engineering. Tu ne peux pas prévoir les effectifs ni le budget sans comprendre comment la dépense d’IA évolue avec l’activité des équipes. Les entreprises qui traitent les coûts d’IA comme une ligne qu’on regarde après coup vont avoir des surprises. Celles qui l’intègrent dans leur Workforce Engineering verront clairement les arbitrages.

Relier la dépense aux résultats

Quand la dépense d’IA est reliée directement aux résultats de l’entreprise, la discussion sur le ROI devient simple.

Tu ne justifies pas le coût des outils isolément. Tu montres : « Cette équipe a libéré 40 % de capacité grâce aux outils d’IA. On l’a réaffectée au projet de modernisation des paiements. Il est sorti deux trimestres en avance. Voilà l’impact sur le chiffre d’affaires. »

Ce qui compte, ce n’est pas « est-ce qu’on est plus productifs ? » C’est « comment notre plan d’effectifs doit-il changer vu ce que l’IA permet ? »

Si tes équipes peuvent vraiment livrer plus avec les mêmes effectifs, tu as des options. Miser plus fort sur la roadmap. Saisir des opportunités voisines. Construire les fonctionnalités qu’on repoussait sans cesse. La contrainte a toujours été la capacité. L’IA change la contrainte.

Les entreprises qui y voient clair, en mesurant la productivité individuelle et la capacité de l’organisation et les coûts d’IA dans une vue unifiée, prendront de meilleures décisions d’allocation. Elles verront où l’investissement en IA rapporte et où il ne rapporte pas. Elles s’ajusteront en continu au lieu de planifier au pif.

Cap sur 2026

Le paysage de 2026 sera défini par ceux qui auront réglé la mesure en 2025.

Les outils de codage IA seront la base. Ce qui fera la différence : une adoption structurée, une gouvernance qui évite les dérapages de coûts et des systèmes de mesure qui relient l’investissement en IA à la capacité de l’organisation, pas seulement au débit individuel.

Les équipes continueront à se réorganiser autour d’ingénieurs qui définissent les problèmes et supervisent la production, l’IA se chargeant du travail mécanique. Les équipes qui investissent dans la montée en compétences maintenant auront des ingénieurs capables d’exploiter les outils efficacement. Les autres brûleront des tokens sans gagner en capacité.

Le pari malin, c’est de faire plus avec ton organisation d’ingénierie, pas moins. Mais seulement si tu vois clairement ce que l’IA permet vraiment.

C’est vers ça qu’on construit.

GitHub Copilot Statistics & Adoption Trends – Second Talent ↩
Gartner Says 75% of Enterprise Software Engineers Will Use AI Code Assistants by 2028 – Gartner ↩
Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity – METR ↩
Unleashing developer productivity with generative AI – McKinsey ↩
GitHub CEO says the ‘smartest’ companies will hire more software engineers – Yahoo Finance ↩
Goldman Sachs is piloting its first autonomous coder – CNBC ↩
Announcing the 2024 DORA Report – Google Cloud ↩
The State Of AI Costs In 2025 – CloudZero ↩