Moderniser le développement logiciel : de la fragmentation à l’intégration

Une étude récente montre que dans plusieurs écosystèmes de développement, environ 24 % du nouveau code en France est désormais assisté ou généré par des outils d’IA, ce qui illustre la rapidité avec laquelle l’IA s’impose dans les workflows de développement quotidiens.

Néanmoins, le codage ne représente en réalité qu’environ 52 minutes par jour dans le cycle de livraison logicielle et accélérer uniquement cette étape crée un déséquilibre dans le reste du cycle : revue, tests, scans de sécurité, déploiement et opérations.

C’est ce qu’on appelle le « paradoxe de l’IA ». Les entreprises réalisent que résoudre ce paradoxe ne passe pas par l’ajout de nouveaux outils d’IA, car le véritable problème réside dans la fragmentation. La véritable opportunité consiste à repenser la manière dont la qualité et la sécurité s’articulent tout au long du cycle de vie du développement logiciel.

Manav Khurana, Chief Product & Marketing Officer de GitLab livre ses conseils.

Le défi de la fragmentation

Plusieurs types de fragmentation empêchent les équipes d’ingénierie de tirer pleinement parti de l’IA.

La fragmentation des outils d’IA : la plupart des entreprises ont développé leurs capacités de livraison logicielle outil par outil au cours de la dernière décennie. Aujourd’hui, chaque outil dispose de son propre agent d’IA. Les équipes de développement utilisent une IA pour le codage, une autre pour l’analyse de sécurité, et une troisième pour corriger les pipelines CI/CD. Or, ces outils ne communiquent pas entre eux.

La fragmentation du contexte pour l’IA : en l’absence d’un modèle de données unifié, chaque agent opère en vase clos, sans connaître le projet dans sa globalité. Les exigences, l’historique du code, les implications en matière de sécurité, les contraintes de déploiement et les retours sont isolés dans des systèmes distincts et poussent les équipes à combler manuellement ces lacunes.

La fragmentation de la confiance envers l’IA : même avec d’excellents outils d’IA, la confiance ne peut s’imposer seule. Certains développeurs laissent l’IA générer des modules entiers ; d’autres refusent d’accepter la moindre suggestion sans la réécrire. Aucune de ces approches n’est foncièrement erronée. Sans processus cohérents de vérification et de validation, il est difficile de déterminer quelles tâches se prêtent à l’IA, compte tenu des enjeux de qualité et de risque, et quel niveau de validation humaine est requis.

 La fragmentation liée à la réglementation autour de l’IA : les exigences en matière de résidence des données se multiplient, et aucun modèle de déploiement unique ne peut y répondre. De nouvelles lois sur l’IA imposent par ailleurs des exigences urgentes en matière de gouvernance pour identifier et consigner l’utilisation de l’IA, qu’il s’agisse d’outils approuvés ou d’outils utilisés de manière non officielle. Les régulateurs et les acteurs du secteur exigent également davantage de contrôles prouvant la valeur de l’IA. Ces tendances nécessitent de porter un regard neuf sur la sécurité et la gouvernance de l’IA.

La fragmentation budgétaire autour de l’IA : les équipes financières constatent l’augmentation des « postes budgétaires » liés à l’IA dans les investissements en infrastructure et les outils logiciels acquis par chaque équipe. Elles demandent, à juste titre, de faire preuve de pragmatisme, en exigeant des données claires sur l’utilisation, des contrôles des coûts et un retour sur investissement avant de s’engager.

Manav Khurana, Chief Product & Marketing Officer de GitLab

L’alternative : de la fragmentation à l’intégration

La solution ne consiste pas à proposer une meilleure intégration des outils existants, mais à adopter une architecture unifiée, conçue pour la livraison logicielle. Cette approche remplace les étapes séquentielles par une exécution continue, dans laquelle les agents d’IA opèrent pendant que les équipes assurent l’orchestration.

Les organisations ont besoin de plateformes qui couvrent l’intégralité du cycle de développement logiciel, de la planification aux opérations. Lorsque les agents partagent un environnement d’exécution commun, l’agent chargé du déploiement accède instantanément aux modifications du code, l’agent chargé de la sécurité déclenche automatiquement les actions correctives, et l’agent chargé de la performance informe directement l’architecture. Le contexte est préservé tout au long du processus, particulièrement lors des transferts.

Chez Thales, par exemple, la fragmentation entraînait un isolement total des équipes. Le passage à une plateforme unifiée a transformé leur environnement et favorisé une meilleure communication et coordination entre les équipes, réparties sur plusieurs sites.

Une orchestration intelligente nécessite également de relier le code, les exigences, les tests, les résultats de sécurité, les déploiements et les indicateurs de performance à l’échelle de l’organisation. Cette mémoire organisationnelle permet aux agents de disposer d’un contexte complet : qui a demandé une fonctionnalité et pourquoi, quelles contraintes s’appliquent, quelles implémentations similaires existent et quel est l’impact des changements sur les systèmes en aval. Les catalogues de services qui intègrent le suivi des responsabilités permettent de croiser les indicateurs d’expérience développeur et de sécurité pour détecter les dérives. Lorsque le délai de traitement des merge requests ou les taux d’échec des modifications augmentent, le système déclenche automatiquement les réponses appropriées. Le modèle de données évolue en continu et apprend des schémas pour renforcer la performance de chaque agent.

Les équipes ont également besoin d’une autonomie personnalisable pour définir le contexte sur lequel s’appuient les agents, les workflows à optimiser et les règles de conformité à appliquer. Les changements à faible risque progressent de manière autonome, les changements à risque modéré déclenchent des workflows de revue et les changements à risque élevé requièrent une approbation explicite. Les agents peuvent s’intégrer à l’ensemble de la chaîne d’outils de l’entreprise pour obtenir du contexte (Jira, PagerDuty, Confluence, Snowflake), tandis que la plateforme unifiée assure l’orchestration.

La conformité doit être intégrée tout au long du développement avec une modélisation des menaces liées à l’IA, une sécurité automatisée de la chaîne d’approvisionnement, la détection de secrets et une gouvernance complète de l’IA. Une surveillance continue de la conformité, accompagnée d’éléments vérifiables et exportables, permet de démontrer la gouvernance aux autorités de régulation. Les équipes n’ont besoin de définir les politiques qu’une fois pour que la plateforme les applique de manière cohérente.

Enfin, les organisations ont besoin d’options de déploiement flexibles (SaaS, instances dédiées, instances auto-gérées) pour les modèles hébergés localement ou dans le cloud. Une tarification transparente à l’usage doit aligner les coûts sur la valeur créée, avec une visibilité sur la consommation de tokens et des contrôles budgétaires au niveau des équipes. Une approche de type « marketplace » permet aux équipes de choisir les modèles les mieux adaptés à chaque tâche, plutôt que de payer pour des fonctionnalités groupées dont elles n’ont pas besoin.

Réinventer la manière dont les logiciels sont développés

Les organisations qui combinent consolidation de plateforme et orchestration intelligente ne font pas que gagner en rapidité. Elles transforment en profondeur leur façon de construire des logiciels. Leurs investissements dans l’IA se renforcent mutuellement plutôt qu’ils ne se fragmentent. Leur processus de livraison se métamorphose : les étapes cloisonnées font place à une exécution continue où la valeur circule sans interruption, de l’idée à la mise en production.

Le paradoxe de l’IA n’est pas une problématique passagère. C’est un défi structurel qui s’amplifiera pour chaque organisation qui traite l’IA comme un simple accélérateur de codage plutôt que comme un levier de transformation de la livraison de logiciels. La fenêtre pour opérer ces choix architecturaux est étroite. Chaque mois d’adoption fragmentée de l’IA crée davantage de dette technique, de complexité d’intégration et d’inertie organisationnelle à surmonter. La question n’est pas de savoir s’il faut consolider les outils, mais de décider s’il faut franchir le pas de façon délibérée aujourd’hui, ou au prix de lourds efforts plus tard.