L'état des lieux des assistants de codage IA

39

1Ahead of AI

Composants d'un agent de codage

Les agents de codage comme Claude Code ou le Codex CLI d'OpenAI sont devenus des outils incontournables pour les développeurs, mais leur fonctionnement repose sur une architecture précise que peu d'articles détaillent. Un agent de codage n'est pas simplement un grand modèle de langage (LLM) auquel on pose des questions : c'est un LLM enveloppé dans une couche logicielle appelée "harness" (ou cadre agentique), qui orchestre les appels au modèle, gère les outils disponibles, maintient un état en mémoire et décide quand s'arrêter. Cette distinction est fondamentale : le modèle est le moteur, mais le harness est la transmission, le tableau de bord et les roues réunies. Un agent de codage comprend six composants principaux — la boucle de contrôle, la gestion du contexte, les outils (lecture/écriture de fichiers, exécution de code, recherche), la mémoire, la gestion des prompts et la continuité entre sessions longues. Ce cadre explique pourquoi Claude Code ou Codex semblent nettement plus capables que le même modèle sous-jacent utilisé dans une interface de chat ordinaire. La différence n'est pas dans les paramètres du modèle, mais dans le système qui l'entoure : la stabilité du cache de prompts, l'accès au contexte du dépôt Git, la boucle de feedback itérative après exécution du code, et la gestion de sessions qui peuvent durer des heures. Pour les développeurs et les équipes d'ingénierie, cela signifie que choisir un outil de codage assisté par IA revient autant à évaluer l'architecture du harness qu'à comparer les benchmarks des modèles. Un modèle plus puissant dans un harness médiocre produira des résultats inférieurs à un modèle modeste bien intégré. Il convient également de distinguer trois notions souvent confondues : le LLM classique génère des tokens ; le modèle de raisonnement est un LLM entraîné à produire des traces de réflexion intermédiaires et à s'auto-vérifier (à l'image de o1 ou de QwQ), ce qui le rend plus puissant mais plus coûteux à l'inférence ; l'agent, lui, est une boucle de contrôle qui appelle le modèle répétitivement dans un environnement, en mettant à jour son état à chaque itération. Le harness de codage est un cas spécialisé de harness agentique, orienté vers les tâches de génie logiciel — gestion du contexte de code, exécution, débogage itératif. Des systèmes comme Claude Code d'Anthropic ou Codex CLI d'OpenAI illustrent cette catégorie, et la tendance de fond est claire : les progrès les plus décisifs en IA appliquée ne viennent plus seulement des modèles eux-mêmes, mais de l'ingénierie des systèmes qui les entourent.

OutilsOpinion

1 source

Retviews de Lectra : l’assistant data des marques de mode

43

2Le Big Data

Retviews de Lectra : l’assistant data des marques de mode

Lectra, éditeur technologique spécialisé dans l'industrie de la mode, vient de dévoiler une refonte majeure de sa plateforme d'analyse concurrentielle Retviews. La mise à jour intègre une intelligence artificielle entraînée spécifiquement sur les mécanismes du prêt-à-porter, capable de surveiller en continu des milliers de plateformes de vente pour cartographier les mouvements de la concurrence en temps réel. Concrètement, les équipes merchandising peuvent désormais personnaliser entièrement la classification des données selon leurs propres indicateurs internes, plutôt que de subir un flux brut standardisé. Lectra lance en parallèle un service premium baptisé Fashion Insight Reports, des analyses sectorielles clés en main destinées aux directions générales, portant sur des sujets stratégiques comme l'entrée sur un nouveau marché géographique ou le repositionnement d'une gamme. François Gonnot, responsable marketing chez Lectra, justifie cette offre par la volatilité croissante du secteur, qui rend les anciens modèles de pilotage insuffisants. L'impact le plus immédiat concerne la gestion des stocks, un problème structurel coûteux pour l'ensemble du secteur. En donnant aux marques des signaux très en amont sur ce qui fonctionne réellement en rayon et à quel prix, Retviews leur permet d'ajuster leurs volumes de production avant de s'engager, évitant ainsi la surproduction qui alimente les ventes promotionnelles et érode les marges. Caterina Ticchio, responsable du merchandising chez CP Company, témoigne que l'outil transforme la façon dont ses équipes conçoivent les collections : la décision n'est plus intuitive mais adossée à des données de marché actualisées. Pour les marques positionnées sur des segments premium, l'enjeu dépasse la rentabilité pure, il s'agit aussi de protéger une image de marque incompatible avec des fins de saison bradées. L'industrie de la mode traverse depuis plusieurs années une crise de surproduction et d'accélération des cycles, amplifiée par la montée en puissance de plateformes de fast-fashion comme Shein, qui inondent le marché avec des milliers de références nouvelles chaque semaine. Face à cette pression, les marques traditionnelles cherchent à gagner en agilité sans perdre leur identité. Lectra, qui cible historiquement les acteurs du luxe et du prêt-à-porter structuré, positionne Retviews comme une réponse à cette double contrainte : être aussi réactif que les pure players numériques tout en conservant la cohérence d'une collection pensée sur le long terme. La combinaison d'un outil SaaS en accès continu et d'un service d'analyse à valeur ajoutée portée par des experts humains illustre une tendance de fond dans les logiciels B2B : l'IA seule ne suffit pas, c'est l'interprétation contextualisée qui fait la différence pour les décideurs.

UELectra étant une entreprise française cotée, cette mise à jour de Retviews bénéficie directement aux marques de mode françaises et européennes cherchant à optimiser leur gestion des stocks et leur veille concurrentielle face à la pression des plateformes de fast-fashion.

OutilsOutil

1 source

Bluesky teste Attie, un assistant de recherche… basé sur l’IA

39

3Next INpact

Bluesky teste Attie, un assistant de recherche… basé sur l’IA

Bluesky a profité de la conférence Atmosphere, organisée du 26 au 29 mars, pour dévoiler Attie, un agent IA conçu pour aider les utilisateurs à construire des flux de contenus personnalisés sur son réseau social. Plutôt que de recourir à une recherche classique par mots-clés, Attie permet d'exprimer en langage naturel ce que l'on souhaite voir — une liste de comptes spécialisés sur un sujet, des publications de poètes parmi ses abonnements, ou tout autre critère subjectif — et génère automatiquement une sélection de comptes ou de messages en réponse. Le service est actuellement en bêta fermée avec liste d'attente, accessible via un identifiant Bluesky. Jay Graber, ex-PDG de Bluesky devenue responsable de l'innovation, décrit l'expérience comme une « conversation » plutôt que comme une configuration logicielle : l'agent interprète la demande et construit le flux correspondant. L'enjeu dépasse largement la fonctionnalité de recherche elle-même. En démocratisant la création d'applications sur le protocole AT (Authenticated Transfer Protocol), Bluesky cherche à ouvrir son écosystème — qu'il appelle l'Atmosphere — à des développeurs non techniques. Jusqu'à présent, exploiter atproto nécessitait de savoir coder ; les outils de programmation automatisée, combinés à une IA capable d'interpréter des requêtes en langue naturelle, changeraient cette équation. Attie fonctionne ainsi comme un démonstrateur : si un agent peut créer dynamiquement un flux social à partir d'une description, il devient théoriquement possible de construire toutes sortes de nouvelles expériences sociales sur la même infrastructure ouverte. Pour les utilisateurs, la promesse est un fil d'actualité qui correspond vraiment à leurs centres d'intérêt, sans passer par les algorithmes opaques de plateformes fermées. Bluesky s'est construit sur une promesse de décentralisation et d'interopérabilité que son protocole AT incarne en théorie, même si la réalité reste très relative — l'essentiel de l'infrastructure demeure sous contrôle de Bluesky. C'est dans ce contexte que l'introduction de l'IA est surveillée de près par une communauté qui a précisément migré vers Bluesky pour fuir les dérives algorithmiques de X ou de Meta. L'accueil réservé à Attie lors de la conférence a été plutôt mitigé : si l'idée d'un flux entièrement personnalisable séduit, la méfiance envers toute forme d'IA générant ou filtrant du contenu reste forte chez une base d'utilisateurs attachée à la transparence. La prochaine étape logique serait d'intégrer les flux générés par Attie directement dans l'application Bluesky ou dans les clients tiers exploitant atproto — une évolution qui n'a pas encore été confirmée, mais qui conditionnerait l'utilité réelle de l'outil au-delà du stade expérimental.

OutilsOutil

1 source

Leadership dans l'ingénierie assistée par IA

42

4InfoQ AI

Leadership dans l'ingénierie assistée par IA

Justin Reock, responsable technique chez DX (Developer Experience), a présenté une analyse rigoureuse de l'impact réel de l'intelligence artificielle sur le génie logiciel, en s'appuyant sur des données issues des études DORA et DX Research plutôt que sur des témoignages anecdotiques. Son constat central est frappant : 95 % des projets pilotes d'IA générative échouent avant de passer à l'échelle, un phénomène qu'il nomme le « GenAI Divide ». Pour mesurer le retour sur investissement réel, il recommande deux cadres analytiques établis, SPACE et Core 4, qui permettent d'évaluer la productivité des développeurs selon des dimensions multiples, au-delà du simple nombre de lignes de code produites. L'enjeu est considérable pour les équipes d'ingénierie : sans indicateurs adaptés, les organisations risquent de confondre vitesse d'exécution et véritable efficacité. Reock insiste sur la nécessité de concilier rapidité et qualité, mais aussi de réduire la peur des développeurs face à ces outils, qui peut freiner l'adoption et biaiser les résultats. L'objectif n'est pas de remplacer les ingénieurs, mais de leur permettre de se concentrer sur les tâches à forte valeur ajoutée. Ce discours s'inscrit dans un contexte où les grandes entreprises tech investissent massivement dans les agents IA capables d'intervenir à chaque étape du cycle de développement logiciel, du design aux tests en passant par la revue de code. La question n'est plus de savoir si l'IA transformera l'ingénierie logicielle, mais comment les responsables techniques peuvent piloter cette transition avec des méthodes de mesure fiables et une approche centrée sur l'humain.

OutilsOutil

1 source

L'état des lieux des assistants de codage IA

À lire aussi

Composants d'un agent de codage

Retviews de Lectra : l’assistant data des marques de mode

Bluesky teste Attie, un assistant de recherche… basé sur l’IA

Leadership dans l'ingénierie assistée par IA