OutilsAI News6sem

Le succès de l'IA dans le développement logiciel et les besoins de pilotage centralisé

Résumé IASource uniqueImpact UE

Selon une enquête menée par OutSystems auprès de 1 879 responsables informatiques dans dix pays, l'intelligence artificielle agentique a franchi le cap du pilote pour entrer en production dans de nombreuses entreprises. Le rapport, intitulé The State of AI Development 2026, révèle que 97 % des répondants explorent une forme de stratégie agentique, et que près de la moitié d'entre eux indiquent que plus de 50 % de leurs projets IA ont quitté la phase expérimentale. Les gains les plus concrets ne proviennent pas de la réduction des coûts, pourtant citée en premier par les dirigeants, mais de l'outillage des développeurs logiciels avec des assistants de génération de code : seuls 22 % des répondants jugent leurs déploiements les plus efficaces en matière d'efficience opérationnelle, contre une majorité qui pointe le développement assisté par IA comme premier vrai succès.

Ce décalage entre les attentes et les résultats illustre un problème structurel : les organisations adoptent l'IA plus vite qu'elles ne parviennent à en cadrer l'usage. OutSystems avertit que la gouvernance et l'intégration aux systèmes existants constituent les deux véritables points de blocage. Ainsi, 48 % des répondants identifient l'intégration aux systèmes legacy comme la capacité la plus critique pour élargir l'usage agentique, et 38 % y voient la principale raison pour laquelle les projets restent bloqués entre pilote et production. Contrairement à ce que prônent de nombreux éditeurs IA, une vaste opération de nettoyage des données n'est pas un préalable obligatoire : des agents peuvent fonctionner efficacement dans des environnements de données complexes, à condition que la gouvernance soit renforcée en parallèle.

La géographie de l'adoption révèle des disparités profondes. L'Inde domine nettement, avec 50 % des entreprises indiennes déclarant un taux de réussite de leurs projets IA entre 51 % et 75 %, et la plus forte proportion d'utilisateurs se qualifiant d'"experts". À l'inverse, la France et l'Allemagne restent les marchés les plus sceptiques, l'Allemagne enregistrant la plus haute proportion de dirigeants n'utilisant aucune forme d'IA agentique. Les secteurs financier et technologique montrent la progression la plus rapide du pilote vers la production, car ils disposent d'une ligne de vue claire entre automatisation et retour sur investissement mesurable. Le rapport suggère aux secteurs plus lents de s'inspirer de ce modèle : commencer par des workflows à fort volume et périmètre étroit, où les performances se mesurent et les échecs se contiennent, en se concentrant d'abord sur la fonction IT.

Impact France/UE

La France et l'Allemagne sont identifiées comme les marchés les plus sceptiques en matière d'IA agentique, signalant un retard européen que les DSI français devraient prendre en compte dans leur feuille de route d'adoption.

Dans nos dossiers

Agents IA

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1AI News

Le rôle de l'IA dans le développement des bots de trading forex

L'intelligence artificielle transforme en profondeur le développement des robots de trading sur le marché des changes (forex), un secteur qui brasse quotidiennement plus de 7 500 milliards de dollars d'échanges à travers le monde. Là où les premiers robots forex reposaient sur des règles statiques, entrer en position lorsqu'une moyenne mobile franchit un seuil précis, sortir lorsqu'un prix cible est atteint, les systèmes modernes intègrent désormais des techniques d'apprentissage automatique, de traitement du langage naturel (NLP), d'apprentissage profond et de renforcement par essais-erreurs. Ces architectures permettent aux algorithmes de s'entraîner sur des historiques de données, d'identifier des corrélations complexes entre indicateurs techniques et variables macroéconomiques, puis d'ajuster leurs stratégies en continu à mesure que de nouvelles données arrivent. Le NLP joue un rôle particulier : il permet aux systèmes de scanner en temps réel les annonces des banques centrales, les rapports économiques et les flux d'actualités financières pour détecter des changements de sentiment susceptibles de faire bouger les paires de devises. L'impact le plus concret de cette évolution concerne la gestion du risque. Les marchés des changes sont réputés pour leur volatilité et leur fonctionnement 24 heures sur 24, cinq jours par semaine, ce qui rend la surveillance manuelle exhaustive pratiquement impossible même pour les traders les plus expérimentés. Les systèmes pilotés par IA peuvent surveiller simultanément des dizaines de signaux, mouvements de prix, niveaux de volatilité, évolutions de liquidité, corrélations entre paires de devises, et identifier des signaux d'alerte bien plus tôt que les méthodes traditionnelles. Cette capacité à traiter des volumes massifs d'informations hétérogènes en temps réel représente un avantage décisif : elle réduit l'exposition aux pertes soudaines tout en permettant de saisir des opportunités fugaces que l'analyse humaine ne pourrait pas détecter à cette vitesse. Cette mutation s'inscrit dans une transformation plus large de la finance algorithmique. Pendant des décennies, les robots de trading ont été l'apanage des grandes institutions, banques d'investissement, fonds spéculatifs, qui disposaient des ressources pour développer et maintenir des systèmes sophistiqués. La démocratisation des frameworks d'apprentissage automatique open source et la réduction des coûts de calcul cloud ont progressivement ouvert ce terrain aux traders indépendants et aux petites sociétés de gestion. Les modèles peuvent désormais être réentraînés régulièrement pour intégrer les nouvelles dynamiques de marché, ce qui réduit l'obsolescence rapide qui frappait les anciens robots à règles fixes. La question qui se pose pour les acteurs du secteur n'est plus de savoir si l'IA doit intégrer leurs systèmes de trading, mais à quelle vitesse et avec quels garde-fous humains maintenir dans la boucle de décision.

UELes gérants de fonds et traders indépendants européens sont concernés par la démocratisation de ces outils algorithmiques, mais l'article n'aborde aucune spécificité réglementaire ou institutionnelle propre à l'UE.

OutilsOutil

1 source

2AI News

IBM lance la plateforme IA Bob pour maîtriser les coûts du cycle de développement logiciel

IBM a lancé Bob, une plateforme d'intelligence artificielle conçue pour encadrer et rationaliser l'ensemble du cycle de développement logiciel en entreprise. L'annonce a été portée par Dinesh Nirmal, vice-président senior d'IBM Software, qui a résumé l'enjeu : « Chaque entreprise cherche à se moderniser, mais la vitesse sans contrôle est un risque. IBM Bob permet aux entreprises d'avancer à la vitesse de l'IA sans sacrifier la gouvernance et la sécurité. » La plateforme s'intègre directement dans le cycle de vie logiciel complet, avec des modes basés sur des profils utilisateurs, des appels d'outils automatisés et des contrôles humains à chaque étape critique. L'un de ses premiers cas d'usage concrets est APIS IT, une entreprise qui a déployé Bob pour moderniser des systèmes gouvernementaux chargés de décennies de dette technique sur des environnements mainframe et .NET. Résultat : une analyse d'architecture et une documentation produites dix fois plus vite, avec une précision de 100 % sur des systèmes JCL/PL1 vieillissants, et des migrations de services .NET réalisées en quelques heures au lieu de plusieurs semaines. L'enjeu est massif : entre 60 et 80 % du budget d'ingénierie des grandes organisations est absorbé par la maintenance et la mise à niveau de systèmes existants, des projets qui s'étirent souvent sur des mois. Les assistants de code classiques aggravent le problème lorsqu'ils sont utilisés sans garde-fous, car ils génèrent du code syntaxiquement correct mais fonctionnellement inutile, incapable de comprendre les bibliothèques internes ou la logique propriétaire d'une entreprise. Bob répond à ce problème en cartographiant d'abord les dépendances avant toute refactorisation, puis en coordonnant des agents spécialisés pour les tests, la documentation et l'intégration continue. Le système utilise une orchestration multi-modèles dynamique : les tâches simples sont routées vers des modèles légers et économiques, tandis que les raisonnements architecturaux complexes mobilisent des modèles de pointe comme Claude d'Anthropic, Mistral ou IBM Granite. Ce lancement s'inscrit dans une course plus large à l'automatisation du développement logiciel en entreprise, un marché où GitHub Copilot, Google Gemini Code Assist et des dizaines de startups se disputent déjà les contrats. IBM mise sur une différenciation claire : là où ses concurrents proposent des assistants de productivité individuelle, Bob cible la gouvernance à l'échelle de l'organisation, avec une traçabilité des coûts et une transparence sur les dépenses IA directement liées aux résultats en production. La capacité à gérer des environnements mainframe, souvent ignorés par les nouveaux entrants du marché, constitue un avantage stratégique pour IBM auprès de ses clients traditionnels dans la finance, les assurances et le secteur public, des industries où la dette technique se chiffre en milliards et où la compliance réglementaire n'est pas négociable.

UEIBM Bob cible explicitement les secteurs finance, assurance et secteur public, où les DSI françaises et européennes gèrent d'importantes dettes techniques sous contraintes réglementaires strictes.

OutilsOutil

1 source

3Le Big Data

JetBrains Central : piloter l’ère du développement agentique en entreprise

JetBrains a annoncé JetBrains Central, une plateforme de pilotage centralisé destinée aux équipes de développement logiciel en entreprise qui adoptent l'IA agentique. Concrètement, la solution connecte les IDE, les consoles d'administration et les pipelines CI/CD dans un système unifié capable de coordonner plusieurs agents IA simultanément : Claude d'Anthropic, Gemini de Google, Codex d'OpenAI ou encore l'Assistant JetBrains natif. La plateforme intègre une console d'administration avec gestion des identités et des accès (IAM), un suivi en temps réel de chaque décision prise par les agents, ainsi qu'un système de facturation centralisé permettant de fixer des quotas de tokens par département et d'alerter ou bloquer l'exécution en cas de dépassement budgétaire. L'enjeu est majeur pour les directions techniques qui peinent aujourd'hui à gouverner une IA de plus en plus autonome. Sans cadre structuré, les risques de fuite de données et de dépenses incontrôlées sont réels : les entreprises jonglent entre de multiples abonnements, sans visibilité sur ce que font réellement les agents dans leur base de code. JetBrains Central répond à ce problème en segmentant les permissions par projet ou par équipe, en traçant chaque commit et chaque modèle utilisé, et en transformant la conformité réglementaire en processus automatisé plutôt qu'en obstacle. Pour les secteurs régulés comme la finance ou la santé, cette traçabilité fine constitue un prérequis non négociable. L'objectif affiché est de rendre la productivité liée à l'IA mesurable en valeur métier, et non plus un coût opaque dilué dans les budgets IT. Cette annonce s'inscrit dans un contexte de fragmentation critique des outils IA en entreprise : chaque fournisseur propose son propre agent, ses propres interfaces, ses propres modèles de tarification, rendant l'orchestration de workflows complexes particulièrement difficile. JetBrains, éditeur des IDE IntelliJ, PyCharm et WebStorm utilisés par des millions de développeurs, capitalise sur sa position centrale dans le SDLC (Software Development Life Cycle) pour imposer une couche d'orchestration neutre. La plateforme s'intègre également avec GitHub, GitLab et des IDE tiers, permettant aux agents d'intervenir directement dans les pipelines CI/CD pour corriger des bugs de build ou améliorer des scripts de déploiement. En misant sur l'ouverture multi-fournisseurs plutôt que sur un écosystème fermé, JetBrains parie que la gouvernance et l'observabilité deviendront les critères d'adoption déterminants à mesure que l'autonomie des agents IA s'accroît dans les environnements de production.

UELes entreprises européennes utilisant les IDE JetBrains (très répandus en Europe) peuvent adopter cette couche de gouvernance pour répondre aux exigences de traçabilité de l'AI Act et aux contraintes des secteurs régulés comme la finance et la santé.

OutilsOutil

1 source

4VentureBeat AI

Le développement piloté par les spécifications s'impose pour le code agentique en entreprise

Le développement logiciel piloté par les spécifications s'impose comme la méthode de référence pour déployer des agents de codage autonomes à l'échelle des grandes entreprises. Amazon Web Services en est l'exemple le plus documenté : l'équipe derrière le nouvel environnement de développement Kiro IDE a utilisé Kiro pour construire Kiro lui-même, réduisant les cycles de développement de deux semaines à deux jours. Une équipe d'ingénieurs AWS a mené à bien un projet de refonte architecturale initialement prévu sur dix-huit mois avec trente développeurs, en six personnes en soixante-seize jours. Chez Amazon.com, la fonctionnalité "Add to Delivery", qui permet aux acheteurs d'ajouter des articles après validation de leur commande, a été livrée deux mois avant le calendrier prévu grâce à cette approche. Alexa+, Amazon Finance, Amazon Stores, Fire TV, Last Mile Delivery et Prime Video intègrent désormais tous le développement piloté par les spécifications dans leurs méthodes de production. Ce qui rend cette méthode structurante, c'est qu'elle résout le problème de confiance fondamental posé par le code généré par l'IA. Un agent qui produit cent cinquante commits par semaine dépasse largement la capacité de relecture humaine : aucune équipe ne peut valider manuellement ce volume. La spec devient alors un moteur de vérification automatique. Rédigée avant qu'une seule ligne de code soit écrite, elle définit ce que le système doit faire, ses propriétés attendues et ce que "correct" signifie concrètement. À partir de cette base, des techniques de test basées sur les propriétés et de l'IA neurosymbolique génèrent automatiquement des centaines de cas de test dérivés directement de la spécification, couvrant des cas limites qu'aucun développeur n'aurait envisagé. L'agent peut ainsi se corriger en boucle, en réinjectant les échecs de build et de test dans son propre raisonnement, jusqu'à produire un code à la fois fonctionnel et vérifiable. Cette évolution s'inscrit dans une transformation plus large du secteur. Il y a un an, le "vibe coding" avait popularisé l'idée que n'importe qui pouvait produire du code avec l'IA, au prix d'une qualité souvent médiocre. Le développement piloté par les spécifications répond à la question suivante : comment faire confiance à ce code à grande échelle ? Les équipes qui adoptent cette méthode ne traitent plus l'IA comme un outil ponctuellement consulté, mais comme un agent autonome ancré à une source de vérité permanente. La prochaine étape annoncée est celle d'agents capables de rédiger leurs propres spécifications, utilisant la spec comme mécanisme d'autocorrection et de vérification. Les entreprises qui maîtriseront ce modèle prendront une avance structurelle significative sur celles qui continuent à coder sans cadre formel.

OutilsOutil

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour