OutilsVentureBeat AI2h· 2 min de lecture

Les entreprises pensent bâtir une usine à logiciels. En réalité, elles ne font qu'accélérer la livraison de bugs

Résumé IASource uniqueImpact UE Take éditorial

L'essor des grands modèles de langage a transformé le développement logiciel en véritable chaîne de production industrielle. Un développeur peut aujourd'hui générer en quelques heures ce qui demandait auparavant plusieurs semaines, et des organisations entières réorganisent leurs équipes autour de cette nouvelle réalité. Le terme de "software factory" s'est imposé dans le débat tech au cours de l'année passée, notamment après l'analyse de Luca Rossi intitulée "The Era of the Software Factory", qui posait le constat clairement : l'IA ne change pas seulement la vitesse d'écriture du code, elle reconfigure l'ensemble du système de production logicielle. Les données de Faros AI illustrent cette montée en cadence : le débit de tâches par développeur a augmenté de 33,7 % et le taux de fusion de pull requests de 16,2 %. Des chiffres qui semblent positifs jusqu'à ce qu'on lise la suite.

Le problème est que la vitesse industrielle amplifie aussi les erreurs à une échelle industrielle. Toujours selon Faros AI, le ratio d'incidents par pull request a bondi de 242,7 % et le nombre de bugs par développeur de 54 %. Les recherches DORA de Google sont encore plus alarmantes : une adoption accrue de l'IA est associée à une dégradation mesurable de la stabilité des livraisons. Le goulot d'étranglement ne se situe plus dans la capacité à écrire du code, mais dans la capacité à produire un logiciel fiable et maintenable sur la durée. La question n'est plus "quelqu'un peut-il coder ceci ?" mais "devrions-nous seulement construire ceci ?" Sans infrastructure claire pour définir comment le code est généré, revu, testé, déployé et corrigé, les équipes ne construisent pas une usine logicielle, elles accélèrent simplement la production de dette technique.

Ce mouvement vers la "software factory" s'inscrit dans une tension ancienne : les entreprises ont toujours voulu plus de logiciels que leurs ingénieurs ne pouvaient en produire, ce qui explique l'omniprésence d'outils comme Excel comme substituts bricolés. L'IA a effondré la barrière d'entrée à la création de code, mais sans gouvernance adaptée, les bases de code de petites organisations gonflent désormais à la taille de celles des grandes tech il y a dix ans, avec des standards insuffisants et des équipes en mouvement perpétuel. Des consultants spécialisés sont déjà appelés pour réparer des infrastructures de données générées par IA qui ont dérivé progressivement sous la pression du rythme. Une vraie usine logicielle ne peut pas être un assemblage de prompts et d'agents sans plateforme cohérente : elle exige les mêmes principes qu'une usine physique, à savoir des processus, du contrôle qualité et une traçabilité à chaque étape de la chaîne.

💬 L'analyse de Mathieu

+242% d'incidents par pull request. Personne ne met ce chiffre dans ses slides. L'IA a industrialisé la production de code, mais sans gouvernance elle industrialise aussi les bugs à la même cadence. Une vraie usine a du contrôle qualité à chaque étape, c'est pas juste une chaîne de prompts sans filet.

Cet article vous a été utile ?

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

À lire aussi

1VentureBeat AI

Les agents IA entrent dans une phase de refonte face aux problèmes de fiabilité en entreprise

Les agents d'intelligence artificielle d'entreprise entrent dans une phase de refonte profonde. Après une première vague de déploiements rapides, de nombreuses organisations découvrent que la performance des modèles de langage ne suffit pas à garantir la fiabilité en production. Selon Preeti Somal, vice-présidente senior de l'ingénierie chez Temporal Technologies, intervenante lors d'un récent événement AI Impact Series à New York, de nombreuses équipes reviennent aujourd'hui construire une "version 2.0" de leurs agents. "Ils ont dû aller très vite, mais ils n'ont pas pris soin de la plomberie", a-t-elle déclaré. "Les systèmes s'effondrent, et ils se retrouvent à reconstruire avec une fondation fiable." Les difficultés concrètes sont multiples : gestion de l'état d'exécution, récupération après pannes, coordination entre APIs et systèmes d'entreprise, visibilité sur les processus, et maîtrise des coûts d'inférence. Un agent peut enchaîner plusieurs modèles de langage, des systèmes de récupération d'information et des applications externes, en maintenant un état sur plusieurs heures ou jours. L'enjeu est considérable pour les entreprises qui opèrent sous contraintes budgétaires. Redémarrer un processus après une panne peut multiplier les coûts d'inférence, augmenter la latence et dégrader l'expérience client. La distinction entre deux notions souvent confondues devient cruciale : l'état d'exécution, qui indique où en est l'agent dans un processus et à quel point reprendre après une défaillance, et la mémoire contextuelle, qui regroupe les informations transportées d'une interaction à l'autre. Somal cite l'exemple du client Abridge dans le secteur de la santé, où des processus traitent des visites médicales en plusieurs étapes : traitement audio, résumé, appels de modèles et génération de comptes-rendus post-consultation. Ces enchaînements longs et multi-étapes exigent une fiabilité structurelle que les premières architectures n'avaient pas anticipée. Temporal Technologies, dont l'infrastructure d'orchestration est antérieure à la vague actuelle de l'IA agentique, voit dans cette situation un écho direct à une période précédente de l'adoption du cloud en entreprise. Somal compare cette ruée vers l'IA à la stratégie "lift-and-shift" des débuts du cloud : migrer des charges de travail sans repenser les architectures sous-jacentes, pour finalement dépenser davantage sans en tirer la valeur attendue. "Cette précipitation vers l'IA dans un monde où vous n'avez même pas modernisé vos applications me rappelle un peu ce lift-and-shift qui s'est produit dans le cloud", a-t-elle dit. Les problèmes d'ingénierie fondamentaux comme la durabilité d'exécution et la récupération après défaillance n'émergent souvent qu'après le déploiement. L'IA agentique n'invente pas ces problèmes : elle les amplifie, et les entreprises qui n'ont pas modernisé leur socle applicatif risquent de reproduire les mêmes erreurs coûteuses qu'une décennie auparavant.

OutilsOpinion

1 source

2AWS ML Blog

Amazon Nova Act accélère la livraison logicielle grâce à l'automatisation des tests par agents

Amazon a lancé Nova Act, un service AWS conçu pour automatiser les tests d'assurance qualité (QA) dans les pipelines de livraison logicielle. Contrairement aux frameworks traditionnels qui s'appuient sur des sélecteurs CSS, des identifiants d'éléments ou des références structurelles pour naviguer dans les interfaces, Nova Act utilise un modèle de compréhension visuelle et le langage naturel — exactement comme le ferait un utilisateur humain. La solution s'accompagne de QA Studio, une interface de référence incluant un frontend web, une API et une CLI, construite sur une infrastructure serverless AWS. Les équipes peuvent y créer des suites de tests via un assistant de parcours utilisateur, déclencher des exécutions à la demande, les planifier ou les intégrer directement dans leurs pipelines CI/CD. L'ensemble s'appuie sur Amazon Bedrock AgentCore Browser pour la prévisualisation en direct et AWS Secrets Manager pour la saisie sécurisée des données sensibles. L'enjeu est considérable pour les équipes produit et engineering. Dans les organisations actuelles, les critères d'acceptance sont définis par les product managers en langage métier, implémentés par les développeurs, puis retranscrits en code d'automatisation — souvent par ces mêmes développeurs. Ce fossé entre ceux qui comprennent les besoins utilisateurs et ceux qui maintiennent les tests crée une dette technique permanente : chaque refactoring d'interface ou ajustement de layout casse des dizaines de tests, même quand les fonctionnalités restent intactes. Nova Act supprime ce goulot d'étranglement en permettant à n'importe quel membre de l'équipe — y compris des non-développeurs — de rédiger et maintenir des tests en langage naturel. Quand un designer déplace un bouton ou qu'un développeur restructure un composant React, les tests s'adaptent automatiquement sans intervention manuelle. Cette annonce s'inscrit dans une course plus large des grands fournisseurs cloud à proposer des agents capables d'interagir avec des interfaces graphiques. OpenAI avec Operator, Anthropic avec Computer Use, et désormais AWS avec Nova Act ciblent tous le même marché : remplacer les scripts d'automatisation fragiles par des agents visuels autonomes. Pour AWS, l'intégration native dans l'écosystème Bedrock et les services managés représente un avantage compétitif face aux solutions standalone. Le marché du test logiciel automatisé pèse plusieurs milliards de dollars et souffre d'un taux d'échec élevé des projets d'automatisation traditionnels — souvent abandonnés après quelques mois faute de ressources pour maintenir les scripts. Si Nova Act tient ses promesses de résilience aux changements UI, il pourrait redistribuer significativement les cartes dans ce secteur et accélérer l'adoption de l'approche "shift-left" où les tests sont écrits dès la définition des exigences.

UELes équipes engineering européennes utilisant AWS peuvent intégrer Nova Act dans leurs pipelines CI/CD, mais aucun impact réglementaire ou institutionnel direct sur la France ou l'UE.

OutilsOutil

1 source

3Interesting Engineering

BMW déploie l'IA pour accélérer la production de batteries et réduire les déchets en usine de plus de 50 %

BMW Group a annoncé que des modèles d'intelligence artificielle développés en partenariat avec l'Université de Zagreb permettent de réduire la consommation de matériaux et le temps de production dans la fabrication de cellules de batteries de plus de 50 % sur certaines étapes du processus. Ce projet de recherche baptisé "Insight", lancé en 2024 avec le Centre régional d'excellence en technologie robotique de l'université croate, couvre l'ensemble de la chaîne de valeur : de la fabrication des électrodes aux tests de fin de ligne, en passant par le recyclage direct. Les travaux sont menés au Battery Cell Competence Centre de Munich, où BMW développe les cellules destinées aux prochaines générations de batteries haute tension pour véhicules électriques. Le système d'IA combine des résultats de tests existants avec des données de production en temps réel pour anticiper les paramètres de fabrication et les performances des cellules, réduisant ainsi le nombre et la durée des séries de tests coûteuses. L'impact potentiel est considérable pour une industrie sous pression. La mise au point de cellules de batterie exige normalement de longues séries d'essais qui mobilisent des matières premières, des lignes de production et des capacités de laboratoire. En permettant de prédire les résultats plus tôt dans le processus, l'IA de BMW pourrait accélérer significativement la montée en cadence de la production de batteries électriques tout en réduisant les coûts et les déchets industriels. Le système cible également une étape souvent négligée : après leur première charge, les cellules sont maintenues en "quarantaine", une période de stockage sous températures contrôlées avant l'assemblage final. BMW indique que ses modèles pourraient à terme éliminer cette étape, libérant de l'espace en usine et réduisant les délais de production des packs batteries. BMW concentre ses opérations sur les cellules entre trois sites bavarois : Munich pour la recherche et le développement, Parsdorf pour la production quasi-série, et Salching pour le recyclage. Le projet "Insight" implique des doctorants et étudiants croates chargés d'organiser les données de production et de construire des modèles capables de détecter des corrélations entre qualité, coûts et rendement. Christian Siedelhofer, responsable du développement technologique des cellules lithium-ion chez BMW, a précisé que l'entreprise travaille à faire passer ces modèles du prototype vers un déploiement à l'échelle de son réseau de production. Le partenariat joue aussi un rôle de vivier de talents pour attirer de futurs spécialistes en batteries et en IA. BMW n'a pas précisé quels modèles d'IA sont utilisés ni à quelle échéance un déploiement industriel complet pourrait intervenir.

UEBMW, constructeur allemand, déploie l'IA dans ses usines bavaroises en partenariat avec une université croate, renforçant potentiellement la compétitivité européenne dans la filière batterie face aux acteurs asiatiques.

OutilsActu

1 source

4VentureBeat AI

L'IA qui fait vraiment la différence pour les entreprises

Après deux ans de démonstrations spectaculaires et de prototypes précipités, les dirigeants technologiques des grandes entreprises adoptent en 2026 un discours nettement plus pragmatique sur l'intelligence artificielle. Lors d'un webinaire organisé par OutSystems, des responsables techniques issus d'entreprises comme Thermo Fisher Scientific et McConkey Auction Group ont témoigné d'une même priorité : faire passer les agents IA du stade expérimental à la production réelle, avec des résultats mesurables. Chez Thermo Fisher, Rajkiran Vajreshwari, responsable du développement applicatif, a décrit comment son équipe a abandonné les assistants IA mono-tâches au profit d'un système multi-agents coordonné : à l'arrivée d'un ticket de support, un agent de triage classe la demande et la route dynamiquement vers un agent spécialisé — intention et priorité, contexte produit, dépannage ou conformité — chacun opérant dans un périmètre strict et auditable. L'enjeu central n'est plus le choix du bon modèle de langage, mais l'orchestration : comment router les tâches, coordonner les workflows, gouverner l'exécution et intégrer les agents dans des systèmes construits sur des décennies. Une nouvelle catégorie de risque est apparue en parallèle : le « shadow AI », autrement dit le code de niveau production généré par des employés sans supervision informatique. Ces outils maison sont exposés aux hallucinations, aux fuites de données, aux violations de politique et à la dérive des modèles. Luis Blando, CPTO d'OutSystems, résume la réponse des organisations les plus avancées en trois actions : fournir des garde-fous aux utilisateurs, utiliser l'IA pour gouverner l'IA à l'échelle du portefeuille applicatif, et s'appuyer sur des plateformes qui intègrent ces contrôles nativement plutôt que de les construire manuellement. Ce tournant pragmatique survient alors que les premières vagues d'enthousiasme autour des LLM se heurtent à leurs limites réelles en environnement d'entreprise : sans orchestration, sans connexion aux données métier existantes et sans gouvernance, les modèles les plus puissants produisent peu de valeur durable. Les profils les plus recherchés ne sont plus les data scientists spécialisés, mais les développeurs généralistes et les architectes d'entreprise capables de faire dialoguer agents IA, systèmes legacy et processus métier. La compétition se joue désormais moins sur la puissance brute des modèles que sur la capacité des plateformes — OutSystems, mais aussi Microsoft, Salesforce ou ServiceNow — à proposer des environnements où les agents peuvent être déployés, surveillés et gouvernés à l'échelle industrielle.

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

Gratuit · 1 email le matin, rédigé par un humain · désinscription en un clic