Forward Deployed Engineers et l'avenir de l'ingénierie logicielle

L'IA à base d'agents a résolu le code, et mis à nu tous les autres problèmes du génie logiciel

L'intelligence artificielle agentique a résolu le problème de l'écriture du code, mais ce faisant, elle a mis en lumière tous les autres goulots d'étranglement du génie logiciel. Les équipes d'ingénierie génèrent aujourd'hui plus de code que jamais grâce aux agents IA, mais les dirigeants d'entreprise posent une question de plus en plus pressante : si le rythme de livraison s'est accéléré, pourquoi les produits ne s'améliorent-ils pas à la même cadence ? La réponse est que l'écriture du code n'a jamais été le facteur limitant. Ce qui ralentit les organisations, c'est la définition des bonnes exigences, l'intégration avec des systèmes complexes, et la maintenance en conditions réelles. Quand les agents inondent une organisation de nouveau code, ces difficultés structurelles s'amplifient. La revue humaine du code généré par IA est en train de devenir un énorme nouveau bottleneck, et les ingénieurs perdent le contexte nécessaire pour détecter les erreurs des agents. Des coûts incontrôlés émergent aussi : Uber a épuisé son budget IA 2026 dès le mois d'avril, et selon Axios, une entreprise anonyme a reçu une facture Anthropic de 500 millions de dollars en un seul mois à cause de boucles agentiques incontrôlées. Ces dérives ont des conséquences concrètes sur les organisations. Les entreprises qui n'anticipent pas ces dynamiques risquent de tirer une conclusion simpliste et destructrice : réduire les effectifs tout en augmentant les dépenses IA. Celles qui raisonnent de manière délibérée créeront au contraire de nouveaux rôles adaptés à cette réalité. La différence tient à une gouvernance claire : traiter les configurations d'agents comme de l'infrastructure de production, versionner et tester les prompts avant déploiement, et surtout ne jamais accorder à un agent les mêmes droits d'accès qu'à un ingénieur humain. Ces derniers disposent d'un jugement contextuel et assument une responsabilité directe, un agent qui hérite de leurs permissions sans garde-fous introduit un angle mort d'accountability dans les systèmes critiques. Cette situation s'inscrit dans une transition plus large : l'IA passe de l'assistance à l'exécution autonome, et les modèles économiques comme les pratiques de sécurité n'ont pas encore rattrapé ce changement. Sur le plan technique, la réponse passe par une stratégie multi-modèles et multi-fournisseurs, aucun modèle n'excelle sur toutes les tâches, et se concentrer sur un seul vendeur crée un point de défaillance unique inacceptable pour une fonction aussi critique que l'ingénierie. La priorité doit aller aux modèles frontier les plus performants plutôt qu'aux moins chers en coût par token, car c'est la qualité du résultat qui détermine le coût réel en minimisant les retravaux coûteux. Les métriques traditionnelles, lignes de code, pull requests, déploiements, ne mesurent plus rien d'utile dans ce nouveau contexte.

💬 Personne ne voulait l'entendre, mais écrire du code n'a jamais été le vrai goulot. Les agents ont prouvé ça à coup de factures à 500 millions et de budgets grillés en avril pour l'année entière. Ce qui ralentit encore, c'est comprendre ce qu'on construit et intégrer les vieilles briques, et là, aucun agent ne te sauve si t'as pas mis les garde-fous.

L’intelligence artificielle générative et le nouveau visage de la fracture pédagogique

Meriem El Bouhali, enseignante-chercheuse à l'ESLSCA Paris Business School, publie les premiers résultats d'une enquête qualitative menée auprès d'étudiants de Bachelor et de MBA sur leurs usages de l'intelligence artificielle générative. Ses travaux, inscrits dans une série de recherches sur l'adoption des nouvelles technologies, révèlent que l'IA n'est pas un outil neutre : elle amplifie les écarts existants entre profils étudiants plutôt qu'elle ne les comble. Trois comportements distincts ont été identifiés. Les étudiants les plus solides utilisent l'IA pour enrichir leur réflexion, vérifient systématiquement les résultats générés et remettent en question le contenu produit. Les étudiants plus fragiles tombent dans une surconfiance excessive, ce que la chercheuse appelle l'overreliance, qui atrophie leur esprit critique au point qu'ils ne détectent plus les erreurs de l'algorithme. Un troisième profil, composé d'étudiants compétents, refuse délibérément de déléguer certaines tâches à la machine pour préserver leur autonomie intellectuelle, au risque d'être perçus comme moins efficaces dans des contextes professionnels où la rapidité est valorisée. Ces fractures pédagogiques ont des conséquences directes sur le marché du travail. Un collaborateur incapable de détecter une erreur générée par l'IA peut mettre en danger son entreprise : des états financiers erronés, par exemple, peuvent provoquer un risque réputationnel majeur ou bloquer l'accès au financement. Face à ce risque, les recruteurs adaptent leurs processus de sélection pour identifier les candidats capables d'analyse critique, pas seulement ceux qui savent utiliser ChatGPT. L'Article 4 de l'IA Act européen renforce cette dynamique en imposant aux entreprises de garantir la littératie IA de leurs collaborateurs, ce qui repositionne la valeur humaine non plus sur l'exécution mais sur le jugement et la prise de décision éthique, là où la machine reste structurellement limitée. Ce constat pousse à repenser en profondeur le modèle éducatif institutionnel. Interdire l'IA en cours est jugé contre-productif par El Bouhali : les étudiants l'utilisent de toute façon, et l'ignorer prive les établissements d'une occasion pédagogique majeure. La réponse doit venir des institutions elles-mêmes, en intégrant explicitement la littératie IA dans les cursus, en formant les enseignants à encadrer ces usages, et en distinguant les tâches où l'IA est un levier de celles où elle constitue un raccourci appauvri. Les grandes écoles et universités qui tardent à opérer cette transformation risquent de diplômer des profils inadaptés aux exigences d'un marché qui cherche moins des utilisateurs d'outils que des professionnels capables de superviser, corriger et dépasser ce que les algorithmes produisent.

Des ingénieurs chinois forment leurs sosies IA, et certains résistent

En Chine, des ingénieurs et développeurs sont de plus en plus poussés par leurs employeurs à documenter leurs méthodes de travail pour former des agents IA capables de les remplacer. Le phénomène a pris une dimension publique début avril 2026, lorsqu'un projet GitHub baptisé Colleague Skill est devenu viral sur les réseaux sociaux chinois. L'outil, créé par Tianyi Zhou, ingénieur au Shanghai Artificial Intelligence Laboratory, permet à un utilisateur de saisir le nom d'un collègue, d'importer automatiquement ses historiques de conversation et fichiers depuis les plateformes professionnelles Lark et DingTalk, puis de générer des manuels détaillés décrivant ses tâches, ses habitudes de communication et même ses petites particularités. Une utilisatrice shanghaïenne de 27 ans, Amber Li, a testé l'outil sur un ancien collègue : en quelques minutes, Colleague Skill avait produit un profil complet reproduisant jusqu'aux tics de ponctuation de la personne. Zhou a précisé au journal Southern Metropolis Daily que le projet était avant tout une provocation satirique, née des licenciements liés à l'IA et de la tendance croissante des entreprises à demander à leurs salariés de s'automatiser eux-mêmes. Il n'a pas souhaité commenter davantage. Ce qui était une blague a touché quelque chose de réel. La viralité de Colleague Skill a déclenché un débat de fond sur la dignité et l'individualité des travailleurs à l'ère de l'IA. Sur les réseaux sociaux chinois, les ingénieurs alternent entre humour noir et malaise sincère : un commentaire sur Rednote résume l'ambiance, suggérant d'automatiser ses collègues avant eux-mêmes pour survivre un peu plus longtemps. Un développeur ayant requis l'anonymat a confié à MIT Technology Review avoir formé un agent sur son propre workflow et avoir trouvé l'expérience profondément réductrice, comme si des années de savoir-faire avaient été compressées en modules interchangeables. Amber Li, malgré la précision troublante du résultat, qualifie l'expérience d'«étrange et inconfortable». Ce mouvement s'inscrit dans un contexte plus large : depuis qu'OpenClaw, un outil d'agent IA, est devenu un phénomène national en Chine, de nombreuses entreprises tech encouragent leurs équipes à expérimenter les agents pour des tâches comme la lecture de mails, la navigation web ou le débogage de code. Mais Hancheng Cao, professeur assistant à l'université Emory spécialisé dans l'IA et le travail, souligne que l'enjeu dépasse la mode managériale : en demandant à leurs employés de produire ces blueprints, les entreprises cartographient discrètement leur capital humain, identifient ce qui peut être standardisé et ce qui reste irréductiblement humain. Pour les salariés, la frontière entre optimisation et précarisation organisée devient de plus en plus floue.

IA en entreprise : entre formation insuffisante et risque de fracture générationnelle

Les entreprises françaises et internationales investissent massivement dans les licences d'outils d'intelligence artificielle, mais cette acquisition technologique ne se traduit pas en usage réel. C'est le constat dressé par Hamza Bouanani, Practice Manager IA chez MARGO et Lead Data Scientist à la BNP Risk, qui audite régulièrement les usages en entreprise. Selon ses observations, la moitié des développeurs n'intègre tout simplement pas l'IA dans leur flux de travail quotidien, et seulement 10 % maîtrisent réellement les outils d'agents de codage avancés. Même parmi les utilisateurs réguliers, la grande majorité n'exploite que 5 à 10 % du potentiel de ces solutions. Des suites comme Google Workspace AI sont déployées à grande échelle, mais les salariés continuent de créer leurs présentations manuellement, ignorant les fonctionnalités de génération automatique. L'équipement progresse, l'usage stagne. Cette sous-utilisation chronique représente un coût invisible mais réel pour les organisations. L'investissement technologique ne produit aucun retour sérieux tant que l'outil ne s'intègre pas dans un processus métier structuré. Bouanani identifie quatre lacunes critiques chez les collaborateurs non accompagnés : l'incapacité à formuler des requêtes contextualisées (les utilisateurs tapent des mots-clés comme dans un moteur de recherche plutôt que de dialoguer avec la machine), des comportements à risque sur la sécurité des données (copier-coller de codes confidentiels dans des modèles publics), une confiance excessive dans les réponses de l'IA sans validation critique, et l'impossibilité de chaîner des tâches complexes. L'interface intuitive de l'IA générative génère une dangereuse illusion de compétence : parce que l'outil répond instantanément, l'utilisateur croit le maîtriser. L'enjeu n'est plus technique, il est cognitif et méthodologique. Ce constat s'inscrit dans un débat plus large sur la fracture numérique qui se creuse au sein même des entreprises, non plus entre ceux qui ont accès à la technologie et ceux qui ne l'ont pas, mais entre ceux qui savent l'exploiter et ceux qui en restent au stade de la démonstration. Les organisations qui n'investissent pas dans une formation structurée, bien au-delà d'une démonstration rapide de ChatGPT, prennent le risque de voir leur avantage concurrentiel s'éroder face à des concurrents mieux formés. L'enjeu est de transformer les collaborateurs en véritables "directeurs artistiques" de l'IA, capables d'orchestrer les outils plutôt que de les subir. Sans ce changement de posture, la promesse de productivité portée par l'IA générative restera lettre morte pour la majorité des entreprises qui ont pourtant déjà signé le chèque.