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.
