Former des ingénieurs juniors dans un monde du code dominé par l’IA

Quand l’IA accélère le code, mais complique la relecture

Les modèles de langage bouleversent la manière dont les équipes logicielles travaillent. Ils produisent désormais du code en quantité, parfois très vite, avec des résultats qui semblent propres au premier regard. Pourtant, derrière une syntaxe impeccable peuvent se cacher des hypothèses erronées, des failles de sécurité ou des bugs discrets qui n’apparaissent qu’après déploiement. C’est précisément ce décalage entre vitesse de production et fiabilité qui oblige les entreprises à repenser leurs méthodes de code review.

Un nouveau goulot d’étranglement pour les équipes techniques

La difficulté n’est plus seulement d’écrire du code, mais de le vérifier. Selon une enquête Sonar menée auprès de plus de 1 100 développeurs, l’IA représenterait 42 % du code ajouté aux bases partagées, mais 96 % des répondants ne lui feraient pas totalement confiance. Ce contraste illustre un enjeu central : l’IA aide à prototyper et à expliquer, mais elle peut aussi produire un code qui paraît juste sans l’être réellement.

• 42 % du code partagé estimé comme généré par l’IA
• 96 % des développeurs ne lui accordent pas une confiance totale
• 38 % jugent la relecture du code IA plus exigeante
• 61 % disent que ce code semble correct mais reste peu fiable

Des entreprises qui déplacent la vérification en amont

Face à cette pression, plusieurs organisations choisissent de revoir leurs processus dès la phase de préparation. Chez Amazon, des ingénieurs passent davantage de temps à définir précisément ce que l’agent doit faire avant même qu’il n’écrive la première ligne. Une spécification détaillée sert de garde-fou : elle décrit le comportement attendu, les contraintes techniques et les cas limites. Un simple oubli peut coûter cher, comme lorsqu’un agent a généré 25 000 lignes dans la mauvaise version de Swift, provoquant 600 erreurs impossibles à corriger d’un coup.

Chez Synthesia, la montée en puissance est spectaculaire : les pull requests ont augmenté de 120 % sur un an, et 95 % contiennent du code produit par l’IA. L’entreprise a donc renforcé la discipline de relecture, car la duplication de fonctions, les incohérences et les versions concurrentes du même bloc de code deviennent fréquentes lorsque les agents manquent de contexte.

Des agents spécialisés pour filtrer les erreurs courantes

Une autre stratégie consiste à confier une première passe de contrôle à d’autres agents IA avant toute intervention humaine. L’idée est simple : laisser des outils automatisés vérifier si le code fonctionne, s’il respecte le plan initial et s’il introduit des risques de sécurité. Chez AWS, ces vérifications préalables servent à éliminer les défauts les plus évidents, ce qui permet aux humains de se concentrer sur les points les plus sensibles.

• Comparer le code avec le plan de départ
• Tester le fonctionnement attendu
• Détecter les failles de sécurité
• Vérifier la conformité avec les règles internes

Chez Bonterra, les agents évaluent aussi la conformité avec les standards d’accessibilité, les règles de sécurité et les exigences de design. Un score de confiance faible ou un signalement de risque renvoie automatiquement la tâche vers un humain, surtout pour les systèmes liés aux paiements ou aux données personnelles.

Humains et machines : une répartition plus stricte des responsabilités

Cette évolution ne retire pas la responsabilité aux ingénieurs. Au contraire, certaines entreprises durcissent même leurs exigences. Chez Temporal, la politique dite “Send Back” oblige le développeur à expliquer avec ses propres mots les choix de conception de l’agent et la manière dont le code gère les situations inhabituelles. Si l’explication n’est pas convaincante, la relecture est refusée.

Des experts du secteur alertent aussi sur le risque de “théâtre d’approbation” : un humain valide une fonctionnalité après un simple survol, sans comprendre en profondeur le raisonnement qui a produit le code. Cette situation devient plus fréquente quand les volumes augmentent trop vite. Les équipes doivent donc choisir entre rapidité et maîtrise réelle, sans céder à la tentation d’un contrôle purement formel.

Former les juniors dans un monde où l’IA écrit à leur place

La transformation touche aussi la formation des jeunes ingénieurs. Si l’IA prend en charge une grande partie de l’écriture, comment apprendre à juger la qualité d’un logiciel ? Chez IBM, l’approche consiste à confier plus tôt des projets ambitieux aux nouveaux diplômés, avec l’aide de l’IA pour l’implémentation et les tests. Lorsqu’un problème apparaît, le junior doit analyser l’échec, corriger le code puis soumettre sa version à un senior.

• Apprendre à définir le besoin métier
• Comprendre les choix techniques de l’agent
• Identifier les cas limites
• Assumer la responsabilité du résultat final

Chez Synthesia et Bonterra, les profils moins expérimentés travaillent aussi avec un encadrement renforcé, souvent aux côtés d’un senior et d’un agent. L’objectif est clair : apprendre à diriger l’outil, à questionner ses sorties et à construire le jugement technique indispensable à long terme. Dans ce nouveau paysage, la vraie compétence ne consiste plus seulement à produire du code, mais à savoir reconnaître celui qui mérite de passer en production.