Plan

• Utilisation possible : Créer du code de démonstration
• Utilisation possible : automatisation de tâches d’aide au développement
• Utilisation possible : Créer un bout de code
• Utilisation possible : Écrire une application entière
• Utilisation possible : Faire du refactoring
• Utilisation possible : Écrire les tests
• Utilisation possible : écrire la documentation
• Utilisation possible : aide à l’analyse de code
• Marché de l’emploi
• Utilisation dans le milieu professionnel
• Productivité
• Sécurité du code produit
• Quelques réflexions
• Coûts directs de l’utilisation des IA génératives

Utilisation possible : Créer du code de démonstration

Exemples

• prototype : exemple de ce que le client voudrait, mais jeté ensuite
• preuve de concept (PoC) : exemple jouet pour voir si un truc pourrait fonctionner

Bénéfice / Risque

• Gain énorme de temps (avant, sur un projet de 2 ans, écrire un premier prototype pouvant prendre 3 mois)
• Quasiment aucun risque : le code produit sera de toutes façons jeté

Utilisation possible : automatisation de tâches d’aide au développement

Exemples

• automatisation de certaines sauvegardes
• restructuration de ses fichiers
• génération de rapports

Mise en œeuvre

L’IA ne doit pas faire le travail, elle doit créer les outils qui feront le travail.

Bénéfice / Risque

• Peut faire gagner beaucoup de temps sur des tâches répétitives
• Faire manipuler des fichiers peut être dangereux :
  • attention aux droits donnés à l’IA
  • s’assurer d’avoir une sauvegarde de confiance
  • relire et comprendre ce qu’a généré l’IA

Utilisation possible : Créer un bout de code

Exemples

• Écrire une classe à la structure assez simple
• Écrire une fonction assez standard
• Écrire du code sans conséquence, mais “pénible” (formatage de sorties par exemple)
• Écrire une classe complète

Bénéfice / Risque

• Peut faire gagner du temps
• Pas exempt de risques de bugs : relire attentivement le code produit
• Risque de valider trop rapidement le code produit
• Préférer écrire les cas de test avant

Utilisation possible : Écrire une application entière

Ce qui ne marchait pas en 2022 semble marcher “pas mal” en 2026

Bénéfice / Risque

• permet à des non-informaticiens d’avoir facilement un code à peu près satisfaisant
• mais :
  • présence de bugs hautement probable
  • code important généré d’un coup -> code difficile à relire
  • si les specs fonctionnelles sont plutôt bien implantées, nombreux autres problèmes :
    • failles de sécurité ;
    • montée en charge pas gérée ;
    • pas d’évaluation de la complexité algorithmique du code produit
    • …
  • gain de temps sur le codage perdu dans la mise au point

Utilisation possible : Faire du refactoring

Refactoring : restructurer son code pour qu’il ait de meilleures propriétés sans changer sa fonctionnalité

Pour un certain nombre de tâches de refactoring, il existe déjà des fonctionnalités non-IA des IDE qui peuvent aider (renommage d’une variable par exemple)

Mais l’IA peut permettre d’aller plus loin

Exemples

• Réécrire automatiquement le code pour ne pas avoir des méthodes de plus de 10 lignes
• Modifier les conditions dans les tests (if et while) pour éviter la présence de plus d’un opérateur booléen ;
• …

Bénéfice / Risque

• Modification du code -> potentiellement dangereux
• inenvisageable sans l’existence préalable de jeux de tests

Utilisation possible : Écrire les tests

Pourquoi ?

• Tous les développeurs se sont rendus compte depuis 50 ans qu’écrire des tests était indispensable
• L’existence d’outils comme JUnit et le développement des méthodes agiles a amené les développeurs à prendre conscience qu’il fallait écrire beaucoup de tests exécutables automatiquement
• Les développeurs continuent souvent à penser qu’écrire des tests reste une perte de temps (pendant ce temps-là, on n’écrit pas du code applicatif)
• La grande majorité des développeurs ne sait pas écrire des jeux de test pertinents

Bénéfice / Risque

• Les IA écrivent des tests à partir de ce qu’elles ont “appris” du web -> de mauvais jeux de test
• Les jeux de tests écrits à partir du code sont biaisés :
  • assurent la couverture de code ;
  • utilisent le code comme oracle -> n’apportent donc aucune garantie sur la validité du résultat attendu
• Les jeux de tests écrits à partir des spécifications sont incomplets :
  • les spécifications sont en général incomplètes ;
  • les IA complètent bien sur le “classique”, mais mal sur le reste

Les tests devraient être le garde-fou humain qui reste (Human in the loop). L’IA peut collaborer à leur écriture, mais l’humain doit rester le maître d’œuvre.

Utilisation possible : écrire la documentation

Pourquoi ?

Documenter son code est souvent fastidieux, et prend du temps sur le développement. C’est donc une tâche souvent reportée à la fin et bâclée.

Bénéfice / Risque

• Commenter automatiquement globalement un ancien code pas commenté : incontrôlable sur une grande échelle ; à éviter
• Commenter une fonction déjà écrite : possible, mais nécessite relecture
• Commentaire prélable à l’écriture d’une fonction :
  • permet d’augmenter les chances que l’IA écrive ensuite correctement la fonction
  • doit nécessiter une relecture attentive pour s’assurer que la documentation est la plus complète possible

Utilisation possible : aide à l’analyse de code

Pourquoi ?

Un développeur est souvent amené à reprendre un code gigantesque qu’il n’a pas écrit :

• reprise d’un ancien projet à débugguer / faire évoluer / réimplanter
• intégration dans un projet en cours de développement

Bénéfice / Risque

• Pas beaucoup de risque (pas de travail d’écriture sur le code)
• Peut faire gagner beaucoup de temps pour comprendre :
  • la structure du projet ;
  • le rôle d’une fonction pas ou mal documentée ;
  • l’importance de certaines “verrues” dans le code

Marché de l’emploi

Analyse générale

• aux États-Unis, de nombreuses entreprises ont licencié en masse… avant de réembaucher ;
• En France, baisse de la demande :
  • situation économique
  • sensation que les “juniors” peuvent être avantageusement remplacés par l’IA, mais :
    • les futurs juniors seront mieux formés à l’utilisation de l’IA que les séniors ;
    • problème de la dette technique avec les prochains départ en retraite des séniors.

Quelques chiffres :

• Conjoncture :
  • ralentissement de l’augmentation en 2025 (+2% seulement)
  • reprise en 2026 (+4,3%)
• Baisse de l’emploi développeur :
  • -1,6% aux USA
  • -3% en France, touchant surtout les juniors (-7,4%)
• Augmentation des offres “IA” : +340% (International)
• Évolution des salaires en France :
  • Chief AI Officer (CAIO) : 100 k€ à 160 k€
  • LLMOps / MLOps Engineer : 85 k€ à 125 k€.
  • AI Security Specialist : 80 k€ à 120 k€ (impulsé par l’AI Act européen).
  • Rôle de Prompt Engineer se normalise (32 k€ à 75 k€)

Utilisation dans le milieu professionnel

• Utilisation par les entreprises
  • 88% des organisations déclarent utiliser l’IA
  • 6% constatent une augmentation de leur résultat d’au moins 5% (chiffre 2026)
• Utilisateurs quotidiens (2026)
  • 30% à 40% en moyenne
  • 80% dans les “équipes de haut niveau”
  • 20% des développeurs refusent d’utiliser l’IA :
    • contraintes de temps ;
    • manque de formation ;
    • restrictions de sécurité ;
    • qualité des résultats

Productivité

Quelques chiffres

• avec Copilot en 2023, production de code : +56%
• aucun gain réel au final (étude 2026) : gain sur la production de code perdu dans la vérification et le débuggage
• effet IKEA annihilé :
  • avant : envisager une nouvelle solution prenait du temps -> envie de la défendre
  • maintenant : demande moins d’effort -> on ne la propose même pas par peur du rejet

Évolution des pratiques (chiffres 2026, évolution 2023 - 2026)

• refactoring : -70%
• copier-coller : +41%
• blocs dupliqués (blocs de +5 lignes contigus répétés) : + 81%
• modification du code hérité : -74%
• modifications à court terme (code churn) : + 25% sur 2024 - 2026

Sécurité du code produit

• entre 40% et 50% du code produit par IA contient des failles de sécurité (chiffre 2022)
• 29% de confiance dans la qualité des sorties IA (chiffre 2026)
• vulérabilité présentes 1,7 fois plus souvent
• prédiction de 40% d’échecs ou d’annulation sur les projets optimisés par IA d’ici 2027

Quelques réflexions

• le choix du langage influence la qualité du produit (voir document)
  • plus un langage est typé meilleurs sont les résultats ;
  • plus un langage est populaire chez les non-informaticiens moins bons sont les résultats ;
  • plus un langage est populaire chez les informaticiens meilleurs sont les résultats
• si le code finit par n’être produit plus que par des IA, va-t-on aller vers de nouvelles idées ?
• faut-il encore s’intéresser à la qualité du code ? Certains prétendent que cela n’a plus d’intérêt, le code n’ayant plus à être relu par des humains mais :
  • même pour les IA, plus un code est de qualité, meilleurs seront les résultats de l’IA sur ce code ;
  • même pour les IA, plus les codes accessibles pour leur entraînement est de qualité, plus les IA produites sont bonnes
  • un humain aura toujours tôt ou tard à revenir sur du code produit par une IA

Coûts directs de l’utilisation des IA génératives

• coût “au token” :
  • forte augmentation en 2025
  • forte diminution en 2026

• coût sur une tâche (extraction de données sur 100 factures PDF) - 2026 :