Elle accélère un système sain. Elle aggrave un système fragile. Toute la question est de savoir dans lequel des deux vous êtes — avant de passer à l'échelle.
D'un constat qui dérange à un plan d'action. Lisez le fil principal d'une traite, dépliez ce qui vous concerne.
Tout le monde l'utilise. Presque personne ne mesure ce qu'elle produit.
Le constatLe bon diagnostic ne porte pas sur l'outil, mais sur le système.
Le pivotTrois quick wins, trois paris — et ce qu'il faut savoir refuser.
La priorisationTrois phases, une roadmap, des métriques, un outillage assumé.
La méthodeTrois étapes concrètes pour engager la démarche ensemble.
Le passage à l'acteL'IA Gen est partout dans les équipes. Et pourtant, le système de delivery, lui, n'a presque pas bougé. Regardons ce que dit la donnée — sans complaisance.
Trois chiffres issus des grandes études 2025-2026, et la tension qu'ils dessinent.
Des professionnels tech, avec une médiane de 2 heures par jour — soit un quart de la journée de travail. L'adoption n'est plus un sujet.
C'est ainsi que les développeurs décrivent le résultat produit. Le problème n'est pas le code manifestement faux : c'est celui qui semble correct.
Pour 25 % d'adoption supplémentaire. En 2025, le débit est enfin reparti à la hausse — mais l'instabilité, elle, n'a pas été résorbée.
Même outil, même modèle, même budget. Ce qui change le résultat, c'est le système qui reçoit l'IA — pas l'IA elle-même.
Ce n'est pas une posture de consultant : c'est la conclusion centrale du rapport DORA 2025, après près de 5 000 répondants et plus de 100 heures d'entretiens. L'IA magnifie les forces des organisations performantes et expose les dysfonctionnements des autres. La bonne question n'est donc pas « quel modèle choisir », mais « notre système est-il prêt à digérer cette vélocité ? »
Ce que nous observons en diagnostic, quel que soit le secteur, quand l'IA est déployée sans cadre.
Le volume de code généré dépasse la capacité d'absorption de la revue et du pipeline. C'est l'explication la plus directe de la hausse du taux d'échec des changements après adoption.
« On a doublé les PR. On a doublé la dette. »
Dans les organisations de plus de 5 000 ingénieurs, l'adoption déclarée avoisine 65 % mais l'usage hebdomadaire réel tombe à 35 %. On facture des sièges, pas de la valeur.
« On dépense, on ne sait pas si ça produit. »
Aucune politique unifiée sur ce qui peut sortir du SI. Or DORA identifie précisément la « position IA explicite et communiquée » comme l'une des capacités qui décident de la réussite.
« Pas de position claire, pas de passage à l'échelle. »
Code source et données métier partent sur des comptes personnels. Les développeurs apportent leurs outils préférés indépendamment de la validation de la DSI — d'autant plus quand aucune voie officielle n'existe.
« Bloquer ne suffit pas. Il faut cadrer. »
C'est le mécanisme le plus sous-estimé de toute la transformation. Le temps gagné à écrire est réalloué à vérifier — et cette vérification, elle, n'est presque jamais outillée.
C'est cette zone hachurée qui produit l'instabilité. La réponse n'est pas de générer moins, c'est d'industrialiser la vérification pour la ramener dans le pipeline.
Tant qu'on se demande quel modèle acheter, on se trompe de problème. La vraie question ne parle pas d'outil : elle parle de système.
Ce glissement change tout : le périmètre, le sponsor, le budget et la définition du succès.
« Quel modèle faut-il choisir ? »
→ La mauvaise question.
« Notre système est-il prêt à digérer la vélocité de l'IA ? »
→ Le bon diagnostic.
Chaque pilier est noté en entretien terrain, puis pondéré. Le modèle recoupe les capacités que DORA identifie comme déterminantes : position IA explicite, écosystème de données sain, plateforme interne de qualité, gestion de version robuste, travail en petits lots.
Position IA explicite, cadre d'usage clair, sponsorship exécutif, ownership partagé entre IT, métier, juridique et RSSI.
RisqueShadow AI, litiges de propriété intellectuelle, fuites de données.
Accessibilité, qualité, fraîcheur et gouvernance de la donnée. C'est le pilier le plus lourd, et presque toujours le maillon faible.
RisqueHallucinations, RAG inexploitable en production.
Usage réel et non déclaratif, cadrage par problème utilisateur, mesure de la valeur, montée en compétences.
RisquePOCs gadgets, sièges payés sans usage.
Versioning du code et des prompts, petits lots, rollback, CI/CD intégrant l'IA — la discipline qui transforme la vitesse en qualité.
RisqueDette accumulée plus vite qu'elle n'est résorbée.
Socle homogène, sortie des POCs, self-service, scalabilité multi-équipes — la condition du passage à l'échelle.
RisquePOCs isolés, aucune brique réutilisable.
L'échelle ne sert pas à juger : elle sert à définir le bon prochain pas, sans demander à un niveau 2 de scaler comme un niveau 4.
Score typique à l'entrée d'un grand compte. La marge de progression n'est pas un défaut — c'est l'opportunité.
On ne peut pas tout faire en même temps — et on ne doit pas. Les quick wins financent les paris stratégiques, et savoir dire non protège le budget des illusions séduisantes.
Un outil simple pour cadrer un atelier — et protéger le sponsor contre la hype.
Créer la traction et financer la suite.
Préparer, sponsoriser, cadrer.
Utiles pour apprendre, pas pour transformer.
Écarter à court terme.
Haut impact, forte faisabilité, premiers résultats en moins de 45 jours. Ces cas prouvent la valeur et financent les paris stratégiques.
Remettre la vérification dans le pipeline, là où le volume généré a saturé la revue humaine.
Les PR s'accumulent, les reviewers sont submergés. Le code généré est jugé plus difficile à relire que le code humain, et la revue devient le goulot d'étranglement du delivery.
Un modèle branché sur le pipeline CI/CD : détection d'anti-patterns, vérification des conventions internes, alertes sécurité à chaque PR. La revue humaine se concentre sur l'architecture et l'intention, plus sur la syntaxe.
Rendre lisible un patrimoine que plus personne ne sait expliquer, sans y consacrer six mois-homme.
Legacy Java, COBOL ou .NET quasi non documenté. L'onboarding d'un développeur prend des mois, et chaque évolution repose sur deux ou trois sachants.
Un pipeline de génération de README, d'ADR et de commentaires à partir du code existant, exécutable en local ou sur cloud souverain selon la sensibilité du patrimoine. La documentation est régénérée à chaque évolution, donc elle ne périme plus.
Offrir une voie officielle, sécurisée et tracée — la seule réponse qui fasse réellement reculer le Shadow AI.
Des assistants utilisés sans garde-fou, du contexte propriétaire envoyé vers des services externes, et un RSSI sans visibilité. Interdire ne fait que déplacer l'usage vers les comptes personnels.
Plans entreprise avec non-rétention des données, SSO et journaux d'audit, filtrage des secrets et des données personnelles en sortie, contexte interne fourni par un index local. Le choix de l'outil reste le vôtre : nous cadrons l'usage, pas la marque.
Fort impact métier, mais un socle data mature est nécessaire. Ne pas démarrer ici à froid.
Transformer un corpus documentaire ingérable en réponse sourcée, obtenue en quelques secondes.
Plus de 10 000 pages de procédures et de conventions, impossibles à maintenir et à parcourir. Les conseillers se trompent, ou sollicitent systématiquement l'expert.
Une architecture de recherche augmentée sur le corpus complet, interrogeable en langage naturel, avec citation systématique de la source. Hébergement en Union européenne, modèle choisi selon vos contraintes de souveraineté.
Absorber les pics sans recruter, en supprimant le routage manuel ticket par ticket.
Support N1/N2 saturé. Le routage manuel prend 10 à 15 minutes par ticket, et ce coût est démultiplié à chaque pic d'activité.
Analyse sémantique des logs et des tickets, classification automatique, suggestion de résolution issue de l'historique, routage en moins de 30 secondes. L'escalade reste décidée par un humain.
Rendre exploitable une règle métier enfouie dans du legacy, sans réécrire le système qui la porte.
Des gestionnaires qui passent près d'un tiers de leur temps à interpréter des règles dispersées dans des systèmes hétérogènes, avec un risque d'erreur porté par l'individu.
Un agent connecté au core métier qui restitue les règles applicables à un dossier, avec validation humaine systématique avant toute décision. La traçabilité est native, ce qui rend la conformité AI Act démontrable plutôt que déclarative.
C'est ici que la stratégie devient opérationnelle. Trois chapitres : comment nous conduisons la démarche, comment nous la pilotons, et avec quel outillage.
Acculturer pour aligner. Diagnostiquer pour objectiver. Déployer pour transférer l'autonomie. Chaque phase se termine par un arbitrage Go / No-Go : vous pouvez sortir à chaque étape.
Créer un langage commun, aligner le leadership et poser les fondations de gouvernance.
Auditer objectivement le système, construire le blueprint d'architecture et chiffrer le business case.
Déployer, certifier les équipes, livrer en production et transférer l'autonomie.
Cadre stratégique et charte : ambition 18 mois, lignes rouges réglementaires, gouvernance et ownership.
Scorecard et radar DORA : scoring des 5 piliers, observations terrain, cartographie des risques.
Blueprint de la voie sécurisée : de l'IDE à la production, briques LLMOps, RAG et couche data.
Business case et ROI modélisé : baseline mesurée, gains cibles par cas d'usage, trois scénarios.
Roadmap 18 mois et jalons Go / No-Go : plan 90 jours, flux cadencés, plan de conduite du changement.
Tableau de bord et cadence de revue : métriques, comitologie, rituel trimestriel.
Une trajectoire à 90 jours, un double étage de métriques, et une lecture honnête de la courbe d'apprentissage.
Applicable dès la fin de la phase 1. Un owner, un jalon et un livrable à chaque étape.
La performance de delivery d'un côté, la qualité de l'adoption de l'autre. L'un sans l'autre ne dit rien : un débit qui monte pendant que la stabilité baisse n'est pas un succès.
L'adoption s'accompagne d'un creux de 6 à 12 mois. Sans mesure, il est lu comme un échec — et le budget est coupé juste avant la bascule.
Calibration des pratiques, instructions partagées et vérification déterministe restent à mettre en place.
Passerelle, index vectoriels, LLMOps : un investissement initial avant l'effet de levier.
Les équipes apprennent. C'est un coût de scolarité anticipé, pas un signal d'échec.
Le suivi continu transforme ce creux attendu en investissement piloté. C'est la différence entre une transformation qui aboutit et une transformation abandonnée en cours de route.
Le chemin standardisé qui permet de mettre du code assisté par IA en production sans dégrader la stabilité. C'est le cœur opérationnel de la démarche.
Chaque étape est un point de contrôle. La boucle rouge est la contrainte structurante : sans elle, le pipeline accélère la production de dette au lieu de la filtrer.
Jamais plus de 48 heures entre un commit et sa revue. L'IA produit du code plus vite que l'humain ne le relit : sans petits lots imposés par le processus, la vélocité apparente devient une dette technique garantie. C'est aussi l'une des capacités que DORA identifie comme déterminantes.
Le marché des agents de code d'entreprise pèse environ 10 milliards de dollars et se recompose chaque trimestre. Citer deux outils serait déjà daté. Voici les catégories qui structurent une architecture — les exemples sont indicatifs, jamais prescriptifs.
L'éditeur est repensé autour de l'IA. Capacités souvent les plus avancées, au prix d'un changement d'outil pour les équipes.
Une extension dans l'éditeur existant. Adoption plus douce, capacités bornées par le format du plugin.
Ils planifient, exécutent et vérifient des tâches multi-étapes. C'est le segment qui progresse le plus vite : le mode agent concentre déjà plus de la moitié des usages.
Propriétaires ou à poids ouverts. Le choix se fait par usage et par contrainte de confidentialité, pas par classement générique.
Là où s'arbitrent la localisation des données, la non-rétention et la réversibilité. Le sujet qui débloque — ou bloque — les secteurs régulés.
Le pilier le plus lourd du scorecard. Sans données accessibles et fraîches, aucun cas d'usage métier ne tient en production.
La brique qui absorbe la « verification tax ». C'est elle qui rend le volume généré soutenable.
Filtrage des données sensibles, journalisation, registre des systèmes IA, traçabilité opposable au titre de l'AI Act.
Ce panorama est indicatif et non exhaustif — le marché se recompose trop vite pour qu'une liste reste juste plus de quelques mois. Nous ne revendons aucune licence et ne sommes engagés avec aucun éditeur. Le choix se fait sur vos contraintes : sensibilité des données, écosystème existant, exigences de souveraineté, compétences en place. Ce que nous cadrons, c'est l'usage et l'architecture — pas la marque.
Trois étapes pour engager la démarche ensemble et passer de l'expérimentation à une capacité durable.
Baseline mesurée, cartographie des risques, cas d'usage prioritaires et feuille de route.
Priorités, gouvernance, trajectoire et critères de succès partagés.
Expérimentation instrumentée, mesure d'impact et décision de passage à l'échelle.
