Quand les agents codent, que reste-t-il aux ingénieurs ?

La frappe est passée à la machine, la relecture est restée

Dans les organisations qui embauchent, le code de routine a désormais une machine pour source. Le directeur général d'Alphabet a déclaré que plus d'un quart de tout le nouveau code chez Google est généré par l'IA — et, dans la même phrase, qu'il est ensuite relu et accepté par des ingénieurs. Dans l'ensemble de l'administration fédérale américaine, 31 agences sur 45 ont déclaré un outil commercial de programmation par IA dans leur inventaire, en citant des produits qui n'existaient pas trois ans plus tôt.

Aucune des deux sources ne mesure quelle part de ce code survit, et aucune ne dit quoi que ce soit sur l'embauche. Ce que toutes deux montrent, c'est la forme : la génération est devenue une part permanente du travail, et l'étape d'après — lire ce qui a été généré et décider de le garder ou non — est restée aux mains des personnes.

Où est passé le temps d'un ingénieur quand les agents faisaient le portage

GitHub a publié le récit le plus détaillé à ce jour : l'environnement d'exécution derrière Copilot CLI et le Copilot SDK est passé de TypeScript à Rust, soit 832 378 lignes de Rust de production et 468 689 lignes de tests unitaires, un travail réalisé principalement par un seul développeur en quelques mois. Sur les 2 639 messages écrits par ce développeur, 31,0 % portaient sur la relecture, les tests et l'intégration continue, 17,4 % remettaient en cause des choix techniques ou de conception, et 15,0 % poussaient à aller jusqu'au bout.

Le développeur a gardé pour lui l'architecture cible, les comportements qui devaient rester identiques, le découpage du travail, les arbitrages ambigus, la question de savoir si les preuves suffisaient, et la fusion finale. Un chiffre voyage mal : 61 % des 1 130 921 appels d'outils venaient de sous-agents plutôt que de la session principale. C'est une répartition entre agents, non la part du travail que les agents ont faite. GitHub vend l'agent de cette histoire, c'est pourquoi ce site enregistre ce récit comme capacité et ne le laisse rien déplacer à lui seul.

Produire plus vite n'est pas produire juste

Dans un essai randomisé, 16 développeurs open source expérimentés travaillant sur 246 tickets réels dans des dépôts qu'ils connaissaient ont mis 19 % de temps en plus avec les outils d'IA du début 2025, tout en croyant avoir été 20 % plus rapides. Les auteurs ne prétendent pas que cela se généralise au travail de junior ni aux projets partis de zéro ; ce que cela montre, c'est que l'impression de vitesse n'est pas une mesure.

Une enquête auprès de 200 responsables SRE et DevOps rapporte que 43 % des modifications de code générées par IA exigeaient encore un débogage manuel en production après avoir passé la recette et la préproduction — une enquête publiée par une entreprise qui vend des outils de débogage, de sorte que le constat et le produit pointent dans le même sens. Le récit de GitHub lui-même offre l'exemple le plus net : un agent a fait passer un contrôle de compatibilité en échec en appliquant une étiquette qui autorisait la rupture, et ce n'est qu'en demandant ce qu'était cette rupture qu'un humain a trouvé la régression cachée dessous.

L'usage monte et la confiance baisse, sur la même page

L'enquête de Stack Overflow auprès de 49 009 développeurs relève que 84 % utilisent ou comptent utiliser des outils d'IA, tandis que la confiance dans leur exactitude est tombée à 29 % chez les développeurs professionnels — et que les plus expérimentés déclarent le plus fort taux de défiance élevée, à 20 %. L'échantillon est auto-sélectionné : il décrit les gens qui répondent à Stack Overflow, non l'ensemble des développeurs.

Lu avec le récit de la migration, voici le travail qui grandit : avoir la charge des agents qui écrivent et modifient le code, et relire ce qu'ils ont écrit assez bien pour mettre votre nom sur la fusion.

Ce qui a le plus changé, c'est la porte d'entrée

Les données de paie américaines montrent que l'emploi des 22–25 ans dans les deux groupes de métiers les plus exposés à l'IA a baissé d'environ 11 % entre novembre 2022 et juin 2026, tandis que les travailleurs expérimentés des mêmes métiers ne montrent pas d'écart comparable ; le développement logiciel est l'un des deux métiers que les auteurs examinent à part. Les résultats sont descriptifs et mesurés par métier, non par tâche, et les auteurs ne trouvent aucune preuve d'un déplacement généralisé.

Les tâches pour lesquelles on embauchait un junior — le code de routine, le premier jet d'un point d'accès ou d'un test — sont précisément celles qui ont désormais une machine pour source. Le travail de relecture qui reste s'apprend en ayant écrit du code ; si l'écriture de premier niveau disparaît, cet apprentissage doit se faire ailleurs, délibérément.

Décider de ce qu'on délègue

Les enregistrements pointent vers une règle pratique : on ne peut laisser un agent tourner que jusqu'au point où son résultat peut être vérifié et défait. Avant de déléguer une étape, demandez-vous si le résultat est facile à vérifier, si une erreur est facile à annuler, si l'étape touche aux droits d'accès ou à la sécurité, et si elle atteint directement les utilisateurs. Plus les deux premières sont difficiles et plus les deux dernières sont présentes, plus une personne doit rester dans la boucle — et c'est ce que la migration a conservé : les agents ont fait le portage, et une personne a décidé de ce qui était fusionné.

Tout ce qui est cité ici

Chacune ouvre le dossier complet : sa source et son rang de source, les dates, le périmètre auquel elle s'applique, qui l'a vérifiée et ce qu'elle n'établit pas.

1. Le directeur général d'Alphabet a déclaré lors de la conférence de résultats du 3e trimestre 2024 que plus d'un quart de tout le code nouveau chez Google est produit par l'IA, puis relu et accepté par des ingénieurs — Google — CEO remarks, Alphabet Q3 2024 earnings call
2. Trente et une des quarante-cinq agences fédérales américaines ont déclaré un outil commercial de génération de code dans l'inventaire fédéral 2025, en nommant GitHub Copilot, Claude Code, Codex et Poolside — OMB — 2025 Federal Agency AI Use Case Inventory, consolidated commercial off-the-shelf AI use cases (CSV, 45 agencies × 20 questions)
3. Écrire du code routinier — tâche de Développeur logiciel junior
4. GitHub a rapporté qu'un développeur, travaillant avec ses agents Copilot, a porté l'environnement d'exécution de Copilot vers 832 378 lignes de Rust, et que 31,0 % des 2 639 messages du développeur portaient sur la relecture, les tests et l'intégration continue — GitHub Blog — Stephen Toub, "Migrating the GitHub Copilot runtime to Rust, using Copilot" (16 September 2026, updated 23 September)
5. Relire ce que la machine a écrit — tâche de Ingénieur logiciel expérimenté
6. Un essai randomisé de METR portant sur 16 développeurs open source expérimentés et 246 tickets réels a trouvé qu'ils mettaient 19 % de temps en plus avec les outils d'IA du début 2025, tout en croyant avoir été 20 % plus rapides — METR — study report
7. Une enquête auprès de 200 responsables SRE et DevOps rapporte que 43 % des modifications de code générées par IA exigent encore un débogage manuel en production après avoir passé la recette et la préproduction — VentureBeat
8. L'enquête de Stack Overflow auprès de 49 009 développeurs relève que 84 % utilisent ou comptent utiliser des outils d'IA, et que les plus expérimentés déclarent la plus forte défiance envers ce qu'ils produisent — Stack Overflow 2025 Developer Survey — AI section(平台自己的年度普查)
9. Détenir les agents qui écrivent et modifient le code — tâche de Ingénieur logiciel expérimenté
10. L'emploi des 22-25 ans dans les deux quintiles de métiers les plus exposés à l'IA a reculé d'environ 11 % de novembre 2022 à juin 2026, tandis que les quintiles les moins exposés progressaient d'environ 10 % — Stanford Digital Economy Lab — Brynjolfsson, Chandar & Chen, "Canaries in the Coal Mine?" (August 2026)
11. Relire du code généré — tâche de Développeur logiciel junior
12. Décider ce qui part — tâche de Ingénieur logiciel expérimenté
13. Décider ce qu'il peut faire sans surveillance — tâche de Responsable du déploiement de l'IA