Les agents de codage IA peuvent générer du code en une fraction du temps qu’il faudrait à un ingénieur pour l’écrire. Mais cette rapidité ne se traduit pas nécessairement par des mises en production logicielles plus rapides : à mesure que le code s’accumule, les équipes peuvent consacrer plus de temps à en comprendre le comportement, à examiner les changements et à diagnostiquer les pannes.
L’article, écrit par Greg, cofondateur et directeur technique d’Undo, décrit cette évolution comme un déplacement du goulot d’étranglement du développement. L’IA est de plus en plus capable de générer du code, mais peut peiner à déboguer de grandes bases de code complexes. Les couches de changements et la duplication de logique peuvent rendre les logiciels plus difficiles à comprendre, laissant aux ingénieurs davantage de travail de revue et moins de visibilité sur l’origine d’un défaut.
Les conséquences peuvent être particulièrement graves dans des secteurs tels que les services financiers, la conception de semi-conducteurs, les réseaux et les bases de données, où une défaillance logicielle peut perturber des services essentiels. L’article cite le contrôleur national du trafic aérien du Royaume-Uni, qui a déclaré qu’une panne récente, à l’origine de 2 000 annulations de vols et de plusieurs jours de perturbations, était due à un défaut dans un logiciel ancien.
Les chiffres cités dans l’article mettent en évidence un décalage entre la génération plus rapide de code et les gains de productivité mesurables. Il indique que 79 % des responsables de l’ingénierie déclarent que les cycles de mise en production ne se sont pas accélérés, tandis que neuf sur dix affirment que la compréhension du code et le débogage prennent plus de temps dans des environnements complexes, tels que les bases de code en C/C++.
Les agents IA ont également leurs limites lorsqu’il s’agit de diagnostiquer des problèmes. S’ils s’appuient uniquement sur le code source, les journaux et la documentation, ils risquent de ne pas disposer de preuves de ce qui s’est réellement passé pendant l’exécution du logiciel. Selon l’article, 93 % des organisations d’ingénierie ont déjà vu la cause fondamentale d’un problème mal diagnostiquée en raison d’une hallucination de l’IA ; par conséquent, 37 % des équipes n’utilisent les agents pour comprendre le code et le déboguer que dans des bases de code simples.
La solution proposée ne consiste pas simplement à utiliser un modèle plus grand ou plus puissant, mais à fournir de meilleures informations sur le comportement à l’exécution. Donner aux agents accès à un historique de ce qui s’est passé pendant l’exécution pourrait les aider à remonter jusqu’à la cause des pannes et à apporter un soutien plus fiable aux ingénieurs. Sans ce contexte, la génération plus rapide de code risque de déplacer la charge de travail vers les étapes suivantes plutôt que de la réduire.
Sources: TechRadar.