L’IA a déplacé le goulot d’étranglement, elle ne l’a pas supprimé
Par Xavier Franco, CEO de Elternativa · Grupo Zemsania
· 7 min de lecture
Rédigé avec l’aide de l’IA et relu par Xavier Franco

Dans cet article
- Écrire du code n’est plus le problème
- Le technicien veut tout comprendre, et c’est raisonnable
- Le contrôle est dans le contrat, pas dans la lecture de chaque ligne
- Intégrer, documenter et auditer font aussi partie du cycle
- Que mesurer pour savoir si l’IA passe à l’échelle
- Par où commencer
- Comment nous vous aidons
Nous l’avons vécu avant tout le monde. Vous donnez de l’IA à votre équipe de développement, le code se met à sortir deux fois plus vite et, quelques semaines plus tard, quelqu’un vous dit que les livraisons n’ont pas accéléré autant. Le goulot d’étranglement n’a pas disparu : il s’est déplacé. Si vous dirigez la technologie, vous avez intérêt à savoir où, car c’est là que se joue la différence entre avoir de l’IA et avoir une IA qui passe à l’échelle.
Écrire du code n’est plus le problème
Pendant des années, le goulot d’étranglement du SDLC, le cycle de vie du développement logiciel, se trouvait dans l’écriture du code. Les bras manquaient. L’IA a résolu cette partie mieux que nous ne l’espérions : selon l’enquête Stack Overflow 2025, avec plus de 49 000 réponses, 84 % des développeurs utilisent déjà ou prévoient d’utiliser des outils d’IA.
Mais le cycle ne s’arrête pas à l’écriture. Ensuite, il faut relire, tester, intégrer, documenter et auditer. Et ces phases fonctionnent toujours au rythme d’avant, avec les mêmes personnes.
Le résultat est facile à imaginer : chacun produit deux fois plus et la personne qui relit reste la même. La file s’allonge précisément là où nous avions déjà le moins de monde.
Concrètement : regardez vos pull requests du dernier mois. Combien de temps s’écoule en moyenne entre l’ouverture et l’approbation d’une pull request ? Si ce délai a augmenté depuis que vous utilisez l’IA, vous savez où se trouve votre nouveau goulot d’étranglement.
Le technicien veut tout comprendre, et c’est raisonnable
Il y a ici un point qui me paraît important, parce qu’on le présente parfois comme un problème d’attitude et ce n’en est pas un. Le technicien veut comprendre tout ce que fait l’IA avant de l’accepter. C’est raisonnable : il n’a pas le contrôle.
Les données le confirment. Dans la même enquête Stack Overflow, 46 % des développeurs disent ne pas faire confiance à la précision de ce que produisent les outils d’IA, contre 31 % l’année précédente. Et pour 45 %, l’une des principales frustrations est que déboguer le code généré par l’IA prend beaucoup de temps.
À cela s’ajoute le désordre qui apparaît quand chacun travaille avec son IA à sa manière :
- la même chose faite de deux façons dans deux parties du système ;
- ce qui a été appris reste dans une conversation que personne ne relira ;
- personne ne sait qui a écrit quoi : une personne ou un modèle.
Dans ces conditions, relire ligne à ligne n’est pas de la défiance. C’est la seule forme de contrôle que nous avons laissée au technicien.
Concrètement : demandez à votre équipe ce qui l’inquiète quand elle relit du code généré par l’IA. Elle vous dira où la méthode fait défaut.
Le contrôle est dans le contrat, pas dans la lecture de chaque ligne
La solution n’est pas de relire plus vite. C’est de déplacer le contrôle au début du cycle. Si, avant que l’IA n’écrive une ligne, on a déjà fixé ce qu’elle doit faire, dans quelles limites et avec quels tests, la revue cesse d’être une lecture complète et devient une vérification par rapport à quelque chose de concret.
Voici comment nous procédons, phase par phase :
- Exigence et plan. Chaque tâche naît avec ses critères d’acceptation fixés à l’avance. Ils ne changent pas ensuite.
- Développement. Plusieurs instances d’IA travaillent en parallèle, sans que personne n’ait à courir après elles.
- Tests. Ils sont exécutés par une instance différente de celle qui a écrit le code. Personne ne valide son propre travail.
- Revue et validation. Une personne de votre équipe valide la clôture au regard des critères, et sa signature est enregistrée.
- Pull request et déploiement. L’IA ouvre la pull request et respecte votre Git et votre CI/CD.
- Évolutions et support. Dans la même file, avec ce qui a été appris transformé en règles que la tâche suivante reçoit déjà.
Le technicien cesse de courir après l’IA. Il définit, valide et décide.
Concrètement : prenez la prochaine fonctionnalité que vous allez construire et écrivez ses critères d’acceptation avant de commencer. Cela suffit déjà à changer la revue.
Intégrer, documenter et auditer font aussi partie du cycle
Les trois autres phases qui se bloquent ont besoin de la même chose : de la méthode, pas plus d’heures.
- Intégrer. Une même méthode et les mêmes règles pour chaque IA, et chaque tâche réserve les ressources dont elle a besoin, pour que deux travaux en parallèle ne se marchent pas dessus.
- Documenter. Les connaissances du projet (normes, décisions et réunions) vivent dans un système que l’IA consulte, et non dans la tête d’une personne ou dans une conversation perdue.
- Auditer. Tout est tracé : qui a demandé, qui a fait, qui a validé et combien cela a coûté.
Quand ces phases fonctionnent, l’effet de l’IA se voit dans les livraisons et pas seulement dans la vitesse d’écriture.
Concrètement : cherchez dans votre dernier projet une décision technique importante. Est-elle écrite quelque part où la prochaine personne, ou la prochaine IA, pourra la trouver ?
Que mesurer pour savoir si l’IA passe à l’échelle
Il y a un risque que je vois souvent : mesurer l’IA à la sensation de vitesse. « Nous allons plus vite » est une perception, pas une donnée. Le rapport DORA 2025 de Google, avec près de 5 000 professionnels de la technologie, le met en chiffres : 90 % utilisent l’IA au travail et plus de 80 % pensent avoir gagné en productivité. Mais 30 % ont peu ou pas confiance dans le code qu’elle génère.
Et il y a une donnée du même rapport que tout directeur technique devrait avoir en tête : l’adoption de l’IA est désormais associée à plus de vitesse de livraison, mais reste associée à moins de stabilité. Plus de changements, plus vite, et plus de choses qui cassent s’il n’y a pas de tests solides, une gestion de versions mature et des cycles courts. DORA le résume en une phrase : l’IA ne répare pas une équipe, elle amplifie ce qui existe déjà.
C’est pourquoi, si vous voulez savoir si votre IA passe à l’échelle, mesurez sur votre dépôt, pas à partir d’enquêtes internes :
- livraisons par semaine et délai jusqu’à la production ;
- temps de revue de chaque pull request ;
- reprises, c’est-à-dire la part de ce qui a été livré qu’il faut retoucher ;
- défaillances après déploiement ;
- quelle part des livraisons sort du flux avec IA et quelle part est encore faite à la main.
Concrètement : relevez ces cinq chiffres dès aujourd’hui, avant de changer quoi que ce soit. Sans photo de l’avant, vous ne saurez jamais si l’après est meilleur.
Par où commencer
Mon conseil est de ne pas essayer de changer tout le cycle d’un coup :
- Mesurez le goulot d’étranglement actuel : temps de revue, reprises et pull requests ouvertes.
- Choisissez une équipe et un type de travail délimité et répétable : évolutions, dette technique ou tests.
- Fixez les critères avant de commencer et séparez celui qui construit de celui qui teste.
- Laissez une personne valider, au regard des critères, pas de son intuition.
- Comparez pendant quelques semaines les livraisons, les reprises et le délai jusqu’à la production, sur votre propre dépôt.
Si les chiffres s’améliorent, vous avez l’argument pour passer à l’échelle. Sinon, vous saurez exactement quelle phase examiner.
Comment nous vous aidons
Chez Agentic Data & Software Engineering, nous orchestrons les IA de développement dont vous disposez déjà, comme Claude Code, Cursor, Codex ou Copilot, sur tout le SDLC : plusieurs instances en parallèle, des tests réalisés par une instance différente et une personne de votre équipe qui valide chaque clôture. Le code reste dans votre Git et les connaissances, dans une base de données qui est la vôtre. Sur le site, nous publions ce que nous mesurons sur le code de nos clients : jusqu’à 2 fois plus de capacité en ingénierie des données et du logiciel avec la même équipe.
Nous le faisons avec Agentagile, notre méthodologie pour développer avec l’IA : votre IA développe, teste et documente ; votre équipe décide. Rien n’avance sans votre feu vert.
Qui relit tout ce que votre IA écrit ?
Nous vous montrons en démo comment plusieurs IA de développement construisent en parallèle, une autre teste et votre équipe valide chaque livraison.


