Les agents de codage IA viennent de transformer les développeurs, qui passent de l'écriture à la révision du code

42 % du code que les développeurs commitent aujourd'hui est généré ou assisté par l'IA, contre 12 % en 2025, selon l'enquête State of Code 2026 de Sonar. Cette statistique est constamment citée comme preuve que « l'IA écrit désormais des logiciels ». Elle occulte le changement plus important sous-jacent : 81 % des développeurs disent passer désormais plus de temps à réviser du code généré par IA, et 38 % affirment que réviser une sortie IA demande plus d'effort que réviser le travail d'un collègue. Le travail n'a pas été automatisé ; il a été restructuré — de la production de code à son audit.

Pourquoi la révision est devenue plus difficile, pas plus facile

L'hypothèse intuitive était que le code écrit par IA, libéré de la fatigue et de l'incohérence humaines, serait plus facile à faire confiance et donc plus rapide à réviser. C'est l'inverse qui s'est avéré vrai pour une raison précise : le code généré par IA est faux avec assurance d'une manière que le code humain l'est rarement. Un développeur humain qui ne comprend pas les cas limites d'une bibliothèque écrit généralement un code qui peine visiblement. Un grand modèle de langage génère du code avec la même fluidité syntaxique, qu'il comprenne pleinement l'exigence ou qu'il fasse simplement correspondre des motifs à des exemples d'entraînement superficiellement similaires.

Ce qui change vraiment dans la pratique

Les équipes qui s'adaptent bien à ce changement font trois choses concrètes. D'abord, elles séparent « est-ce que ça fonctionne » de « est-ce correct » comme passes de révision distinctes. Ensuite, elles exigent que les commits assistés par IA incluent le prompt ou la description de la tâche qui les a générés, pas seulement le diff résultant. Enfin, certaines équipes acheminent délibérément le code généré par IA via un second modèle d'IA pour une révision contradictoire avant que des yeux humains ne le voient.

Les compétences qui gagnent réellement en valeur

Les développeurs qui gèrent bien cela ne sont pas les plus rapides à écrire du code — ce sont ceux qui le lisent le mieux, rapidement et correctement. Le jugement architectural suit la même trajectoire. Les modèles d'IA sont bons pour générer du code qui satisfait une spécification à portée locale et bien plus faibles pour reconnaître quand une solution localement correcte crée un problème au niveau du système.

Ce que les équipes doivent faire maintenant

Si les métriques d'adoption de l'IA de votre équipe suivent les lignes de code générées ou le temps gagné à écrire, vous mesurez la mauvaise moitié de l'équation — mesurez plutôt le temps de révision et le taux d'échappement des défauts. Construisez des listes de contrôle de révision spécifiques aux schémas d'échec connus du code généré par IA, et investissez dans la formation explicite des ingénieurs juniors à la lecture et à la vérification du code.