Pendant des décennies, les équipes chargées des logiciels ont fonctionné en partant du principe que « l’automatisation s’accélère toujours ». Mais des données contrôlées récentes suggèrent une histoire plus nuancée, surtout lorsqu’il s’agit de développeurs expérimentés. Dans un essai contrôlé randomisé (ECR) réalisé en 2025 auprès de contributeurs open source chevronnés, MÈTRE les chercheurs ont découvert que permettre IA l’assistance a augmenté le temps de tâche d’environ 19 % par rapport au travail sans IA. Sommes-nous en train de dire L’IA ralentit les développeurs experts?
Que trouver va à l’encontre de l’intuition : les développeurs dans l’étude attendu une accélération de 24 %, et par la suite, ils pensaient toujours que l’IA avait amélioré leur débit de 20 %. En d’autres termes : l’IA semblait utile, mais en pratique, elle ralentissait les choses.
De quelles manières l’IA pourrait-elle ralentir la productivité (en particulier pour les développeurs expérimentés) ?
Le Etude METR Les auteurs étudient les causes possibles du ralentissement des développeurs experts par l’IA, en isolant cinq facteurs contributifs plausibles. Quelques-uns se démarquent particulièrement :
- Changement de contexte et surcharge de vérification: Lorsque les humains doivent interpréter, corriger ou adapter le code généré par l’IA, les étapes de vérification supplémentaires imposent des frictions.
- Suggestions de modèles mal alignées sur des normes internes élevées: Les experts opèrent selon des conventions strictes, des normes de test/couverture, de la documentation ou des contraintes architecturales. Le résultat de l’IA nécessite souvent une réécriture ou une refactorisation.
- Courbes d’apprentissage et maturité limitée des outils: Dans le étudede nombreux développeurs n’ont utilisé des outils d’IA comme Cursor ou des agents basés sur Claude que pendant quelques dizaines d’heures. Une maîtrise approfondie des incitations, des échafaudages de chaîne de pensée ou des modèles affinés pourrait venir plus tard.
- Adoption partielle versus immersion totale: Parce que les développeurs avaient le option pour utiliser l’IA, ils ont hésité entre les modes, ce qui a entraîné des coûts de changement de contexte.
Il est important de noter que les auteurs de l’étude préviennent que ces résultats sont un instantané d’un paramètre spécifique (développeurs expérimentés travaillant dans des bases de code familières), et non d’une condamnation générale de l’IA dans les logiciels. En effet, l’IA peut encore s’avérer utile dans d’autres contextes, par exemple pour les développeurs débutants ou dans des domaines moins familiers.
Plus lentement maintenant, plus vite plus tard : une perspective de gestion du changement
Ce ralentissement de la productivité à court terme n’est pas un échec de l’IA, mais fait partie de la courbe d’adoption. Dans la théorie du changement organisationnel, les premières phases voient souvent des régressions ou des baisses de productivité à mesure que les équipes absorbent de nouveaux outils, révisent les flux de travail et réalignent les rôles. C’est le « coût de démarrage à froid » de la transformation.
Dans les modèles d’adoption technologique, nous nous attendons à :
- Friction d’intégration – Les équipes doivent apprendre à intégrer l’IA, à mettre à jour les conventions et à résoudre les inadéquations.
- Itération de travail d’outillage – Des modifications telles que les bibliothèques d’invites, le réglage fin du modèle, les garde-fous et les adaptateurs de domaine apparaissent progressivement.
- Institutionnalisation – Au fil du temps, l’IA s’intègre dans les workflows de développement ; les performances s’améliorent une fois les boucles de rétroaction, l’intégration et les normes établies.
Dans cette optique, un ralentissement anticipé de 19 % n’est pas un bug, c’est un signal : nous sommes dans une phase de transition.
Mais cela n’excuse pas les déploiements aveugles. La clé est déploiement ciblé: placer l’IA là où elle génère un gain net et atténuer là où elle produit de la traînée.
Placer l’IA aux bons endroits, de manière pragmatique
À gérer la transition eh bien, le leadership devrait considérer :
- Utilisez l’IA pour l’échafaudage, pas pour la logique de base: laissez l’IA vous aider avec le passe-partout, les talons de test, la documentation ou les modèles de code. Laissez le raisonnement architectural, la logique des cas extrêmes et les subtilités spécifiques au domaine aux humains.
- Adoptez des workflows en mode mixte: les membres de l’équipe peuvent activer l’assistance de l’IA en fonction du contexte, par exemple, zones de sécurité ou chemins de code à haut risque.
- Organisez des modèles sensibles au domaine: entraînez ou affinez l’IA sur les modèles, les guides de style et les bibliothèques internes de votre base de code, réduisant ainsi les frais généraux de « réparation des incompatibilités ».
- Habilitation et formation progressives: Permettez aux équipes d’acquérir de l’expérience dans des sous-systèmes moins critiques, d’instaurer la confiance et d’évoluer progressivement.
- Boucles d’instrumentation et de rétroaction: Collectez des mesures sur le temps passé, les modifications des demandes d’extraction et les commentaires des développeurs. Faites évoluer les placements d’IA de manière itérative.
En bref : la bonne IA aux bons endroits peut surmonter les premiers freins.
Pourquoi OpenText DevOps Cloud présente un avantage
Dans le Plateforme OpenText DevOps Cloudnous n’abordons pas l’IA comme une « solution miracle » monolithique. Nous intégrons l’assistance intelligente là où elle présente le delta attendu le plus élevé :
- Suggestions de code contextuelles et infusion de connaissances: Le module IA est étroitement intégré à vos bibliothèques internes, API et architecture, réduisant ainsi les sorties mal alignées.
- Garde-corps et priorité du développeur: Nous intégrons des chemins de sécurité et de secours, afin que les développeurs conservent le contrôle ultime lorsque la sortie de l’IA est incorrecte ou mal alignée.
- Gouvernance, traçabilité et auditabilité: Chaque modification assistée par l’IA est enregistrée, traçable et révisable, conformément aux mandats de conformité de l’entreprise.
- Déploiement incrémentiel avec télémétrie d’utilisation: Nous instrumentons l’adoption, suivons les coûts par rapport aux avantages et guidons les équipes tout au long de la transition avec des informations.
- Alignement transversal: Nous ne superposons pas simplement l’IA aux outils de développement. Nous l’intégrons dans CI/CDla gestion des problèmes et l’observabilité — afin que l’intelligence s’infiltre de bout en bout.
De cette façon, Cloud DevOps OpenText ne traite pas l’IA comme un remplacement, mais comme un accélérateur, contrôlé, progressif et adaptatif.
De la traînée à l’accélération
L’étude METR résultat d’un ralentissement de 19 % est révélateur. Cela nous oblige à remettre en question l’hypothèse selon laquelle l’IA accélère toujours les développeurs experts. Si elle est appliquée sans stratégie, l’IA peut ralentir les développeurs experts pendant une courte période. Mais cela n’annule pas le potentiel de l’IA. Il souligne plutôt que l’adoption est un voyage : il y aura des frictions, des faux pas et des faux départs.
La voie à suivre n’est pas « l’IA partout, dès maintenant », mais « l’IA aux bons endroits, avec la bonne discipline ». Grâce à un déploiement progressif, à l’alignement des domaines, aux boucles de rétroaction et à la gouvernance, la traînée se transforme en accélération.
Cherchez un Plateforme DevOps qui fournit une orchestration, de l’intelligence et du contrôle afin que les équipes puissent dépasser la baisse de productivité initiale et atteindre des gains durables, sans sacrifier la qualité du code, la fiabilité ou la confiance des développeurs.
Téléchargez le guide pour découvrir comment les experts s’y prennent : 9 experts sur les plateformes DevOps d’entreprise.
Le poste Quand l’IA ralentit les développeurs experts et pourquoi cela fait partie du voyage est apparu en premier sur Blogues OpenText.
Source link