Contexte professionnel

En octobre 2026, l’auteur, passé de l’équipe Windows AI de Microsoft à Salesforce AI Research, consacre environ 3 000 $ par mois à l’achat de tokens d’IA. Son quotidien repose sur la gestion de cinq à six agents Claude Code (ou OpenCode, Codex, Pi) qui remplacent les tâches de codage traditionnelles. Cette transition s’inscrit dans un cadre où la production de code passe d’une activité manuelle à une orchestration d’agents autonomes.

Fonctionnement des agents de codage

Chaque agent reçoit une copie du dépôt sous forme de Git worktree, puis exécute l’ensemble du cycle de développement : rédaction, exécution des tests, création et révision de pull‑request. L’auteur indique que les agents peuvent prototyper une nouvelle fonctionnalité en environ vingt minutes. Cette rapidité provient de la capacité des modèles à générer du code, à lancer les suites de tests et à itérer sans intervention humaine directe. Un exemple concret décrit la mise en place d’un test audio sur macOS et iOS, réalisé en quelques minutes grâce à l’agent.

Les agents sont également capables de détecter et corriger des bugs urgents à partir d’une simple description, libérant ainsi le développeur pour d’autres tâches. L’auteur a remplacé environ 4 000 lignes de code par quelques centaines de lignes générées par l’IA, ce qui a amélioré la flexibilité et la testabilité du système.

Analyse des performances et limites

Si la productivité augmente, plusieurs contraintes apparaissent. La gestion simultanée de multiples conversations avec différents agents crée une surcharge cognitive décrite comme « épuisante ». De plus, les agents tendent à produire du code « sur‑architecturé ou illisible », nécessitant une révision humaine axée sur l’architecture plutôt que sur le détail ligne par ligne. L’auteur souligne que les revues de code automatisées doivent être complétées par des règles personnalisées, comme un détecteur de commentaires « Claude‑like », pour corriger les dérives récurrentes.

Enfin, la dépendance aux agents soulève la question de la durabilité de l’avantage humain. Le texte indique que, malgré l’efficacité, les agents ne remplacent pas le jugement d’expérience et que la fatigue liée à l’interaction constante avec les IA peut réduire la qualité du travail. Ainsi, l’équilibre entre automatisation et supervision humaine reste un facteur critique pour garantir la robustesse du code produit.