Contexte et méthodologie
Le rapport State of AI in Engineering: Q2 publié par DX s’appuie sur l’analyse de plus de 500 organisations de développement sur une période de quatre trimestres. Les métriques collectées portent sur le nombre de pull‑requests (PR) soumis, leur taille moyenne en lignes de code, ainsi que les dépenses liées à l’adoption d’outils d’intelligence artificielle. Cette approche longitudinales permet de comparer les évolutions avant et après l’intégration d’assistants de codage, de génération de tests ou de révision automatisée.
Résultats quantitatifs
Sur l’ensemble des entités étudiées, le débit de PR a progressé de 37 % entre le premier et le dernier trimestre observé. Parallèlement, la taille moyenne d’un PR a quasiment doublé, passant d’environ 150 lignes à plus de 280 lignes. Cette hausse simultanée indique que les équipes livrent davantage de modifications, mais que chaque modification devient plus volumineuse, ce qui peut affecter les temps de revue et les cycles d’intégration continue.
Analyse des implications
Le gain de débit s’explique en partie par la capacité des modèles d’IA à générer du code boilerplate, à proposer des correctifs instantanés et à automatiser la rédaction de tests unitaires. En réduisant le temps passé sur des tâches répétitives, les développeurs peuvent soumettre plus de PR. Cependant, l’augmentation de la taille des PR introduit de nouveaux risques : la surface de code à examiner s’élargit, ce qui peut accroître la probabilité d’erreurs non détectées et alourdir les pipelines de CI/CD. Les systèmes de build doivent ainsi être dimensionnés pour supporter des charges plus importantes, notamment en termes de compilation et d’exécution de tests.
Du point de vue de la gestion de projet, la hausse du débit ne se traduit pas automatiquement en valeur livrée. Si les PR plus gros contiennent des fonctionnalités multiples, la visibilité sur les livrables individuels diminue, compliquant le suivi des objectifs sprint. Les équipes doivent donc réévaluer leurs critères de « Done » et envisager des stratégies de découpage plus fines, même si l’IA facilite la création de blocs de code plus larges.
Limites et perspectives
Le rapport ne détaille pas la répartition des dépenses en IA par type d’outil, ni l’impact différencié entre les assistants de génération de code et ceux de révision. De plus, l’échantillon, bien que large, reste concentré sur des organisations qui ont déjà adopté l’IA, ce qui peut introduire un biais de sélection. Les futures itérations du suivi devront intégrer des métriques de qualité, comme le taux de défauts post‑déploiement, pour établir un lien plus direct entre le volume de PR et la valeur fonctionnelle. Enfin, l’évolution des modèles d’IA vers des capacités de compréhension contextuelle plus profonde pourrait réduire la taille moyenne des PR tout en maintenant le débit, en favorisant des changements plus ciblés.
