Présentation
GitHub Copilot propose une fonctionnalité nommée canvases afin de rendre les flux de travail pilotés par des agents d’intelligence artificielle (IA) plus lisibles et contrôlables. L’auteur, développeur chez GitHub, décrit comment les canvases remplacent le fil de discussion continu par une surface partagée où chaque étape du processus est explicitée, validée et conservée. Deux implémentations concrètes sont présentées : Java Modernization Studio et Site Studio.
Fonctionnement des canvases
Un canvas agit comme un tableau persistant qui stocke l’état du workflow sous forme de states clairement définis (par exemple : évaluation, planification, migration, validation, mise en production). Chaque état possède un point d’approbation humain, matérialisé par un marqueur visible sur le canvas. Les agents Copilot peuvent lire cet état, appliquer leurs actions (génération de code, mise à jour de fichiers) et écrire les résultats directement sur le tableau, sans passer par le chat. Cette architecture élimine la perte de contexte entre les tours de conversation, car le state reste accessible à tout moment. Le modèle repose sur une API interne de Copilot qui expose les read et write du canvas, garantissant que les agents et les développeurs opèrent sur la même source de vérité.
Analyse des coûts et limites
Le principal facteur économique mentionné est la consommation de AI credits. Le canvas Site Studio a nécessité environ 2 000 crédits, tandis que le canvas de modernisation Java en a consommé 3 000. Ces chiffres reflètent le nombre d’appels d’IA nécessaires pour générer les étapes initiales et les mises à jour du tableau. L’auteur souligne que cet investissement initial se justifie sur le long terme : la persistance de l’état réduit le nombre de prompts répétés, diminue les allers‑retours inutiles et limite le re‑travail. Cependant, la création d’un canvas requiert une phase de conception (définition des états, des points d’approbation et des règles de mise à jour) qui peut être coûteuse en temps de développement. De plus, la dépendance à un nombre fini de crédits IA impose une contrainte budgétaire pour les équipes à forte utilisation.
Perspectives d’adoption
Les canvases sont distribués via le dépôt awesome-copilot, permettant aux équipes de les cloner, de les adapter ou d’en créer de nouveaux à l’aide de la commande /create-canvas. La démarche recommandée consiste à identifier un workflow récurrent, à modéliser ses états et à implémenter un canvas minimal avant d’étendre les fonctionnalités. Cette approche incrémentale facilite la mesure du retour sur investissement et la contribution communautaire. À terme, la visibilité accrue des états et la capacité à orchestrer plusieurs agents sur une même surface pourraient devenir un standard pour les environnements de développement assistés par IA, à condition que les coûts d’IA restent maîtrisables et que les équipes investissent dans la définition rigoureuse des états de workflow.
