Contexte et enjeux
Le Software Lifecycle Engineering Decision Maker Survey 2026 indique que 97 % des organisations utilisent ou prévoient d’utiliser l’IA dans le développement logiciel, mais seulement 33 % des développeurs font confiance aux outils d’IA. Les retours d’expérience soulignent que les sorties « presque correctes » génèrent des cycles de vérification coûteux. Le principal obstacle identifié est l’absence de contexte organisationnel dans les modèles d’IA, ce qui entraîne des hallucinations et des non‑conformités aux standards internes ou aux régulations.
Architecture AIDLC
L’AI‑Driven Development Life Cycle (AIDLC) de Kloia repose sur une base de connaissances structurée, des spécifications formelles et un méta‑boucle d’audit. Chaque sortie d’IA est comparée à des identifiants ancrés dans le code source, ce qui réduit les coûts de token de 8 × à 12 × grâce à des prompts limités aux données vérifiées. Le processus inclut un verification step qui, dans le cas étudié, a ajouté environ deux heures au flux mais a éliminé totalement les identifiants fabriqués. L’audit automatisé génère des traces de conformité, facilitant le respect des exigences réglementaires.
Étude de cas et résultats
Kloia a appliqué l’AIDLC à une institution financière possédant 25 systèmes nommés, plus de 200 composants déployables et 1,7 million de lignes de code legacy réparties sur 30 bases de données. Le cycle de découverte, habituellement de trois à six mois, a été compressé en quatre semaines, produisant un plan de modernisation prêt à être présenté au conseil. La réduction des coûts de modernisation a atteint 90 %, et chaque recommandation était liée à un chemin de dépôt ou à un artefact de schéma précis, éliminant ainsi les conjectures. Le méta‑boucle a permis à l’IA d’apprendre le vocabulaire et les processus internes, diminuant les itérations de correction et stabilisant les livrables.
Limites et perspectives
Malgré les gains, l’AIDLC dépend d’une base de connaissances initiale exhaustive ; la construction de ce référentiel nécessite un effort d’ingestion et de normalisation des artefacts existants. De plus, la solution reste centrée sur les environnements où les politiques de conformité sont clairement définies, ce qui peut limiter son adoption dans des contextes plus agiles ou moins documentés. Les prochains développements visent à automatiser davantage la capture de métadonnées et à étendre le cadre aux modèles d’IA générative plus récents, tout en conservant la traçabilité requise pour les audits.
