Présentation

Un travail de recherche mené par les doctorantes Fiona Chen et James Stratton à Harvard analyse l’impact de l’adoption d’agents d’intelligence artificielle pour la rédaction de code dans 718 entreprises. Le jeu de données provient de la plateforme d’analyse d’activité d’ingénierie Jellyfish, enrichi de fiches d’emploi LinkedIn. La période étudiée s’étend de janvier 2021 à mars 2026 et couvre 725 938 travailleurs, soit plus de 68 M d’incidents Jira, 200 M de commits et 49 M de pull‑requests.

Méthodologie et données

Les auteurs utilisent une comparaison à différences de différences différées (staggered diff‑in‑diff). Chaque mois, ils comparent les indicateurs des entreprises ayant déjà déployé un agent d’IA à ceux des entreprises en attente d’adoption. Le timing d’adoption dépend principalement du processus d’approbation juridique, de la sécurité et des achats, variant d’une journée à 6‑12 mois. Les modèles contrôlent la taille de l’entreprise, car les plus grandes ont adopté plus tôt. Aucun contrôle de biais supplémentaire n’est indiqué, et la version du papier (4 août 2026) n’a pas encore été soumise à un examen par les pairs.

Résultats quantitatifs

Les ingénieurs ont ajouté en moyenne 1 494 lignes de code par travailleur‑mois, soit une hausse de 30 % par rapport à la base de 5 017 lignes. Les commits ont progressé de 20 % et les pull‑requests de 23 %. Malgré cet accroissement, la production finale – mesurée par le nombre d’incidents Jira résolus – est restée stable : +0,12 incident par travailleur‑mois sur un baseline de 3,67, avec un intervalle de confiance qui exclut une hausse supérieure à 12 % du baseline.

Le goulot d’étranglement se situe dans la revue de code. Le délai moyen entre la soumission d’une pull‑request et son intégration a augmenté de 3,45 jours, soit 49 % au‑delà du baseline de 7,03 jours. Le taux de pull‑requests recevant une demande de modification formelle est passé de 13 % à environ 25 % (+12 points). Les commentaires par pull‑request ont grimpé de 35 % et la proportion de travailleurs participant à la revue a progressé de 14 % (de 29 % à 43 %).

Les outils d’IA dédiés à la revue n’ont pas compensé ce ralentissement : en mars 2026, 80 % des entreprises utilisaient au moins un tel outil, mais seulement 23,3 % des commentaires de revue étaient générés par l’IA et 10,8 % des pull‑requests recevaient au moins un commentaire automatisé.

Implications pour les outils d’IA et la chaîne de production

Les résultats suggèrent que l’accélération du codage ne se traduit pas automatiquement en gains de productivité globale. Le facteur humain de validation reste dominant, et les outils d’IA de revue ne suffisent pas à réduire le temps de cycle. Les acheteurs de solutions d’IA juridique ou d’e‑discovery devraient donc mesurer non seulement le volume de code produit, mais aussi les taux de révision, le temps moyen de fusion et la proportion de commentaires automatisés. Enfin, la présence de métadonnées d’auteur IA dans les systèmes de collaboration implique que les programmes de conservation juridique devront être adaptés pour tracer ces contributions.