Contexte de l’étude

Des chercheurs de l'Université Harvard, Fiona Chen et James Stratton, ont analysé les pratiques de codage de plus de 700 entreprises entre 2021 et mars 2026. Ils ont exploité la plateforme Jellyfish, qui agrège 300 millions d'évènements de travail (commits, pull‑requests, tickets) pour plus de 700 000 employés. L’objectif était de mesurer l’impact de deux catégories d’outils : les assistants de codage IA (auto‑complétion) et les agents de codage IA (génération autonome de code à partir d’instructions).

Impact sur la production de code

Lorsque les agents IA sont introduits, le volume de code augmente nettement : les lignes de code totales progressent de 30 %, le nombre de commits de 20 % et les pull‑requests de 23 % en moyenne. Ces chiffres proviennent d’une régression « difference‑in‑differences » comparant les indicateurs avant et après l’adoption, tout en contrôlant les variations inter‑entreprises. Malgré cette hausse, les métriques de livraison de fonctionnalités – taux de résolution d’issues et d’épics dans Jira – restent statistiquement inchangées, indiquant que la quantité supplémentaire de code ne se traduit pas en nouvelles fonctionnalités livrées.

Conséquences sur la revue de code

Le principal goulot d’étranglement identifié est la phase de revue. Le délai moyen entre la soumission d’une pull‑request et son intégration augmente de 49 %. Parallèlement, la proportion de pull‑requests nécessitant des modifications demandées double, et le nombre moyen de commentaires par pull‑request grimpe de 35 %. Cette charge supplémentaire pousse 14 % de travailleurs supplémentaires à se consacrer à la revue, sans toutefois modifier le nombre total d’employés actifs, selon les données croisées avec LinkedIn. Ainsi, le gain de productivité en écriture est absorbé par un coût humain accru en validation.

Adoption et limites

En mars 2026, 95 % des entreprises étudiées ont déployé des agents IA, mais seulement 80 % utilisent l’IA pour la revue de code, et les agents ne génèrent que 23,3 % des commentaires de revue et 10,8 % des pull‑requests. Les auteurs soulignent que les agents IA restent récents et que les améliorations futures – tant dans la qualité du code généré que dans l’assistance à la revue – pourraient modifier ces dynamiques. L’étude ne détecte aucune variation significative de l’emploi, ce qui suggère que les gains d’efficacité ne se traduisent pas en réduction de personnel.