AI-SDLC : le cycle de développement logiciel à l’ère de l’IA (2027)
8 min de lecture

AI-SDLC : le cycle de développement logiciel à l’ère de l’IA (2027)

Où se perd le gain de l’IA entre les rôles, où s’est déplacé le goulot d’étranglement, et par quoi commencer.
AI-SDLC : le cycle de développement logiciel à l’ère de l’IA (2027) - AI Partners

Vos développeurs écrivent le code plus vite avec l’IA. Vos clients ne reçoivent pas les fonctionnalités plus tôt. Cet écart est le point de départ de l’AI-SDLC, le cycle de développement logiciel repensé autour des assistants et des agents IA, et le sujet de notre nouveau livre blanc, AI-SDLC : le cycle de développement logiciel à l’ère de l’IA.

Cet article résume ce que nous avons observé dans nos missions auprès d’éditeurs de logiciels, sur tous les rôles de leurs équipes produit, du PO à la QA : où le gain se perd, où le goulot d’étranglement s’est déplacé, et par quoi commencer.

Qu’est-ce que l’AI-SDLC ?

L’AI-SDLC est le cycle de développement logiciel réorganisé pour que des agents IA fassent une partie du travail à chaque étape, et que les humains décident et vérifient. Il va plus loin qu’un assistant de code donné aux développeurs : la spécification, les tests et la revue changent aussi.

La plupart des entreprises s’arrêtent à la première étape. Chacun reçoit un outil, chaque rôle gagne du temps sur ses propres tâches, et la façon dont le travail circule entre les rôles reste la même. Dans nos missions, le temps passé sur une tâche assistée par l’IA baisse jusqu’à 43 % pour la rédaction des spécifications, 63 % pour les maquettes, 45 % pour le développement et 82 % pour la création des cas de test.

Ce sont des gains individuels. L’AI-SDLC consiste à les transformer en gain collectif, ce qui suppose de changer la façon dont le travail passe de l’idée à la production, pas seulement la vitesse de chaque étape.

Pourquoi coder plus vite n’accélère-t-il pas la livraison ?

Parce que la livraison avance au rythme de l’étape la plus lente, et que le code était rarement l’étape la plus lente. Quand le code accélère, le travail s’accumule devant le contrôle humain suivant au lieu d’arriver plus tôt chez le client.

Les grandes études vont dans le même sens. Sur plus de 10 000 développeurs suivis par Faros AI, les équipes qui utilisent le plus l’IA fusionnent 98 % de pull requests en plus, sans lien significatif entre adoption de l’IA et amélioration à l’échelle de l’entreprise. Forrester le résume en une phrase : le code peut gagner 30 à 40 %, mais si la planification, les tests et la mise en production restent manuels, la productivité de l’équipe progresse souvent de moins de 10 %.

Nous constatons la même chose sur le terrain. Le temps médian pendant lequel une modification de code reste ouverte baisse jusqu’à 30 %, et les commits ajoutés après ouverture sont jusqu’à divisés par deux. Pourtant, le délai entre la user story et la production ne bouge pas, et les nouvelles fonctionnalités sortent toujours au rythme fixé par l’organisation, souvent une fois par mois.

Les attentes restent fortes. Dans l’enquête de Bain d’avril 2026 auprès de 293 répondants, les entreprises estiment avoir gagné 27 % en vitesse de mise en production, et en attendent 67 % d’ici un à deux ans. De meilleurs outils ne suffiront pas à combler cet écart.

Où le goulot d’étranglement s’est-il déplacé ?

À deux endroits : la décision avant le code, et la validation humaine après. Ce qui n’est pas décidé en amont est décidé par l’agent, puis corrigé en revue.

En amont, l’IA accélère la rédaction de décisions déjà prises ; elle ne les prend pas. Dans nos missions, le temps d’affinage baisse d’environ 50 % pour une modification de maquette existante, dont le contexte est déjà écrit dans le design system, et d’environ 30 % pour un nouveau sujet. Sur les gros sujets, où dominent les arbitrages métier, aucun gain n’apparaît.

Prenons une user story simple : « afficher l’historique des commandes d’un client ». Elle ne dit rien de l’ordre de tri, de la pagination ni des commandes annulées. Un développeur poserait la question au PO. Un agent de code choisit une option et continue. Le relecteur découvre trois choix que personne n’a demandés, et le ticket repart chez le PO.

En aval, plus de code signifie plus de code à valider. Jusqu’à 41 % des modifications revues que nous observons reçoivent au moins une correction après la première revue. Là où les cas de test s’écrivent encore à la main, la QA décroche dès que le volume de tickets double.

L’analyse complète se trouve dans le livre blanc AI-SDLC, à télécharger ici.

Que change un cycle piloté par la spécification ?

Il remplace la passation orale entre rôles par une spécification écrite que chaque rôle valide avant le code, et que les agents exécutent. La spécification devient la référence pour l’agent, les tests et la revue.

Une règle simple fixe le niveau : une spécification est prête quand la QA peut en tirer ses cas de test sans poser de question. Dans l’exemple de l’historique de commandes, le PO, un développeur et un testeur tranchent les trois choix avant tout code, sous forme de trois critères d’acceptation vérifiables.

Élément du travailPassation séquentielleCycle piloté par la spécification
Unité de travailUser story clarifiée à l’oralSpécification exécutable : critères, contrats, cas limites
AffinageDiscuter et estimer les storiesÉcrire, puis valider la spécification
SynchronisationDaily pour répartir le travailContexte écrit, lu par les agents et les humains
RevueUn humain relit chaque modificationContrôles automatiques, puis revue humaine ciblée
IndicateursVélocité, story pointsDélai de l’idée à la livraison, temps de revue

C’est un changement de processus, pas d’outil, et c’est de là que vient le retour. Comme le note McKinsey, les organisations obtiennent ces gains non pas en déployant simplement des agents IA, mais en repensant leur modèle opérationnel.

Comment organiser la revue de code quand les agents écrivent le code ?

En demandant à chaque modification des preuves plutôt qu’une liste d’activités, et en ordonnant les contrôles par coût. Les contrôles automatiques passent sur chaque modification, la revue par agent vient ensuite, et l’attention humaine va aux zones de risque que l’équipe désigne.

La revue humaine ligne à ligne ne suit pas le rythme des agents : elle s’use ou elle se relâche. Une définition du « terminé » fondée sur la preuve demande la plus petite modification qui satisfait la spécification, des tests tirés des critères d’acceptation qui échouent sans la modification, et une personne nommée qui la comprend et en répond.

La revue combine alors contrôles automatiques et revue humaine ciblée, dont la capacité se planifie comme n’importe quelle autre.

Faut-il réduire la taille des équipes de développement ?

Pas en premier. Les compétences de chaque rôle changent avant la taille de l’équipe, et réduire les effectifs avant de réorganiser le système retire des personnes là où le travail attend : à la décision et à la validation.

Des équipes plus petites arrivent. Gartner prévoit que d’ici 2029, 60 % des organisations adopteront à grande échelle des équipes d’ingénierie logicielle plus petites, contre 15 % en 2026. Il prévoit aussi que, d’ici 2028, les entreprises qui utilisent l’IA pour supprimer les postes juniors videront leur propre vivier de talents.

C’est important, car la vérification s’apprend en la pratiquant. Trois compétences deviennent centrales pour chaque rôle : cadrer le besoin, piloter les agents, vérifier ce qu’ils produisent. La taille de l’équipe se revoit en dernier, sur la base de mesures, et dans les deux sens.

Par où commencer ?

Par un pilote mesuré, pas par un déploiement à toute l’entreprise. Mesurer le point de départ de chaque équipe, prouver le gain avec une petite équipe sur un nouveau projet, former les autres sur leur propre backlog, et nommer un responsable pour les outils IA partagés.

Quatre indicateurs sont à suivre dès le premier jour : le délai de l’idée à la livraison, les allers-retours entre PO et développeurs, les reprises après revue et la taille des livrables. Ils montrent si le travail attend avant le code ou après, ce que la part de code écrite par l’IA ne dira jamais.

Pour une équipe qui a déjà mis l’IA en production dans son développement, voir comment ISAGRI a mis Claude en production : le temps par pull request baisse de 60 %, sans hausse de la taille des pull requests. Les outils partagés demandent la même discipline, sinon ils se multiplient : voir comment éviter la prolifération des agents.

Questions fréquentes

Qu’est-ce qu’un SDLC piloté par l’IA ?
C’est un cycle de développement dans lequel des agents IA exécutent des tâches à chaque étape, de la spécification aux tests, pendant que les personnes fixent l’intention et approuvent le résultat. La différence avec un SDLC assisté par l’IA tient à qui fait le travail : dans un cycle piloté par l’IA, l’agent exécute et l’humain supervise.

La revue de code est-elle le vrai goulot d’étranglement du développement assisté par l’IA ?
C’est l’un des deux, et souvent pas le premier. Dans nos missions, la contrainte se déplace le plus souvent vers le PO, avant le code, et vers la validation quand le volume de tickets croît plus vite que l’équipe ne peut vérifier.

Comment mesurer l’impact de l’IA sur la livraison logicielle ?
En mesurant le flux, pas la production : délai de l’idée à la livraison, allers-retours entre produit et développement, reprises après revue et taille des livrables. La part de code écrite avec l’IA renseigne sur l’adoption, mais rien sur le temps gagné ni sur la qualité.

L’IA va-t-elle remplacer les développeurs ?
Le métier change plus qu’il ne disparaît : les développeurs passent plus de temps à spécifier, à déléguer aux agents et à vérifier leur production. Gartner prévient que supprimer les postes juniors grâce à l’IA affaiblira le vivier de talents d’ingénierie des entreprises elles-mêmes.

Réorganiser le cycle de développement est l’objet de notre accompagnement AI First Organization, et nous mettons des agents en production avec AI Factory. Téléchargez le livre blanc AI-SDLC, ou réservez un appel de 30 minutes et nous regarderons où le travail attend dans vos équipes.