L’intelligence artificielle a d’abord fait son entrée dans le développement logiciel à travers les outils de complétion et de génération de code. Aujourd’hui, elle permet aux développeurs d’écrire du code, de créer des tests et d’analyser des problèmes plus rapidement.
Mais développer un logiciel ne consiste pas seulement à écrire du code.
Il faut clarifier les idées, comprendre les besoins, prendre des décisions techniques, planifier le travail, vérifier les modifications, déployer les versions et maintenir les systèmes en production. Lorsque la phase de codage s’accélère, les difficultés présentes dans les autres étapes ne disparaissent pas. Elles deviennent souvent plus visibles.
Un cycle de développement logiciel AI-native, ou AI-native SDLC, ne considère donc pas l’IA comme un simple outil ajouté à un processus existant. Il l’intègre comme un nouvel acteur tout au long du cycle de vie du logiciel.
Lorsqu’un développeur utilise un assistant d’IA pour écrire du code, il s’agit de développement assisté par l’IA. Cette approche peut apporter des gains de productivité individuels importants, tout en laissant inchangé le mode de fonctionnement global de l’organisation.
Si les exigences restent imprécises, si les décisions se perdent entre différents outils, si le code n’est pas relié aux objectifs métier ou si les revues deviennent un goulot d’étranglement, produire davantage de code ne résout pas le problème de fond.
Un SDLC AI-native pose des questions plus larges :
La véritable transformation ne consiste donc pas uniquement à fournir un nouvel outil aux développeurs. Elle suppose de repenser le système de développement afin que les personnes et les agents d’IA puissent travailler ensemble.
Dans ce modèle, les personnes définissent la direction, exercent leur jugement et restent responsables de la qualité. Les agents d’IA les aident à rassembler le contexte, préparer des premières versions, exécuter les tâches répétitives et prendre en charge certaines missions clairement délimitées.
Prenons l’exemple du développement d’une nouvelle fonctionnalité :
Le SDLC cesse ainsi d’être une simple chaîne linéaire de transmissions entre personnes. Il devient un système dans lequel les humains prennent les décisions importantes, les agents font avancer le travail et chaque cycle enrichit le contexte disponible pour le suivant.
Un agent d’IA peut être techniquement très performant. Mais s’il ne comprend pas la finalité du produit, les décisions d’architecture antérieures, les standards de l’équipe, les attentes des clients ou les dépendances entre les systèmes, il peut produire des résultats convaincants mais erronés.
Le fondement d’un SDLC AI-native n’est donc pas seulement la puissance du modèle. C’est la disponibilité d’un contexte organisationnel fiable et gouverné.
L’approche Teamwork Graph d’Atlassian vise à relier les tâches présentes dans Jira, les connaissances conservées dans Confluence, le code source, les enregistrements Loom et les informations provenant des systèmes connectés.
Code Context étend cette approche au code source. Il permet aux agents de comprendre non seulement les fichiers, mais aussi les classes, les fonctions, les symboles et les relations entre plusieurs dépôts.
Un agent peut alors aller au-delà de la question « Comment modifier ce code ? ». Il peut mieux comprendre pourquoi la modification est nécessaire, quels systèmes elle risque d’affecter et à quel objectif métier elle se rattache.
L’objectif d’un SDLC AI-native n’est pas de supprimer l’intervention humaine. Il consiste à utiliser l’attention et le jugement humains là où ils produisent le plus de valeur.
Les personnes restent notamment responsables des activités suivantes :
Les agents peuvent réaliser une part croissante du travail. La responsabilité finale reste toutefois entre les mains des personnes et dépend du système de gouvernance mis en place par l’organisation.
Une transformation AI-native ne devrait pas commencer par une refonte complète du cycle de développement. Il est préférable de choisir d’abord un goulot d’étranglement limité et mesurable.
Par exemple :
Une équipe peut ensuite lancer un pilote ciblé, avec des critères de réussite explicites.
L’objectif ne doit pas être simplement de produire davantage de code. Il faut chercher à réduire le temps de cycle et les reprises, préserver la qualité et améliorer l’expérience des développeurs.
Le nombre de lignes de code générées ou le volume d’utilisation des outils d’IA ne suffit pas à mesurer la réussite d’une transformation.
Une organisation devrait observer au moins quatre dimensions :
Sans ces indicateurs, l’IA peut créer une impression de productivité tout en déplaçant les coûts vers les phases de revue, de test ou de maintenance.
Un SDLC AI-native ne se met pas en place en distribuant un assistant de codage à chaque développeur.
Il faut repenser l’ensemble du système de développement, de la planification à l’exploitation, afin que les personnes, les agents d’IA, les connaissances de l’organisation et les mécanismes de gouvernance fonctionnent ensemble.
Trois éléments doivent être conçus comme un seul système :
Chez Ponsatlas, nous associons notre expertise de l’écosystème Atlassian à l’intelligence artificielle et à la conception des systèmes de travail.
Notre objectif n’est pas seulement d’introduire de nouveaux outils d’IA. Nous aidons les organisations à construire un environnement de développement dans lequel ces outils produisent une valeur mesurable, sécurisée et durable.
Contactez-nous pour évaluer le niveau de préparation de votre équipe et identifier un premier cas d’usage concret pour expérimenter un cycle de développement logiciel AI-native.