IA dans le développement : pourquoi la productivité chute

Outils d'IA en développement : des données réelles sur la productivité

L'analyse des données PyPI révèle qu’il n’y a pas de gain global en productivité chez les développeurs depuis l’adoption de l’IA. Le nombre de nouveaux paquets n’a pas augmenté, malgré les attentes selon lesquelles l’automatisation devrait fluidifier les tâches répétitives. La tendance à une mise à jour fréquente des paquets a commencé en 2019 et est liée aux outils CI/CD comme GitHub Actions — pas à l’IA.

En séparant les paquets en catégories IA et non-IA, on découvre des nuances importantes : les paquets liés à l’IA sont mis à jour deux fois plus souvent, surtout les plus populaires. Cela correspond à un investissement massif dans les secteurs de l’IA, pas à une amélioration systémique de l’efficacité. L’allocation de ressources alimentée par la hype masque l’absence de progrès structurel.

Le rapport de Google Cloud intitulé « Impact de l’IA générative sur le développement logiciel » reflète des perceptions subjectives : 75 % des développeurs déclarent une augmentation de leur productivité grâce à l’IA générative. Pourtant, les indicateurs objectifs racontent une autre histoire :

• Le débit de livraison baisse de 1,5 % à 25 % d’adoption de l’IA générative.
• La stabilité des livraisons diminue de 7,2 %.

Les développeurs ont l’impression de produire moins de travail pertinent alors que les tâches routinières augmentent — ce qui contredit directement les attentes d’automatisation.

Études de cas GitHub et entreprises

Les données de l’Innovation Graph de GitHub montrent qu’il n’y a pas eu d’augmentation du nombre de dépôts. Des outils révolutionnaires étaient censés stimuler un essor des projets personnels — mais cela n’a pas eu lieu. Dans les environnements professionnels, les déploiements d’assistants codants pilotés par la direction entraînent une baisse de l’efficacité.

Prenons Notion : sa marge produit est passée de 90 % à 80 % après l’intégration de fonctionnalités d’IA. Les leaders du marché se sentent poussés à suivre la tendance, mais sans croissance d’utilisateurs, cela devient rentable.

L’IA excelle pour le prototypage, mais l’effet de nouveauté s’estompe rapidement. C’est comparable aux images générées par IA : l’enthousiasme initial a fait place à la méfiance.

Étude METR : l’écart entre attentes et réalité

Une étude respectée menée par METR a évalué des outils comme Cursor et Claude. Les développeurs expérimentés affirment subjetivement une accélération de 20 % ; les non-développeurs parlent même de 40 %. Objectivement :

• L’IA ralentit le travail de 20 %.
• Moins de codage manuel, mais plus de temps passé à la relecture, au débogage et à l’attente.
• Les gains perçus divergent fortement des mesures réelles sur plusieurs dimensions.

Cela confirme : l’IA ne rend pas les tâches courantes plus rapides — elle ajoute une charge de vérification.

Ce qui compte vraiment

• Les indicateurs objectifs (débit, stabilité) montrent une baisse de l’efficacité avec l’adoption de l’IA générative.
• Les sensations subjectives de productivité ne correspondent pas aux résultats réels.
• Les pics d’activité apparaissent uniquement dans les segments hypermédiatisés, portés par les financements, pas par des gains généralisés.
• L’adoption de l’IA en entreprise réduit les marges sans augmenter le nombre d’utilisateurs.
• Pour les startups, le goulot d’étranglement n’est pas le code — l’IA ne résout pas les défis fondamentaux.

Conclusions pour les entreprises et les développeurs

L’adoption sérieuse de l’IA en développement n’est pas inévitable sans percées majeures. Les outils actuels sont agréables à utiliser, mais nuisent à la performance des livraisons. Les entreprises doivent se concentrer sur le retour sur investissement : mesurer le débit et la stabilité, pas seulement les sentiments.

Les développeurs passent plus de temps après la génération : débogage, refactoring, intégration. C’est là que réside le ralentissement. Pour les ingénieurs confirmés, la clé est une utilisation sélective : exploiter l’IA pour le code boilerplate, mais toujours vérifier rigoureusement.

Des recherches futures sont nécessaires dans d’autres rôles. Pour l’instant, les faits suggèrent : l’IA rend le travail plus engageant — mais pas plus productif. Mesurer le « plaisir » du processus reste un défi distinct.

— Editorial Team