,

L’IA rend les ingénieurs plus rapides. Cela signifie-t-il que les entreprises en ont besoin de moins ?

L’IA accélère une partie du travail d’ingénierie. Ce que les entreprises font de la capacité ainsi libérée dépend de la demande des clients, des contraintes de livraison et des choix d’effectifs.

Lire en : English · తెలుగు · हिन्दी · Français · Español

Une balance oppose le codage assisté par l’IA aux ingénieurs et à la croissance de l’entreprise, pour illustrer le choix d’une entreprise sur l’usage des gains de productivité.

L’IA aide les développeurs à accomplir certaines tâches plus vite. Que cela se traduise par davantage de logiciels, moins d’emplois ou une main-d’œuvre d’ingénierie d’un autre type dépend de décisions prises bien au-delà de l’environnement de codage.

Imaginez que vous dirigez une équipe d’ingénierie logicielle de 40 personnes.

La feuille de route produit est longue, des demandes de clients attendent d’être traitées et de vieux systèmes ont besoin de maintenance. L’équipe a plus de travail qu’elle ne peut en absorber confortablement.

Puis les outils de codage assistés par l’IA commencent à faire la différence. Les modifications courantes prennent moins de temps. Les développeurs peuvent préparer des tests, explorer du code qu’ils ne connaissent pas et terminer certaines tâches d’implémentation plus rapidement.

Au début, l’amélioration ressemble à un avantage évident.

Puis quelqu’un pose une question qui change la conversation.

Si 40 ingénieurs peuvent désormais accomplir davantage, l’entreprise a-t-elle encore besoin des 40 ?

C’est une question d’affaires raisonnable. Les entreprises ont toujours investi dans la technologie pour gagner en efficacité, et cela a parfois voulu dire réduire les coûts de main-d’œuvre.

Mais je contesterais toute décision de réduire une équipe fondée principalement sur un chiffre de productivité du codage. Non pas parce que les emplois d’ingénierie seraient à l’abri de l’automatisation, mais parce que ce chiffre dit très peu à la direction sur le travail que l’entreprise doit encore accomplir.

Derrière la mesure de la productivité se cache une décision d’entreprise plus vaste.

Les chiffres de productivité ont besoin de contexte

En novembre 2026, l’organisme de recherche METR a publié une évaluation indépendante de la recherche et du développement assistés par l’IA chez Anthropic.

Les chercheurs ont estimé que le rythme d’amélioration d’Anthropic sur les benchmarks de capacités de l’IA s’était accéléré d’environ 1,9 fois par rapport à une période antérieure. Ils ont considéré l’IA comme un contributeur majeur probable, tout en reconnaissant une incertitude importante sur les causes. Des parties importantes des éléments à l’appui sont restées confidentielles ou masquées.

C’était un résultat notable, même s’il mesurait le rythme des progrès des capacités de l’IA et non la productivité de chaque ingénieur.

L’évaluation de METR de novembre 2026 explique la mesure et ses limites.

Les études menées auprès de développeurs logiciels offrent une perspective différente.

Trois expériences de terrain randomisées auprès de 4867 développeurs ont montré que l’assistance au codage par l’IA augmentait d’environ 26 % le nombre de tâches terminées. Une autre étude randomisée de METR a constaté que des développeurs open source expérimentés avaient mis 19 % de temps en plus pour terminer les tâches particulières testées avec les outils d’IA du début de 2025.

Ces résultats proviennent d’environnements de travail, d’outils et de tâches différents. Il ne faut pas les traiter comme des estimations concurrentes d’une même amélioration universelle.

Sources : expériences de terrain auprès de développeurs et étude de METR sur les développeurs expérimentés.

Le tableau montre ce que chaque étude a mesuré, dans quel cadre, et ce qu’elle laisse de côté.

ÉtudeCe qui a été mesuréCadreCe que l’étude ne montre pas
Évaluation par METR de la R&D assistée par l’IA chez Anthropic (5 novembre 2026)Le rythme d’amélioration sur les benchmarks de capacités de l’IA, environ 1,9 fois plus rapide qu’au cours d’une période antérieure (intervalle à 95 % de 1,5 à 2,8 fois), pour des tâches bien spécifiéesLa propre recherche et le propre développement en IA d’Anthropic. METR a indiqué qu’Anthropic avait masqué l’essentiel des éléments qu’elle jugeait les plus instructifsÀ quel point les ingénieurs, pris individuellement, travaillent plus vite. METR indique que les estimations d’accélération individuelle ne correspondent pas à des taux d’accélération
Trois expériences de terrain randomisées (article daté de juin 2025)Les tâches terminées, environ 26 % de plus pour les développeurs utilisant un assistant de codage par l’IA (erreur type de 10,3 %)4867 développeurs chez Microsoft, Accenture et une entreprise du Fortune 100, dans leur travail habituelLe produit livré, la valeur pour les clients ou les effectifs. L’article indique que chaque expérience comporte beaucoup de bruit
Étude de METR sur les développeurs expérimentés (juillet 2025)Le temps nécessaire pour traiter de vraies issues. Les tâches ont pris 19 % de temps en plus lorsque les outils d’IA étaient autorisés16 développeurs open source expérimentés, 246 issues, outils d’IA du début de 2025Les outils d’aujourd’hui. En février 2026, METR a qualifié ses données plus récentes de signal peu fiable de l’effet actuel et a dit que les développeurs sont probablement davantage accélérés aujourd’hui qu’au début de 2025
NBER Writing Code vs. Shipping Code (révision de septembre 2026)Des agents de codage autonomes associés à environ 240 % de commits en plus, 80 % de projets en plus et 30 % de versions logicielles en plus, dans une étude d’événements appariésPlus de 500 000 développeurs GitHubLa valeur pour les clients. L’usage total n’a pas augmenté sur les places de marché examinées, et l’étude n’établit pas pourquoi les versions ont moins augmenté que les commits

Les études sont listées sous « Pour aller plus loin ». La mise à jour de février 2026 de METR est la source de la remarque de la troisième ligne. Les lignes mesurent des choses différentes, donc les pourcentages ne sont pas comparables.

Une autre distinction apparaît quand on regarde au-delà des tâches individuelles.

La révision de septembre 2026 du document de travail du NBER Writing Code vs. Shipping Code a examiné l’activité de plus de 500 000 développeurs GitHub.

À l’aide d’une étude d’événements appariés, les chercheurs ont estimé que l’adoption d’agents de codage autonomes était associée à environ 240 % de commits en plus et 30 % de versions logicielles en plus.

Ce sont deux mesures différentes de la production de logiciels, et non des pourcentages de productivité interchangeables. Un commit enregistre une modification de code, tandis qu’une version correspond à une étape plus tardive de la livraison d’un logiciel. Aucune des deux n’établit directement la valeur pour les clients.

L’écart entre les gains estimés n’en est pas moins instructif. Il montre qu’une activité de codage plus intense s’est accompagnée d’une hausse beaucoup plus faible des versions terminées.

L’étude n’établit pas précisément pourquoi ces hausses ont différé. La revue de code, les tests, l’intégration et la coordination des mises en production sont des contraintes possibles que les organisations devraient examiner dans leur propre environnement.

Lire Writing Code vs. Shipping Code.

Pour un responsable d’ingénierie, cela change ce qui mérite d’être mesuré. Une équipe peut produire plus de code sans terminer proportionnellement plus de travail que les clients peuvent réellement utiliser.

Cette distinction devient importante quand la productivité commence à influencer les budgets et les plans d’effectifs.

Une équipe plus petite peut parfois être la bonne décision d’entreprise

Prenons une organisation qui maintient une application interne arrivée à maturité.

Ses besoins évoluent lentement. L’essentiel de l’effort d’ingénierie porte sur la maintenance, des améliorations courantes, des mises à jour de conformité et quelques incidents de production. L’entreprise n’a pas de projet important d’extension de l’application.

Supposons que l’IA réduise de façon fiable le temps nécessaire à une partie de ce travail.

Avec le temps, l’organisation pourrait remplir les mêmes obligations avec moins d’heures d’ingénierie. La direction pourrait réduire les dépenses de prestataires, laisser des postes vacants quand des salariés partent ou regrouper des responsabilités.

L’équipe pourrait devenir plus petite sans annonce de restructuration majeure.

Cette possibilité ne devrait pas être écartée simplement parce que l’architecture, la sécurité et le jugement opérationnel exigent encore une attention humaine. Ces responsabilités influencent la réduction d’effectifs que l’on peut opérer en sécurité, mais elles ne garantissent pas que la taille initiale de l’équipe restera nécessaire.

La réduction des coûts a aussi une limite pratique. Une équipe plus petite doit encore faire face aux pannes imprévues, aux changements complexes, à la responsabilité de la production et à la continuité quand des salariés expérimentés partent.

La direction doit déterminer si le gain d’efficacité est assez fiable pour justifier d’accepter ces risques.

Pour les organisations dont les besoins sont stables et dont la demande de développement supplémentaire est limitée, l’argument en faveur d’une réduction des besoins en main-d’œuvre peut être légitime.

Des coûts de développement plus bas peuvent aussi changer ce qui vaut la peine d’être construit

Une entreprise dont la feuille de route produit s’étoffe fait face à une décision différente.

Peut-être que plusieurs projets prometteurs sont restés en attente parce que le développement coûtait trop cher. Des clients demandent des fonctionnalités que l’équipe ne peut pas livrer assez vite, et embaucher un autre groupe d’ingénieurs rendrait l’équation économique peu attrayante.

L’IA peut modifier ces calculs.

Une fonctionnalité qui exigeait autrefois des mois d’implémentation pourrait devenir abordable. De petites idées de produit pourraient être testées sans mobiliser autant de capacité d’ingénierie. Des améliorations sans cesse repoussées pourraient devenir réalistes.

Dans ce cas, conserver l’équipe d’ingénierie pourrait créer plus de valeur que réduire son coût.

Il y a pourtant une condition, et elle a peu à voir avec les capacités de l’outil d’IA.

Les logiciels supplémentaires doivent résoudre des problèmes auxquels les clients ou l’entreprise accordent réellement de la valeur.

La recherche du NBER a constaté que l’augmentation de l’activité de production de logiciels n’avait pas produit d’augmentation correspondante de l’usage total sur les places de marché d’applications examinées. Cela n’établit pas que les nouvelles applications étaient sans valeur, mais invite à ne pas supposer qu’une offre plus importante créera une demande équivalente.

Une entreprise dont des besoins clients de valeur restent insatisfaits peut tirer profit d’un développement accru. Une autre peut avoir peu de raisons commerciales d’en construire davantage, même quand l’implémentation devient moins chère.

La différence tient à l’opportunité dont dispose l’entreprise.

Le premier effet sur l’emploi pourrait être une baisse des embauches

On juge souvent les évolutions de la main-d’œuvre à l’aune des annonces de licenciements. Ces chiffres comptent, mais ils ne rendent pas compte de tout ce qui se passe au sein des organisations d’ingénierie.

Imaginez une équipe qui recrute habituellement plusieurs jeunes diplômés chaque année. Ses ingénieurs en poste commencent à accomplir plus de travail avec l’aide de l’IA, et la direction décide de reporter la prochaine vague d’embauches de débutants.

Personne n’a perdu un emploi existant. Les effectifs de l’équipe peuvent rester stables.

Pour quelqu’un qui cherche à entrer dans le métier, en revanche, l’opportunité a disparu.

Une analyse d’Indeed Hiring Lab de juillet 2026 apporte un éclairage utile. Les offres d’emploi américaines dans le développement logiciel avaient augmenté de près de 15 % depuis fin février 2025, mais 71 % de la hausse entre mai 2025 et mai 2026 provenait de postes seniors.

Il s’agissait d’une évolution des opportunités annoncées, et non d’une preuve que l’IA avait conduit les employeurs à privilégier les ingénieurs expérimentés.

L’analyse d’Indeed Hiring Lab fournit les chiffres sous-jacents et les périodes de comparaison.

Des chercheurs de la Réserve fédérale ont aussi documenté un ralentissement de la croissance de l’emploi dans les métiers où le codage est intensif depuis l’arrivée de ChatGPT. D’autres éléments sont plus rassurants sur l’emploi agrégé. Une étude danoise fondée sur des données administratives n’a détecté aucun effet supérieur à 2 % sur les revenus ou les heures enregistrées deux ans après le lancement de ChatGPT, tandis que le Bureau of Labor Statistics des États-Unis prévoit une croissance continue de l’emploi lié au développement logiciel jusqu’en 2035.

Ces sources examinent des populations, des périodes et des résultats différents. Aucune n’établit d’estimation causale universelle des pertes d’emplois d’ingénierie dues à l’IA.

Sources : recherche de la Réserve fédérale sur l’emploi, étude danoise sur le marché du travail et perspectives professionnelles du BLS.

Ce qui mérite l’attention, c’est la possibilité d’un changement graduel dans la composition de la main-d’œuvre.

Une entreprise pourrait continuer d’employer des ingénieurs expérimentés tout en recrutant moins de personnes en début de carrière. Ses effectifs déclarés pourraient rester relativement inchangés alors même que les possibilités d’entrer dans le métier se réduisent.

Les éléments disponibles n’établissent pas l’ampleur que prendra ce phénomène. C’est néanmoins une possibilité importante pour les dirigeants qui planifient leur future capacité d’ingénierie.

La décision que je contesterais en réunion de direction

Revenons à l’équipe initiale de 40 personnes.

Après plusieurs mois d’adoption de l’IA, son responsable d’ingénierie signale que certaines tâches d’implémentation prennent désormais 30 % de temps en moins.

Une proposition suit : réduire le budget d’ingénierie d’un pourcentage similaire.

Je remettrais ce calcul en question immédiatement.

Supposons que l’implémentation représentait auparavant la moitié de l’effort nécessaire pour livrer une fonctionnalité. Si le même travail d’implémentation prend maintenant environ 30 % de temps en moins, l’économie directe serait d’environ 15 % de l’effort total initial, en supposant que les autres activités restent inchangées.

Effort pour livrer une fonctionnalité avant et après l’IA, dans l’exemple des 40 ingénieurs de l’articleDeux barres horizontales. Avant l’IA, l’implémentation représente 50 % de l’effort et tout le reste 50 %. Après l’IA, l’implémentation prend 30 % de temps en moins, soit environ 35 % du total initial, tandis que tout le reste demeure à 50 %, si bien que le total est d’environ 85 % et qu’environ 15 % sont économisés. Une illustration de l’exemple du texte, non des données mesurées. {« publisher »: « TechiesJournal », « author »: « Prasad Kukkala », « asset »: « ai-engineering-productivity-workforce-demand-visual-ef », « role »: « diagram », « creator »: « TechiesJournal, authored as programmatic SVG by Claude (AI agent), not a generative image model », « generation_method »: « AI-assisted programmatic SVG from a shared visual vocabulary (tools/agentic-under-the-hood/vocab.py) », « source_slug »: « ai-engineering-productivity-workforce-demand », « source_revision »: « V1.2 », « created »: « 2026-11-16 », « rights »: « Copyright 2026 TechiesJournal. All rights reserved. », « external_licence »: « none, no third-party material », « watermark »: « visible TechiesJournal wordmark, lower right, part of the SVG », « language »: « language-neutral (English labels) », « viewBox »: « 0 0 440 424 », « format »: « inline SVG », « theme »: « light and dark via the theme switch »} Effort par fonctionnalité, exemple des 40 ingénieursIllustration de l’exemple du texte, pas des données mesuréesAvant l’IAl’effort total représente 100 %Implémentation50 %Tout le reste50 %Après l’IAl’implémentation prend 30 % de temps en moinsImplémentationenviron 35 %Tout le reste50 %, inchangé15 %Environ 15 % du total initial est économiséLa moitié inchangéeTests, intégration, décisions d’architecture et revueopérationnelle se situent ici. Ils peuvent limiter lavitesse des versions, même si l’implémentation accélère. TechiesJournal
Alternative textuelle accessible pour cette figure

Avant l’IA, l’effort pour livrer une fonctionnalité est représenté par une barre de 100 % : l’implémentation en occupe la moitié et tout le reste l’autre moitié.

Après l’IA, l’implémentation prend 30 % de temps en moins, donc elle passe de 50 % à environ 35 % du total initial. Tout le reste demeure à 50 %, si bien que la barre atteint environ 85 % et que le bloc en pointillés marque environ 15 % économisés.

Tout le reste comprend les tests, l’intégration, les décisions d’architecture et la revue opérationnelle. Ces éléments restent identiques dans cet exemple et peuvent limiter l’accélération des versions. Il s’agit d’une illustration de l’exemple du texte, non de données mesurées.

L’effort pour livrer une fonctionnalité avant et après l’IA dans l’exemple des 40 ingénieurs. Si l’implémentation représente la moitié de l’effort et prend désormais 30 % de temps en moins, l’économie est d’environ 15 % du total initial, en supposant que les autres activités restent inchangées. Ces chiffres sont des illustrations tirées du texte, non des données mesurées.

C’est déjà très différent d’une réduction de 30 % de la charge de travail de toute l’équipe.

Et le calcul ne nous dit toujours pas si l’organisation peut livrer ses versions plus vite. Les tests, l’intégration, les décisions d’architecture et les revues opérationnelles peuvent limiter l’amélioration.

La conversation suivante devrait porter sur la feuille de route produit.

Existe-t-il des problèmes de clients que l’équipe peut maintenant résoudre de façon rentable ? La capacité libérée pourrait-elle réduire les retards de maintenance ou améliorer la fiabilité ? L’entreprise gagnerait-elle davantage à livrer plus tôt des fonctionnalités importantes ?

Si la réponse est oui, réduire l’équipe pourrait sacrifier une opportunité qui vaut plus que l’économie immédiate sur la masse salariale.

Si la feuille de route contient peu de travail supplémentaire de valeur, le calcul change. La direction peut avoir une raison légitime de réduire les coûts, à condition que l’équipe restante puisse prendre en charge en toute sécurité les systèmes dont elle a la responsabilité.

C’est là que le jugement de la direction compte.

Une décision sur les effectifs devrait suivre une évaluation de la production livrée, de la demande disponible, du risque opérationnel et de la capacité à long terme. Le tableau de bord de productivité d’un outil de codage ne peut pas fournir ces réponses.

Ce que cela implique pour les ingénieurs

Les ingénieurs ne contrôlent pas individuellement la façon dont leur employeur utilise la capacité supplémentaire, pour la croissance ou pour la réduction des coûts.

Ils influencent en revanche l’efficacité avec laquelle ils contribuent au travail qui garde sa valeur.

Apprendre à utiliser les outils d’IA fait partie de cette responsabilité. Il en va de même pour le jugement nécessaire afin de comprendre les besoins, d’évaluer le code généré, de prendre des décisions d’architecture et de livrer des systèmes fiables.

Ces responsabilités ne sont pas protégées de l’automatisation de façon permanente. Les capacités de l’IA continueront de changer la quantité d’effort humain qu’elles exigent.

La réponse utile en matière de carrière n’est donc pas de rivaliser uniquement sur la vitesse à laquelle le code peut être produit. C’est de devenir efficace sur l’ensemble des décisions d’ingénierie qui déterminent si le logiciel obtenu fonctionne et crée de la valeur.

C’est une piste de développement professionnel, non une promesse de sécurité de l’emploi.

Un gain de productivité n’est pas encore une stratégie d’effectifs

Je ne pense pas que les entreprises doivent s’interdire de réduire leurs coûts d’ingénierie quand la technologie leur permet réellement de fonctionner plus efficacement.

Mais je ne pense pas non plus qu’un résultat de productivité impressionnant avec l’IA suffise à justifier une décision sur les effectifs.

Le choix a des conséquences qui dépassent le prochain cycle budgétaire. Réduire une équipe peut faire économiser de l’argent tout en faisant perdre des connaissances, en affaiblissant la capacité future ou en retardant des produits devenus abordables à construire. Garder la même équipe sans travail utile n’est pas automatiquement préférable.

Les dirigeants doivent faire ce compromis de façon explicite.

La responsabilité n’est ni de préserver chaque poste d’ingénierie existant, ni d’éliminer chaque heure que l’IA peut faire gagner. Elle est de décider de quelle capacité d’ingénierie l’entreprise a besoin, de ce que cette capacité peut désormais accomplir et de savoir si la valeur justifie l’investissement.

C’est la décision qu’un benchmark de productivité ne peut pas prendre.


Pour aller plus loin

METR: Anthropic AI R&D Acceleration Assessment: Évaluation indépendante des progrès des capacités de l’IA et de l’incertitude sur leurs causes.

The Effects of Generative AI on High-Skilled Work: Expériences de terrain randomisées évaluant l’assistance de l’IA et l’achèvement des tâches par les développeurs logiciels.

METR: Experienced Developer Productivity Study: Données contrôlées montrant pourquoi la productivité dépend de la tâche et de l’environnement.

NBER: Writing Code vs. Shipping Code: Recherche comparant l’activité de codage aux étapes ultérieures de la production de logiciels.

Indeed Hiring Lab: AI and Job Postings: Analyse des offres d’emploi en développement logiciel, y compris les évolutions selon l’ancienneté.

Federal Reserve: AI and Coder Employment: Recherche sur les tendances de l’emploi et l’incertitude causale dans les métiers où le codage est intensif.

NBER: Still Waters, Rapid Currents: Données administratives du marché du travail sur l’adoption de l’IA, les revenus et les heures de travail.

U.S. Bureau of Labor Statistics: Software Developers: Projections officielles d’emploi pour les développeurs de logiciels et les métiers apparentés.

Lectures liées sur TechiesJournal

Le coût de l’IA : comment les entreprises technologiques repensent leurs équipes et leur capacité de calcul

Quand l’IA fait le travail des débutants, qui forme la prochaine génération de professionnels ?

AI Writes the Code. Who Understands What Happens in Production? (en anglais)

Recherche arrêtée au 16 novembre 2026. Les mesures de la recherche, les observations sur l’emploi et les interprétations de l’auteur sont distinguées tout au long de l’article.

Proposer une correction

Les corrections sont transmises à la rédaction et ne sont jamais publiées automatiquement. Aucun compte n'est nécessaire.