Comment les équipes d’ingénierie du Fortune 1000 codent avec l’IA

Les grandes entreprises ne se contentent plus « d’utiliser Copilot ». Elles imposent des outils, bâtissent les leurs, font rouler des agents qui ouvrent des milliers de pull requests par semaine et en parlent lors de leurs appels aux investisseurs. Elles frappent aussi les mêmes murs que tout le monde : confiance, qualité, mesure. Juste à plus grande échelle.

Ce rapport rassemble ce que les grandes organisations d’ingénierie ont dit publiquement : blogues techniques, déclarations de dirigeants et grands sondages. Chaque chiffre renvoie à une source que j’ai lue, listée en bas de page. Les chiffres d’entreprise sont autodéclarés et rarement définis de la même façon : prenez-les comme des signaux, pas comme des étalons.

Constats clés

• L’adoption est quasi universelle, la confiance, pas du tout. Le sondage DORA 2025, mené auprès de près de 5 000 professionnels, montre que 90 % utilisent l’IA au travail, environ deux heures par jour en médiane [2][3]. Chez Stack Overflow, plus de développeurs se méfient de l’exactitude de l’IA (46 %) qu’ils ne lui font confiance (33 %) [1].
• La part de code écrit par l’IA est devenue un argument de PDG. Satya Nadella l’estimait à 20 à 30 % du code des dépôts de Microsoft en avril 2025 [6]. Un an plus tard, Sundar Pichai affirmait que 75 % du nouveau code chez Google est généré par l’IA et approuvé par des ingénieurs, contre 50 % l’automne précédent [5].
• Les gains les plus nets viennent de gros chantiers plates mais bien testés. Airbnb a migré environ 3 500 fichiers de tests en six semaines au lieu d’un an et demi estimé [10]. Amazon rapporte plus de 4 500 années-développeur économisées sur des mises à niveau Java [11].
• Les agents sont en production, derrière une revue humaine. Stripe dit que ses agents maison produisent plus de 1 000 pull requests fusionnées par semaine, toutes revues par une personne [14]. Goldman Sachs pilote un agent de programmation autonome aux côtés de ses 12 000 développeurs, sous supervision humaine [8].
• Vitesse et stabilité bougent ensemble, pas toujours dans le bon sens. DORA associe une adoption plus forte de l’IA à la fois à plus de débit de livraison et à plus d’instabilité [4].

Comment l’adoption se fait réellement

Les récits publics montrent trois modèles récurrents. Ils ne s’excluent pas : la plupart des grandes organisations font les trois en même temps.

1. Acheter et imposer. Coinbase a fourni à tous ses ingénieurs des licences entreprise GitHub Copilot et Cursor, avec une semaine pour s’inscrire. Selon le PDG Brian Armstrong, certains de ceux qui ne l’ont pas fait ont été congédiés. Il admet toutefois une approche « musclée », suivie de séances mensuelles où les équipes partagent leurs usages de l’IA [9]. Une obligation accélère l’adoption, pas la compétence.

2. Bâtir à l’interne. JPMorgan a développé son propre assistant de programmation; sa DPI Lori Beer affirme qu’il a augmenté la productivité de 10 à 20 % pour des dizaines de milliers d’ingénieurs [7]. Morgan Stanley a créé DevGen.AI sur des modèles d’OpenAI, parce que les outils commerciaux géraient mal ses langages patrimoniaux. L’outil a passé en revue 9 millions de lignes de code ancien et fait économiser environ 280 000 heures en traduisant ce code en spécifications en langage clair, que les développeurs réécrivent ensuite [12].

3. La plateforme d’abord, les agents ensuite. Les agents de Stripe tournent sur les mêmes « devboxes » isolées que les humains, avec les mêmes tests et fichiers de règles [14]. Les données de DORA vont dans le même sens : 90 % des organisations ont au moins une plateforme interne, et sa qualité est liée à la valeur tirée de l’IA [3].

1. 1

   Semaines 1–4

   Projet pilote avec des volontaires

   Une ou deux équipes curieuses, des licences entreprise, des règles écrites sur les données. Prenez une mesure de départ : temps de cycle, taux d’échec des changements, charge de revue.

2. 2

   Mois 2–3

   Déploiement équipe par équipe

   Élargissez une équipe à la fois, avec une démo et un fichier de règles ou de prompts partagé. Les séances mensuelles de Coinbase sont un modèle peu coûteux [9].

3. 3

   Mois 3–6

   Viser un gros chantier plate

   Choisissez une migration ou une mise à niveau avec des tests réussite/échec clairs. C’est là qu’Airbnb, Amazon et Morgan Stanley ont vu leurs plus gros gains [10][11][12].

4. 4

   Mois 6–9

   Ajouter revue IA et agents, avec barrières

   L’IA comme second réviseur, les agents dans des bacs à sable, une approbation humaine à chaque fusion [13][14].

5. 5

   En continu

   Mesurer et ajuster

   Suivez la stabilité à côté du débit, ainsi que les taux d’acceptation et de rejet des commentaires de l’IA [4][13].

Le développement assisté par l’IA en pratique

Quatre usages reviennent sans cesse. Ils sont très inégaux quant à la facilité de vérifier le résultat.

Ce que les cas réussis ont en commun : une définition claire de « terminé » (les tests passent, les types sont valides, le build est vert), des relances automatiques avec rétroaction, et un humain à la barrière. Le billet d’Airbnb est la meilleure recette publique : étapes de validation, boucles de relance et grand contexte battent les prompts astucieux [10].

Les agents en production

Ici, « agent » veut dire un système qui prend une tâche, modifie du code dans plusieurs fichiers, lance les tests et propose une pull request sans qu’on le guide pas à pas. L’adoption est réelle mais étroite : dans le sondage Stack Overflow, environ 14 % des développeurs utilisent des agents chaque jour au travail [1].

Les garde-fous qui reviennent d’un récit public à l’autre :

• Isolation. Les agents de Stripe tournent dans des devboxes coupées de la production et d’Internet [14].
• Contexte et outils circonscrits. Des fichiers de règles appliqués par sous-répertoire et un ensemble choisi d’outils internes exposés par MCP [14].
• Effort borné. Un plafond ferme de tentatives, pour qu’un agent bloqué rende la main au lieu de brûler du calcul [14].
• Approbation humaine. Tous les exemples ici gardent une personne sur le bouton de fusion [5][8][14].

Mesurer l’impact

C’est là que les affirmations publiques sont les plus fragiles. Les chiffres d’entreprise n’utilisent pas les mêmes définitions, et la meilleure recherche contrôlée invite à l’humilité.

Deux nuances pour rester honnête. METR précise que ce résultat ne se généralise peut-être pas au-delà de développeurs expérimentés travaillant dans des bases de code matures qu’ils connaissent bien [16]. Et en février 2026, METR a revu son protocole : bien des développeurs ne voulaient plus travailler sans IA et évitaient de soumettre les tâches où elle aide le plus, ce qui biaise les résultats vers le ralentissement [17]. La leçon durable n’est donc pas « l’IA ralentit ». C’est que les gains de vitesse autodéclarés ne sont pas fiables, et qu’une impression n’est pas une mesure.

Ce que les entreprises rapportent vraiment, de la preuve la plus faible à la plus solide :

Ce que cela signifie pour votre équipe

Vous n’êtes probablement pas Google. Vous n’avez pas besoin d’une flotte d’agents qui produit 1 000 PR par semaine. Mais la logique derrière les réussites publiques s’applique bien à une équipe de 10 ou de 200 personnes : solidifier les fondations, pointer l’IA vers du travail vérifiable, garder un humain à la barrière et mesurer la stabilité autant que la vitesse. DORA décrit l’IA comme un amplificateur : elle grossit les bonnes comme les mauvaises pratiques [3].

Voici où je pousserais la plupart des équipes, dans l’ordre :

1. Solidifier les tests et la CI avant d’étendre l’IA. Chaque gros gain ci-dessus reposait sur une définition automatique de « terminé ». Sans elle, l’IA produit simplement plus de code non vérifié, plus vite.
2. Choisir une migration. Une mise à niveau de framework, une API dépréciée, un changement de bibliothèque de tests. C’est là que le rendement est le plus clair et le risque le mieux contenu.
3. Imposer l’apprentissage, pas les outils. La leçon de Coinbase : les séances de partage comptent plus que l’échéance [9].
4. Traiter la charge de revue comme le vrai goulot. Si l’IA double le volume de PR et que les réviseurs restent les mêmes, vous avez déplacé la file d’attente, pas éliminée [4].
5. Protéger l’apprentissage des juniors. DORA prévient que l’IA peut court-circuiter l’effort formateur qui bâtit l’expertise, et recommande un mentorat actif [4].