Moderniser les applications, automatiser les tests, optimiser le support… L’IA générative appliquée au domaine de l’ingénierie logicielle, c’est un peu de tout cela, entre autres.
Le Cigref coanime un think tank qui se consacre à ce thème depuis 2024. À sa naissance, il comprenait 5 groupes de travail :
Développeur augmenté
Automatisation des tests
Rétrodocumentation et modernisation des applications
Optimisation du support
Passage à l’échelle (thème transverse)
En 2025, il est passé à 6 groupes de travail (fusion de « développeur augmenté » et de « passage à l’échelle » ; ajout de « design des applications » et de « vibe coding / serveur MCP ». Et s’est doté d’un copil de 12 directeurs informatiques :
Pierre-Yves Bollard
Crédit Agricole CIB
Global Head of IT
Ekbel Bouzgarrou
Air France-KLM
DSI
Jean-Paul Bouchon
Michelin
DSI adjoint
Lionel Chaine
Bpifrance
DSI
Marion Charles
Euro-Information
DGA
(anciennement directrice informatique)
Pascal Faucillon
EDF
Directeur des opérations
Olivier Heitz
Bouygues Telecom
DSI
Pierre Houlès
Kering
(ex-Renault, qu’il représentait au copil)
Directeur digital et IA (Kering)
Était directeur informatique adjoint chez Renault
Sylvain Jacob
Amadeus
Directeur associé de l’ingénierie
Vincent Lauriant
Veolia Eau
DSI adjoint et CTO
Arnaud Méjean
MGEN
DSI
Philippe Toulorge
Crédit Agricole Assurances
DSI
Il y a quelques semaines, le think tank a fait le bilan de ses travaux 2025. En voici quelques morceaux choisis.
Passage à l’échelle / développeur augmenté
Ce groupe de travail a réuni 15 membres.
Ayant constaté des gains de 0 à 20 %, les participants affirment que la promesse d’un « développeur 10x » n’est pas d’actualité. Ils dégagent trois formations types pour aider les développeurs à monter en compétences.
Formations
Contenu
Fondations
(développeurs juniors)
– Essentiels du prompt engineering
– GitHub Copilot pour les devs
– Bonnes pratiques sécurité et conformité avec l’IA
– Comprendre et auditer le code généré par IA
Productivité avancée
(développeurs seniors)
– Workflow IA pour le développement
– Génération automatisée de tests unitaires et intégration
– Optimisation IA du code legacy
– Documentation augmentée par IA
Leadership IA
(développeurs seniors)
– Construire des guidelines IA d’équipe
– Industrialiser l’usage d’assistants IA
– Intégrer l’IA dans la CI/CD
– Mentoring IA pour les devs
Vibe coding / serveurs MCP
Ce groupe de travail a réuni 8 membres.
Au premier semestre 2025, le vibe coding fut associé à des cas d’usage simples et rapides. De plus complexes sont apparus au deuxième semestre.
Une dizaine d’outils sont dans le radar de ce groupe de travail :
Identification
Évaluation
Essais
Adoption
Tabnine
Mistral Vibe
– Antigravity
– Context7
– Cursor
– GitHub Copilot coding agent
– Kiro
– Windsurf
GitHub Copilot
Entre autres questions en suspens à propos du vibe coding :
Est-ce une alternative au modèle de licence des gros fournisseurs SaaS ? Faut-il recoder ses grosses licences en local ?
Les sociétés de services, notamment offshore ou centrées sur la seule production de code, sont-elles viables désormais ?
Les modèles coûtant de plus en plus cher, quel sera le coût du vibe coding à l’avenir ?
Modernisation des applications
Ce groupe de travail a réuni 8 membres.
Il dégage 5 champs d’utilisation de l’IA.
1 – Amélioration ponctuelle de la qualité
Exemples
Méthodes employées
Outils mobilisés
Amélioration de code existant
Correction de code smell (mauvaises pratiques de conception)
Résolution de bug
Optimisation / Amélioration ponctuelle
Prompt engineering simple pour guider l’IA dans la correction ciblée
Fichiers de contexte limités aux modules concernés
Retesting régulier
Validation humaine systématique
Revue des golden rules
GitHub Copilot avec modèle premium (Claude Sonnet, etc.)
Context7 (optionnel)
Linters (SonarQube, Checkstyle, PMD)
Les outils mentionnés se révèlent capables de réaliser ces actions en autonomie, de mettre à jour les tests en fonction et de les rejouer. Les gains sont de l’ordre de quelques heures.
2 – Amélioration de la sécurité, conformité et mise à niveau des composants
Exemples
Méthodes employées
Outils mobilisés
Mise à jour de dépendances Log4j pour corriger des vulnérabilités connues
Remplacement de code custom LDAP par l’utilisation d’une librairie open source dédiée
Montées de version (migration log4j 1.x vers Logback, montée de version de Jackson-Databind, etc.)
Déploiement progressif et par étape : d’une version à l’autre, etc.
Demande de mise à jour des librairies et prise en compte des impacts sur le code existant
Vérification des métriques qualité/sécurité à chaque étape, idéalement via MCP
GitHub Copilot avec modèle premium (Claude Sonnet, etc.)
Context7
Outils d’analyse de la composition logicielle : Xray, Renovate, etc.
Les outils listés s’avèrent capables de réaliser ces actions en autonomie, de mettre à jour les tests en fonction et de les rejouer.
3 – Modernisation des frameworks et des langages
Exemples
Méthodes employées
Outils mobilisés
Upgrade d’un framework open source (Spring Boot 2.x vers Spring Boot 3.x, Angular X vers Angular Y, etc.)
Migration Java par paliers (6 > 8 > 17 > 21 > 25)
Remplacement de frameworks legacy (CXF, etc.)
Découpage en sous-tâches par l’expert qui pilote le bot
Génération par le bot d’un upgrade plan pour diviser le problème en sous-tâches
Modernisation de la stack de test en priorité
GitHub Copilot avec modèle premium (Claude Sonnet, etc.)
Github Copilot App Modernization
OpenRewrite (lorsqu’il existe des recettes)
Les résultats sont probants avec GitHub Copilot lorsque l’expert définit un plan d’action en sous-tâches. Ils sont prometteurs mais partiels avec GitHub Copilot App Modernization (à n’utiliser que pour des cas simples).
4 – Modernisation de frameworks « maison »
Exemples
Méthodes employées
Outils mobilisés
Mise à jour complète d’une application utilisant un framework maison
Mise à jour du code applicatif pour supprimer les dépendances ou middleware « legacy »
Modernisation d’une application manuelle et génération d’un fichier différentiel (avant/après) pour guider les futures modernisations
Utilisation d’un fichier Markdown « guide » qui documente les impacts connus
GitHub Copilot avec modèle premium (Claude Sonnet, etc.)
AWS Custom Transform
OpenRewrite (lorsqu’il existe des recettes)
Les résultats sont intéressants avec le fichier différentiel, qui permet de produire des recettes OpenRewrite. Ils le sont aussi avec le fichier Markdown. Actuellement pour des cas simples. Mais des exemples avec des modèles frontières s’annoncent prometteurs pour 2026.
5 – Réécriture
Exemples
Méthodes employées
Outils mobilisés
Migration d’un framework maison vers des technologies modernes (Spring Boot, Angular, K8s, …)
Migration d’une application complète legacy cobol vers des technologies modernes (Spring Boot, Angular, K8s, …)
Spec-Driven Development : rétrodocumentation par IA de l’application, puis développement à partir de ces spécifications pivot
GitHub Copilot avec modèle premium (Claude Sonnet, etc.)
Spec Kit
Amazon Q:Developer Transform
Kiro (mode Spec)
AWS Transform custom
Les résultats sont intéressants avec AWS Transform (potentiel de faire une majorité du travail de réécriture, sous la supervision d’un expert). Kiro est facilitant mais ne peut pas faire une réécriture complète d’application. Les résultats sont partiels via GitHub Copilot et Spec Kit, qui fonctionnent uniquement avec un contexte de taille modeste.
Les approches décrites fonctionnent pour des applications allant jusqu’à 50 000 lignes de code. Au-delà, il faut segmenter.
Les IA peuvent être sollicitées pour générer elles-mêmes les consignes qu’elles doivent suivre, à partir d’exemples. Un agent IA peut faciliter la relecture de code généré par un autre. La nécessité d’avoir un contexte à jour invite à gérer la documentation interne comme du code.
Six outils sont dans le radar :
Identification
Évaluation
Essais
Adoption
Amazon Q Developer
GitHub Spec Kit
– AWS Transform
– GitHub Copilot App Modernization
– GitHub Copilot Java Upgrade
GitHub Copilot
Design des applications
Ce groupe de travail a réuni 10 membres.
Il a identifié une quizaine d’opportunités sur les activités de spécification :
Niveau d’IA / Phase
UX / UR Recherche
Expression des besoins
Spécifications détaillées
Evaluation
Assistance ponctuelle par IA
Collecte des données (enquêtes)
Analyse des besoins utilisateurs
Restitution et partage
Analyse d’impact, identification de la valeur
Automatisation partielle, avec validation humaine
Cadrage du projet
Capture du besoin issu d’interviews
Priorisation des besoins
Rédaction des spécifications
Évaluation technique et sécurité de la documentation
Automatisation autonome avec supervision
Analyse et synthèse des données
Mise à jour de base de connaissances UX
Rédaction de user stories et critères d’acceptation
Définition des exigences non fonctionnelles
Modélisation des données
Définition des contrats d’interface
Analyse de dépendances
Estimation macro de l’effort
Sur les activités de design, de planification et d’implémentation :
Niveau d’IA / Phase
Architecture
UX Design
Plan
Interactions client
Assistance ponctuelle par IA
Analyse des retours clients
Automatisation partielle, avec validation humaine
Design des patterns et flux
Wireframing
Prototypage et UI
UX writing & Contenu
Estimation de l’effort humain à fournir
Identification des bloqueurs
Détection de besoins émergents à partir de feed-back
Automatisation autonome avec supervision
Rédaction des architecture decision records
Sélection / conception des composants
Visualisation de l’architecture (C4, UML, etc.)
Revue d’accessibilité
Découpage technique (WBS – Work Breakdown Structure)
Douze outils sont dans le radar :
Identification
Évaluation
Essais
Adoption
– ChatPRD
– Code Wiki
– Bolt
– Lovable
– Replit
– Antigravity
– Balsamiq
– Figma
– Kiro
– Miro
– GitHub Copilot
– Microsoft Copilot
De nouvelles pratiques d’organisation du développement logiciel émergent autour de la documentation produite par les IA. Parmi elles, l’AI-DLC (AI-driven development lifecycle) d’AWS, qui repose sur des itérations de développement de l’ordre de quelques heures (les « bolts »). Les sociétés membres du groupe de travail ne l’avaient pas encore mise en œuvre au moment de présenter leurs travaux.
Automatisation des tests
Ce groupe de travail a réuni 8 membres.
Malgré l’engouement du marché, il n’y a toujours pas de solution éditeur opérationnelle : il faut intégrer plusieurs outils spécialisés.
Phases
Outils
Génération de cas et de données de test
– GitHub Copilot for QA
– Test Planner (Cognizant)
– Tonic
Génération de scripts de test
– Applitools
– Codeium
– GitHub Copilot for QA
– Playwright
Maintenance des ressources de test
(génération de données, de serveurs de bouchons et d’IaC)
– Ansible Lightspeed
– Gretel
– Pact
– Postman
– Spacelift
– Tonic
Analyse de causes racines
– Launchable
– Testim
Maintenance du corpus de tests
(détection des redondances et des tests obsolètes après suppression de code)
– Applitools
– Functionize
– Mabl
Le groupe de travail propose une feuille de route à horizon de 18 mois, avec 4 jalons.
Échéances
Actions
3 mois
Intégrer Copilot/Codeium dans l’IDE pour aider à l’écriture des tests unitaires
6 mois
Adopter une plate-forme de test de bout en bout avec des capacités d’autoréparation (Mabl, Testim)
12 mois
Mettre en place une solution de génération de données de test synthétiques (Tonic)
18+ mois
Intégrer une plate-forme d’intelligence de test (Launchable) pour optimiser l’exécution
Optimisation du support
Ce groupe de travail a réuni 5 membres.
Ci-dessous, les cas d’usage en cours de déploiement chez les participants (en vert) et ceux envisagés (en bleu).
0. Avant la création du ticket
1. Création
2. Qualification & triage
3. Diagnostic
4. Résolution
5. Clôture
Faciliter l’accès à une réponse
Faciliter l’affectation à la création d’un ticket
Résumé d’un ticket long
(synthèse des actions, personnes ayant déjà routé le ticket, etc.)
Renseigner la solution dans le ticket clôturé
Proposer une solution d’un ticket complété
Enrichissement d’un ticket
Faciliter l’accès à une réponse
Aide à la clôture de tickets similaires
Regroupement de tickets similaires
Aide au diagnostic
Analyse de cause racine post-incident
Aide à la priorisation (visualisation, etc.)
Aide au routage d’un ticket
Pour la mise en œuvre, trois méthodes se dégagent :
IA intégrée à l’ITSM
Déploiement simple et intégration native. Mais peu de maîtrise, des coûts importants et des risques de dépendances.
LLM centralisé avec RAG
Maîtrise, confidentialité, scalabilité. Mais complexité et coût en développement et maintenance.
Système d’agents décentralisés
Spécialisation, scalabilité et périmètre d’action. Mais grande complexité et manque de maturité.
Illustration principale générée par IA
The post IA et développement logiciel : le bilan du Cigref appeared first on Silicon.fr.
