Des chercheurs de Microsoft, aux États-Unis, ont publié une étude portant sur l’utilisation d’outils de codage par IA fonctionnant en ligne de commande et sur leurs effets sur la productivité de dizaines de milliers d’ingénieurs logiciel de l’entreprise. L’étude a porté sur « Claude Code » d’Anthropic et « Copilot CLI » de GitHub, et s’est déroulée sur environ quatre mois, du 5 janvier au 29 avril 2026. Les ingénieurs ayant utilisé l’un de ces outils au cours de la première semaine de son déploiement ont créé en moyenne 24 % de pull requests fusionnées en plus que ceux qui ne l’avaient pas utilisé.
Distribuer les outils ne suffit pas à les faire adopter : le premier pas vient du « voisin de bureau »
Certains dirigeants et managers imaginent sans doute qu’il suffit à une entreprise de mettre un outil d’IA à la disposition de tout le personnel pour que tout le monde se mette à l’utiliser dès le lendemain. Or, cette étude montre que ce sont davantage les relations au travail que la présentation des fonctionnalités ou les annonces qui déterminent si quelqu’un va l’essayer ou non.
Les employés étaient plus susceptibles de se mettre eux-mêmes à utiliser l’outil lorsque des collègues avec lesquels ils échangent régulièrement du code ou leur supérieur direct s’en servaient. Les chiffres sont précis : lorsque plus d’un quart des collègues relevant du même N+2 l’avaient utilisé au cours des deux dernières semaines, les chances qu’un employé le teste augmentaient jusqu’à 216 %. Cette hausse atteignait 82 % lorsque le supérieur direct l’utilisait, et 54 % lorsque plus d’un quart des personnes avec lesquelles l’employé échange habituellement des revues de code s’en servaient.
La hausse des chances n’est pas la même chose que la « hausse de la probabilité »
Il faut ici prêter attention au terme « chances » (odds). Il exprime la probabilité qu’un événement se produise par rapport à celle qu’il ne se produise pas. Une hausse de 216 % peut laisser penser que le nombre d’utilisateurs a été multiplié par plus de trois, mais cela ne signifie pas que la proportion d’utilisateurs a elle-même augmenté de 216 %. Lorsque le taux d’utilisation initial est faible, les écarts peuvent sembler importants ; dans les faits, la progression du nombre d’utilisateurs est plus modeste que ne le suggère ce chiffre.
Cela étant, la tendance est claire : les gestes des supérieurs et des collègues incitent les autres à suivre. On commence à utiliser un nouvel outil moins après avoir lu son mode d’emploi qu’en se disant : « Si cette personne s’en sert, je peux essayer aussi. » À mon sens, cette situation ne concerne pas seulement les équipes de développement et doit parler à de nombreux milieux professionnels. Un supérieur qui teste l’outil le premier et montre comment il s’en sert lors des revues : ce type d’initiative discrète pourrait être plus efficace qu’un support de formation.
La poursuite de l’utilisation dépend du déroulement habituel du travail
Le fait qu’une personne ait essayé l’outil ne dit pas si elle continuera à l’utiliser. Selon l’étude, la poursuite de l’utilisation était liée au volume habituel d’activité de codage de la personne. Les ingénieurs très occupés, qui écrivent beaucoup de code et soumettent fréquemment des pull requests, avaient davantage tendance à percevoir les bénéfices de l’IA et à intégrer durablement l’outil à leur travail.
Une pull request est une demande visant à faire intégrer au code principal des modifications apportées au code. Les personnes qui en soumettent souvent ont donc aussi beaucoup de tâches qu’elles peuvent confier à l’IA. Plus le volume de travail pratique est important, plus il est facile de constater l’effet de l’outil.
Un environnement familier peut faire obstacle à l’adoption d’un nouvel outil
L’étude a également révélé que les personnes qui utilisaient déjà des outils d’IA dans un autre environnement de développement avaient beau essayer le nouvel outil, elles étaient moins susceptibles de l’adopter durablement. Il est possible que beaucoup se sentent plus à l’aise dans l’environnement auquel elles sont habituées.
C’est un peu comme changer de smartphone. Même si les fonctionnalités sont meilleures, on peut avoir envie de reprendre son ancien appareil lorsque l’emplacement des applications et les habitudes de manipulation sont profondément ancrés. Ceux qui déploient un nouvel outil d’IA devront probablement réfléchir non seulement à ses performances, mais aussi à la manière dont il s’intègre au flux de travail déjà établi par les utilisateurs.
Comment interpréter la hausse de 24 % du nombre de pull requests
Les effets sur la productivité ont été mesurés par le nombre de pull requests fusionnées, indicateur du volume de travail achevé. Les ingénieurs qui ont utilisé l’outil au cours de la première semaine de son déploiement en ont créé en moyenne 24 % de plus que ceux qui ne l’ont pas utilisé. Selon les chercheurs, cet effet est resté stable pendant les quatre mois de l’étude et ne s’explique pas par un enthousiasme passager au moment du déploiement.
Il faut toutefois garder à l’esprit que la productivité désigne ici un seul indicateur : le nombre de pull requests. Ce chiffre ne signifie pas que la qualité du code, le temps nécessaire par demande ou la charge de travail de l’équipe se sont améliorés dans les mêmes proportions. Il convient de distinguer l’augmentation du nombre de demandes du sentiment que le travail, dans son ensemble, est devenu plus facile.
Claude Code : 11,4 % ; Copilot CLI : 24,9 %
Par outil, le nombre de pull requests a augmenté de 11,4 % chez les utilisateurs de Claude Code et de 24,9 % chez ceux de Copilot CLI, par rapport aux semaines où ils n’utilisaient pas l’outil. L’écart est d’environ deux fois, mais il serait prématuré d’y voir une mesure directe de la supériorité de l’un ou de l’autre. Copilot CLI est proposé par GitHub, filiale de Microsoft, et les deux outils ne sont pas nécessairement utilisés de la même manière ni par les mêmes catégories d’utilisateurs au sein de l’entreprise.
Pourtant, les études qui ont suivi pendant quatre mois à la fois la diffusion de l’utilisation et ses résultats dans de véritables équipes de développement comptant plusieurs dizaines de milliers de personnes restent rares. Alors que le débat sur le codage assisté par l’IA se concentre souvent sur « le modèle le plus intelligent », ces résultats montrent concrètement comment l’adoption se déroule : qui commence à utiliser ces outils et qui continue de le faire. Nous entrons peut-être dans une ère où la capacité à organiser leur diffusion au sein de l’entreprise compte autant que le choix des outils pour obtenir des résultats.
コメント