Les agents de code IA produisent plus de code, mais pas plus de logiciels

Une étude menée par deux chercheurs de Harvard, Fiona Chen et James Stratton, met en lumière un effet paradoxal des agents de code IA : ils accroissent fortement le volume de code produit, sans que la production logicielle effective ne progresse dans les mêmes proportions. Les données analysées proviennent de Jellyfish, un outil qui mesure finement l'activité des équipes d'ingénierie. Elles couvrent 300 millions d'« événements de travail », tels que des commits et des pull requests, ainsi que des données de gestion de tickets, concernant plus de 700 000 salariés répartis dans plus de 700 entreprises de développement logiciel, sur la période allant de 2021 à mars 2026.

Pour isoler l'effet des outils, les chercheurs ont combiné des mesures directes de l'usage de l'IA et l'analyse de l'activité sur GitHub afin de dater, pour chaque entreprise, l'introduction des assistants de code, qui complètent principalement du code écrit par des humains, et des agents de code, qui rédigent et soumettent du code de manière autonome à partir de consignes. Ils ont ensuite appliqué une méthode de type « différence de différences » pour comparer les indicateurs avant et après ces introductions, à des moments différents selon les organisations.

Sur le seul plan de la production brute, les résultats sont nets. L'arrivée d'agents de code dans une entreprise s'accompagne en moyenne d'une hausse de 30 % des lignes de code générées, de 20 % du nombre de commits et de 23 % des pull requests. Ce surplus ne se traduit toutefois pas au niveau des logiciels livrés. Le taux de résolution des tickets de type Issues et Epics, suivis dans des outils comme Jira, n'évolue pas de manière statistiquement significative après l'introduction des outils d'IA, et les chercheurs n'observent pas de changement dans la taille ou la complexité de ces tickets.

L'explication se situe dans le processus de revue de code. Le délai moyen entre la soumission d'une pull request et sa fusion dans la base de code augmente de 49 % après l'arrivée des agents. La part des pull requests nécessitant des modifications presque double, et le nombre de commentaires par pull request croît de 35 %. Les chercheurs relèvent par ailleurs une hausse de 14 % de la part des salariés participant à des revues de code. Ils ne parviennent pas à attribuer à l'IA des changements significatifs d'emploi, après examen des effectifs actifs dans Jellyfish et recoupement avec des données LinkedIn.

L'IA est elle-même utilisée pour la revue : en mars 2026, 80 % des entreprises mesurées avaient recours à une forme de revue de code assistée par IA. Cependant, les agents n'étaient responsables que de 23,3 % des commentaires de revue et de 10,8 % des pull requests, ce qui laisse aux humains l'essentiel de ce travail.

Plusieurs limites doivent être gardées à l'esprit. Les données s'arrêtent à mars 2026, alors que les agents évoluent rapidement. Par ailleurs, 95 % des entreprises étudiées avaient déjà adopté des agents à cette date, et nombre d'entre elles sont probablement encore en phase d'apprentissage sur le moment et la manière de les déployer. Les arbitrages entre temps de codage et temps de revue pourraient donc évoluer à mesure que les équipes acquièrent de l'expérience. Reste la question, posée par les auteurs de l'article source, de la rentabilité des investissements consentis pour faire fonctionner ces agents dans la plupart des entreprises, dès lors que les gains de vitesse à l'écriture sont largement compensés par le temps de revue humaine.