SDLC AI-native

Louis Claxton, de l'équipe Applied AI d'Anthropic, a publié le 21 août 2026 un guide en six étapes (Plan, Design, Build, Test, Deploy, Maintain) où les étapes elles-mêmes ne changent pas par rapport au SDLC classique. Ce qui change, c'est le mode d'exécution : chaque étape valide l'artefact que la suivante lit. L'intention est capturée par son auteur d'origine sous forme d'«intent.md», les exigences et la conception fusionnent dans un `spec.md`, et le build fige `plan.md` avant qu'aucun code ne soit écrit. La chaîne de commits devient la piste d'audit.

Jason Clinton, Deputy CISO chez Anthropic, a formulé ce même basculement en juillet 2026 comme un problème d'Amdahl : avec «Claude» écrivant environ 80% du code mergé et les ingénieurs livrant 8 fois plus de code par trimestre, la revue et le monitoring deviennent le goulot d'étranglement s'ils ne montent pas en échelle avec la production. Ses contrôles par étape s'accrochent à des frontières nommées, ce qui est la lecture de «SFEIR» sur la raison pour laquelle le cycle compte plus que les contrôles : un gate est par définition quelque chose placé entre deux étapes.

Les affirmations chiffrées viennent des éditeurs. Les data scientists d'Atlassian Robbie Geoghegan et Fan Jiang rapportent 19% de pull requests mergées en plus pour les dépôts adoptant «Rovo Dev», chiffre qui monte à 59-87% lorsque trois à cinq membres de l'équipe l'adoptent. Paula Hingel, citant le rapport DORA 2025, note que l'adoption de l'IA est corrélée positivement au débit et négativement à la stabilité de livraison.

Gregor Hohpe apporte la réserve qui traverse tout cela : un SDLC piloté par l'IA punit les mauvaises habitudes bien plus vite, parce qu'il amplifie tout, dysfonctionnements compris.