Brian Houck publie le 5 août 2026, dans la newsletter Engineering Enablement de DX, un texte qui prend la crise de la file de revue par un autre bout que l'outillage. Le constat chiffré est brutal : chez Meta, les lignes significatives par diff fusionné par un humain ont augmenté de 106 % en un an, les diffs par développeur et par mois de 51 %, plus de 80 % de cette croissance venant de l'IA agentique ; l'analyse DX mesure une taille médiane de pull request en hausse de 64 %. Pendant ce temps, la part des diffs revus sous 24 h décline et certains grands groupes accumulent des milliers de revues en attente. Or les développeurs souhaitent consacrer environ 7 % de leur temps à la revue. Demander davantage n'est pas une réponse : le calcul ne tient pas.
Avant d'appeler l'IA à la rescousse, Houck repose la question d'usage : quel problème la revue de code résolvait-elle avant l'IA ? Si c'était uniquement trouver des défauts, l'automatisation complète est inévitable et souhaitable. Mais l'étude Modern Code Review de Bacchelli et Bird (ICSE 2013) établit que les commentaires liés aux défauts ne pèsent que 14 % des commentaires effectivement écrits, alors que la détection de défauts est la motivation la plus citée ; plus de la moitié des développeurs déclarent se servir de la revue pour explorer des solutions alternatives, transférer de la connaissance et savoir ce que construisent leurs collègues.
What problem was code review solving before AI arrived?
Une partie du fardeau est, écrit-il, auto-infligée. L'étude Microsoft de 2016 sur 911 développeurs identifiait déjà le délai de retour, la taille de la revue et la compréhension de la motivation comme les trois premiers obstacles ; seuls 26 % rédigeaient toujours une description détaillée. L'IA n'a pas créé cette situation : elle en a hérité et l'a amplifiée.
Une fois les fondamentaux en place, l'IA a un rôle réel. La recherche DX AI Where It Matters montre que les développeurs veulent qu'elle détecte sécurité et conformité, signale les changements risqués et absorbe le volume routinier — mais refusent l'auto-merge, l'auto-commit et le transfert de la redevabilité. Le système RADAR de Meta est donné comme la mise en œuvre la plus aboutie de cette ligne : automatisation d'un sous-ensemble de diffs à risque faible-à-moyen, routage des autres vers des humains, avec des résultats revendiqués nets et un arbitrage assumé sur le transfert de connaissance.
La conclusion emprunte à Margaret-Anne Storey la notion de dette cognitive et d'intention : la question n'est pas de choisir entre revue humaine et revue IA, mais de décider quelles parties de la revue sont trop précieuses pour être automatisées.