Comment équipes et organisations adoptent le développement assisté par IA.
84 fiches · 168 entities · Mis à jour
De l'essai du développement assisté par IA à la dépendance réelle, il y a un chemin, et ce corpus l'accompagne. Les cultures d'ingénierie absorbent les agents de codage à des rythmes inégaux ; des rôles et des workflows se déplacent ; des résistances et des reprises surgissent ; les promesses de productivité butent sur des contraintes concrètes. Les entrées réunies documentent le changement organisationnel, le transfert de compétences et les effets mesurés de l'IA sur le quotidien des équipes logicielles. Les mesures de production des développeurs, et la querelle sur leur lecture, les parcourent. Ce qui retient l'œil, c'est la mutation vécue — pilotes, déploiements, distance entre gain promis et gain obtenu — l'outillage lui-même relevant d'autres corpus.
0.31 SD d'amélioration globale
Programme de tutorat IA · déclaré dans la source
14% des AI-using workers expérimentent du brain fry
Étude BCG HBR mars 2026 · déclaré dans la source
5 000 employés
Moderna · déclaré dans la source
95% des pilotes IA en entreprise n'ont aucun impact P&L
MIT NANDA · déclaré dans la source
Billet d'**Ethan Mollick** publié le **31 août 2026** sur *One Useful Thing* (~2 200 mots). Il part d'un incident de sécurité pour poser une question d'organisation : quand une IA devrait-elle demander de l'aide à un humain ?
Ethan Mollick — professeur à la Wharton School (University of Pennsylvania) · auteur du blog *One Useful Thing* sur Substack.
Guide signé **Michael Segner**, publié le **20 août 2026** sur le blog claude.com dans la catégorie *Claude Code* : **5 minutes** de lecture annoncées pour environ **31 500 caractères** de corps, également proposé en PDF. Matériau déclaré : des entretiens avec **plus d'une douzaine** de jeunes pousses, quinze nommées — **Artemis Security**, **Cainex**, **Clay**, **ClickHouse**, **Cognition**, **Commure**, **Crosby**, **Emergent**, **Harvey**, **Heidi**, **Higgsfield**, **Omni**, **Parahelp**, **Translucent**, **Zingage**. (A) Cinq règles d'exploitation : *everyone ships*, *automate the tedium*, *trust, but verify*, *build for rebuilding*, *prototype, dogfood, productionize*, chacune close par des astuces produit et reprise dans une checklist finale. (B) Un corps fait de citations attribuées, chaque règle étant illustrée par des dirigeants nommés plutôt que par une mesure agrégée. Les quatre chiffres mis en exergue sont ceux des entreprises interrogées : **+30 %** de fonctionnalités livrées (ClickHouse), **2 à 3×** de productivité d'ingénierie (Omni), **100 %** du tri de bugs automatisé (Clay), **plus de 6 000 PR par semaine** (Artemis Security). Deux passages sortent du registre du témoignage : la boucle d'auto-correction de **Cainex** sur le codage médical, décrite étape par étape, et l'usage interne de **Claude Tag** chez **Anthropic** comme premier répondant d'astreinte CI/CD. La question posée en ouverture — *« what would it look like if an organization built their product development lifecycle with Claude Code from the ground up? »* — rejoint [[claxton-anthropic-ai-native-sdlc-playbook-2026-08-21]], paru le lendemain chez le même éditeur, et prolonge [[cherny-wu-reflecting-year-claude-code-2026-07-17]].
Michael Segner · auteur du guide sur le blog claude.com (fonction non affichée par la page) ; entretiens avec les dirigeants de quinze entreprises nommées.
Billet du blog corporate de **Block** (`block.xyz/inside`), non signé — l'auteur affiché est **« Block »** —, publié le **18 août 2026**, ~930 mots, qui annonce **l'ouverture du code de Berd**, l'application de bureau interne de Block pour travailler avec des agents, et expose la thèse de conception qui l'a guidée : donner du caractère aux agents *« not only through roles, instructions, skills, and tools, but through distinctive visual identities »* — d'où les personnages animés maison, les *« Gloopies »*. Le billet part d'un constat de fragmentation (*« The technology was powerful, but the experience around it was fragmented »*) et d'un problème d'interface nommé avec précision : *« the product gives people little sense of how the agent is configured, which context and tools are available to it, and how it differs from another agent »*. Deux apports structurants. **(A) Une articulation en trois étages** : **goose** reste le framework et le *runtime* qui tient la boucle d'agent ; **Berd** est le client de bureau (projets, contexte, sessions, agents, configuration) ; les deux communiquent par l'**Agent Client Protocol**. **Buzz** est désigné comme la suite, quand le travail solo devient collaboratif (*« Start alone, then go multiplayer »*). **(B) Six exigences léguées à Buzz**, énoncées comme bilan : *« private space, durable context, recognizable agent identities, reusable skills, visible configuration, and clearer visibility into an agent's configured context, tools, and capabilities »* — grille directement réutilisable pour évaluer un client d'agents. Le texte distingue lui-même identité et capacité : *« The avatars make the agent recognizable. Its role, skills, and tools make it useful. »* Aucun chiffre d'usage n'est produit et aucune licence n'est nommée pour l'ouverture de code.
**Aucun auteur nommé** : le billet est signé **« Block »** — le champ *Author* de la page porte le nom de l'entreprise. Publié le **18 août 2026** sur `block.xyz/inside` · le blog **corporate** · et non sur `engineering.block.xyz`.
Post X d'**Andrew Ng** du **14 août 2026** (16:29 UTC), reprise de la lettre « Dear friends » de ***The Batch* n°366** (DeepLearning.AI, même date), ~900 mots. Ng présente **The AI Engineering Skills Map** et publie **quatre compétences** tenues pour les plus importantes. **(1) Construire et déployer des applications IA** — la spécificité est nommée : *« The key difference between AI and non-AI applications is that the former has unpredictable outputs »*, d'où l'accent mis sur les *evals* et les boucles d'analyse d'erreurs. **(2) Les fondamentaux du génie logiciel**, parce que *« Understanding software fundamentals allows you to recognize what tradeoffs even exist »* — le développeur inexpérimenté échoue *« because they don't know what context to give their coding agent »*, d'où l'objectif de *« steering coding agents using the precise language of software engineering »*. **(3) L'usage des agents de codage**, dans une formulation opérationnelle : *« help the agent autonomously close loops by providing verifiers or evals »*, et *« knowing how much to intervene and how much to leave them alone »*. **(4) *Shaping the build*** : *« Given a clear spec, coding agents are rapidly improving at delivering to it. Thus, our work as engineers is shifting toward deciding what should be in the spec »*, assorti de *« Engineers should no longer expect to be given a pixel-perfect design and asked only to implement it. »* Une **note de terminologie** porte l'essentiel du cadrage : Ng parle de **compétences** d'AI engineering et **non du rôle** « AI Engineer », avec une analogie explicite — *« All developers today should know how to work with the cloud, and only a smaller number have a "Cloud engineer" title. »* L'ensemble est adossé à *« une analyse de plus de 10 000 offres d'emploi, des dizaines d'entretiens structurés avec experts, hiring managers et recruteurs, des sondages et d'autres données en ligne »*, dont **aucun résultat chiffré n'est publié** : Ng qualifie son procédé de *« informally… akin to running clustering »* et annonce une carte détaillée dans de futurs billets. Il déclare l'intérêt en avant-dernière phrase : *« DeepLearning.AI's principal focus is to help developers gain these AI engineering skills. »*
**Andrew Ng** — fondateur de **DeepLearning.AI** · general partner d'**AI Fund** · cofondateur de **Coursera** et de **Google Brain** · ancien chief scientist de Baidu. Texte signé · à la première personne · écrit *« with my team »* sans qu'aucun collaborateur soit nommé. Publié le **14 août 2026** sur X et dans ***The Batch* n°366** — même texte aux deux endroits ; préférer *The Batch* pour toute citation durable. Quatrième fiche Ng du corpus · après les lettres n°350 (24 avril) · n°352 (8 mai) et n°359 (26 juin).
Rapport de recherche interne du **12 août 2026** (format *What ? — So What ? — Now What ?*, enquête menée les 11-12 août) sur une question simple : les applications **desktop** de ChatGPT et de Claude sont-elles meilleures que leurs versions **web** ? La réponse est en deux temps. **(A) Un consensus qualitatif solide et sourcé existe.** Le point de départ est incontestable : desktop et web appellent exactement les mêmes modèles cloud, l'application n'étant qu'une interface du service — le gain se situe donc intégralement dans l'enveloppe applicative (latence d'accès, stabilité en session longue, empreinte mémoire, intégrations système, fluidité du workflow). Ce qui distingue réellement le desktop, confirmé : côté OpenAI, raccourci global (Option/Alt + Espace), *companion window* toujours au premier plan, captures d'écran natives, et depuis juillet 2026 l'agentique **Codex/Work** intégrée à l'app ; côté Anthropic, **Quick Entry** (macOS), **Desktop Extensions** (installer un serveur **MCP** local devient *« as simple as clicking a button »*), accès aux fichiers locaux, **Cowork** et **Computer Use** (permissions Accessibilité et enregistrement d'écran). Le web garde deux atouts confirmés : multi-onglets / multi-fils, et universalité sans client à installer. **(B) La quasi-totalité des chiffres qui circulent pour étayer ce consensus ne résiste pas à la vérification.** L'audit critique du rapport (§1.5) classe **non confirmées** sept affirmations chiffrées largement reprises : le *cold start* « 2-3 s vs 8-12 s » (seule trace, un *« loads in about 3 seconds »* anecdotique sur Substack) ; la RAM « 200-700 Mo vs 1,2-2 Go », attribuée à un « Alibaba Product Insights » dont les pages renvoient **404** ; un *glitch rate* et une rétention de session introuvables ; un « Claude +10-20 % end-to-end » attribué à **Skywork**, qui avait en réalité benchmarké son propre agent Windows et non Claude contre le web ; une source « Cosmo Edge » introuvable ; des citations Zenken AI non confirmées ; et deux posts X non authentifiés, sans URL. Le contre-signal est documenté avec la même rigueur : Yuri Dvoinos décrit une app Claude Desktop qui *« makes me want to throw my laptop out the window »* — 68 % de CPU, lag de saisie sur MacBook Pro —, et le rapport rappelle que les deux apps sont des constructions **Electron** avec couches natives. D'où sa formule : *l'avantage desktop est une promesse d'implémentation, pas une loi de la nature.* **Le « So What »** : puisque le modèle est devenu le point commun, l'interface devient le champ de bataille — la fusion **Codex + ChatGPT** du 9 juillet 2026 et le tandem Cowork / Computer Use racontent la même histoire, *« l'app desktop n'est plus un client de chat, c'est un runtime d'agents avec accès à la machine »*. Trois conséquences : le gain est un gain de **friction**, non de puissance ; pour une DSI, le desktop **déplace la frontière de confiance** — Computer Use exige des permissions système sensibles et la fusion Codex place exécution de code, navigateur et connecteurs dans *« one expanded trust boundary »*, là où le navigateur reste gouvernable par SSO, DLP et CASB ; et pour qui publie, la fragilité des chiffres est en elle-même l'information. **Le « Now What »** livre des critères de bascule individuels, une checklist DSI (inventorier les permissions, désactiver Computer Use et Cowork par défaut, cadrer les extensions MCP autorisées, organiser distribution et mises à jour — sur Linux, hors dépôt apt, Claude Desktop ne se met pas à jour seul) et une consigne éditoriale : ne citer que les verbatims et dates confirmés.
**Deep Research Veille Interne** — rapport non signé · produit par une enquête sourcée menée les **11-12 août 2026** et rendu le 12.
Retour d'expérience publié sur **LinkedIn Pulse** le **12 août 2026** par **Guillaume Dumortier**, dans sa newsletter *Growth Marketing Fit*, sous-titré *« Four layers, a lot of rebuilding, and the failure modes nobody warns you about »*, ~2 500 mots. L'objet : un système d'IA interne construit **dans Claude** pour une équipe marketing d'une soixantaine de personnes — une trentaine de **skills** contenu et vente, une douzaine de **modules de source de vérité**, **sept agents dont six n'existent que pour contrôler le travail plutôt que le produire**, un **plugin** pour ceux qui vivent dans un terminal, une **application navigateur** portant la même connaissance pour tous les autres, et une orchestration qui enchaîne trois ou quatre actifs en un *campaign bundle*. La thèse est posée tôt : la qualité d'une sortie IA n'est pas déterminée au moment de la génération, mais par ce que le système sait avant de commencer et par ce qui arrive au brouillon après — *« L'étape de génération au milieu est la partie facile. C'est aussi la seule que la plupart des équipes ont construite. »* D'où quatre couches : **Vérité** (presque personne ne la construit), **Production** (tout le monde), **Vérification** (presque personne), **Distribution interne** (*« là où les bons systèmes meurent de négligence »*). Deux mécanismes de défaillance portent l'article. **(A) Le « pass » nu d'un vérificateur en monde clos** : un vérificateur de faits adossé à la documentation produit reçoit un brouillon contenant une affirmation sur un autre produit, que ses sources ne couvraient pas — il rend un *« pass »*, non parce que l'affirmation était vraie mais parce que rien ne la contredisait. *« Il n'a pas seulement raté l'erreur, il l'a certifiée. »* Correctif : interdire le verdict nu et exiger que chaque rapport déclare sa **propre couverture** — combien d'affirmations vérifiées, combien appariées à des sources, lesquelles hors juridiction, lesquelles possédées par aucune source. *« "Je ne peux pas vérifier ceci" est devenu un résultat de première classe. »* **(B) La contradiction inter-actifs** : deux actifs peuvent être individuellement corrects, chacun traçable vers une vraie source, et se contredire — le communiqué dit une date, l'article de blog une autre, les deux passent, le bundle est inexpédiable. *« La vérification par actif ne peut pas attraper ça, par construction. »* Clausule de l'article : *« The generation is free. The trust is the product. »*
**Guillaume Dumortier** — auteur de la newsletter LinkedIn **Growth Marketing Fit** (~1 300 abonnés à la publication). Il écrit en **praticien-constructeur** : il a passé *« une longue partie de cette année »* à bâtir et exploiter le système décrit. La légende de l'illustration précise le socle technique — *« A custom-built Marketing AI OS within Claude »*. Publié le **12 août 2026**.
Article long format publié sur **X** le **11 août 2026** par **Jesse Zhang**, CEO de **Decagon** (agents IA de service client), sous un titre en forme de dilemme — *« To FDE, or not to FDE? »* — consacré au **Forward Deployed Engineer**, devenu *« la réponse à presque toutes les questions difficiles du go-to-market IA »*. Constat de départ : Anthropic et OpenAI ont monté des bras de déploiement entreprise explicitement calqués sur Palantir, *« chaque boîte en seed »* affiche une offre FDE, et les annonces pour ce titre seraient en hausse de plusieurs centaines de pour cent en un an. **(A) La généalogie Palantir** fournit l'armature : la formule de **Shyam Sankar** (CTO), *« FDEs eat pain and excrete product »*, et le rappel de **Joe Lonsdale** que Palantir a passé près de deux décennies traitée de *« cabinet de conseil déguisé »* sur la base d'une observation exacte. Les déploiements bespoke de **Gotham** (CIA, NSA, renseignement militaire) ont été encodés en primitives de plateforme — ontologie, modèles d'objets, permissions, moteurs de workflow, traçabilité de provenance — devenues **Foundry**, puis Apollo et AIP ; la standardisation a fait monter la marge brute dans les 80 % et Palantir est passée d'un motion FDE à une vente par comptes, beaucoup de FDE migrant vers l'ingénierie cœur. *« La douleur était l'intrant du produit, pas un coût de vente. »* **(B) Le critère proposé** n'est pas de renoncer au FDE mais de savoir quand s'arrêter : y aller tôt, puis se demander si l'on est encore en train de **découvrir** — *« Le piège, ce n'est pas de commencer. C'est de ne pas s'arrêter. »* **(C) Une distinction que peu font : FDE ≠ implémentation.** *« Construire cette intégration dans leur système de ticketing »* est un travail réel mais d'exécution contre une spec connue, non de découverte d'une spec inconnue ; confondre les deux *« est la façon dont une entreprise se convainc qu'une org de services qui grossit est un investissement produit »*. Chute : *« Si vos FDE digèrent de la douleur et excrètent encore de la douleur, vous n'avez pas une équipe FDE. Vous avez une entreprise de services. »* Deux chiffres sont avancés sur Decagon — *« deux tiers du travail de déploiement se fait désormais de façon autonome via Duet »* et *« quelques jours en moyenne pour lancer le premier AOP, même pour de grandes banques, compagnies aériennes, télécos »* — sans que le dénominateur « travail de déploiement » soit défini ni le sigle AOP développé.
**Jesse Zhang** — cofondateur et **CEO de Decagon** (agents IA de service client, San Francisco) · 85 000 abonnés sur X · site personnel `jessezhang.org`. Il cite son cofondateur **Ashwin Sreenivas** · **ex-Palantir** · d'où la profondeur du récit Palantir. Publié le **11 août 2026**.
Brève de presse spécialisée (**Payments Dive**, format *Dive Brief*, **6 août 2026**) couvrant la publication trimestrielle de **Block** : l'entreprise a déjà déployé plusieurs outils d'IA chez ses clients — **Moneybot** (Cash App) et **Managerbot** (Square) — et n'a pas encore choisi comment les facturer. **Jack Dorsey** en conférence analystes : *« We're in a fortunate position where we can experiment with a number of models, and then choose the right one that's going to align all of our incentives with our customers. »* **Le contexte financier éclaire cette position.** Six mois plus tôt, Block licenciait environ **4 000 personnes, soit ~40 % de ses effectifs**, dans une réorganisation explicitement centrée sur l'IA. Au T2 2026 : profit brut **+25 % à 3,2 Md$**, revenus **+10 % à 6,62 Md$**, mais **résultat net à 89 M$, en baisse de 83 %** sur un an du fait des indemnités de départ achevant la restructuration ; guidance 2026 relevée. La valeur de l'IA est donc encaissée par la structure de coûts avant de l'être par le prix. **Le fait le plus lourd est au milieu de la brève**, tiré de la lettre aux actionnaires : *« Starting in June, agentic AI helped write and review nearly all of our production code changes »* — écrire **et relire** la quasi-totalité des changements de code en production, chez une entreprise cotée du paiement, six mois après la suppression de 40 % des effectifs. Déclaration auto-rapportée aux investisseurs, sans définition de *« nearly all »* ni de ce que *« review »* recouvre. **L'outillage** : **Goose**, système interne construit deux ans plus tôt, présenté comme agnostique (il intègre différents modèles commerciaux pour les employés) ; **Buzz**, lancé le mois précédent pour *« agent collaboration, communication, and code repositories »*. **Côté clients** : Moneybot surveille l'activité de l'utilisateur Cash App et renseigne comptes, soldes et transactions — plus d'**un million de comptes actifs hebdomadaires** ; Managerbot fait du marketing automatisé, de l'analyse de marge et suggère des *« operational fixes »* aux commerçants Square. Les analystes d'**Evercore ISI** listent quatre voies de monétisation — bundles SaaS, abonnements directs, offres entreprise, tarification à l'usage — dont **aucune n'est indexée sur le résultat**. Ordre de priorité déclaré : **qualité du produit → distribution → adoption → modèle de prix**. Deux faits de distribution complètent le tableau : Square s'installe dans **Google Maps** avec une *« conversational AI experience »*, présentée comme *« the first step in a broader partnership between Square and Google »* ; et le boîtier de paiement **Tags** (porte-clés et baguettes à puce NFC) affiche **trois millions de personnes en liste d'attente**. Citations d'analystes : William Blair (*« Block epitomizes the secular shift toward tech-forward digital finance firms »*) et Bank of America sur le *« post-reset operating model »*.
**Justin Bachman** — Senior Reporter · **Payments Dive** (groupe Industry Dive). Journaliste sectoriel paiements ; signe ici un **Dive Brief** · format court en deux temps (*Dive Brief* = les faits du jour, *Dive Insight* = le contexte) qui compile une conférence de résultats · une lettre aux actionnaires · un communiqué et trois notes d'analystes.
Article de fond (point de vue) publié sur **sfeir.com** le 1er août 2026, signé **SFEIR** (voix éditoriale du cabinet). Il fait converger **deux publications de juillet 2026** aux méthodes opposées — l'expérience de terrain préenregistrée **« The Cybernetic Teammate »** chez **Procter & Gamble** (Dell'Acqua, Ayoubi, Lifshitz, Sadun, **Ethan Mollick** et al., *Organization Science* 37(4), 2026) et le premier rapport de la série **« Work at the Frontier »** d'**OpenAI Economic Research** (27 juil. 2026, >800 000 messages d'utilisateurs américains de ChatGPT) — vers une thèse unique : *« l'IA générative ne se contente pas d'accélérer le travail existant, elle redistribue qui fait quoi »*. L'architecture est en quatre temps : **le mécanisme** (P&G : l'IA est un dispositif de *boundary-spanning*, elle efface les silos fonctionnels — un individu + IA atteint le niveau d'un binôme sans IA, **+0,37 σ**), **l'ampleur** (OpenAI : **43,5 %** des messages métier-spécifiques sortent du métier de l'utilisateur), **l'agenda** (Mollick : les murs s'amincissent, il faut repenser la division du travail, et bien orchestré cela « rapporte gros »), puis **la réponse du cabinet** — la **Skill Based Organisation (SBO)**, adoptée chez SFEIR sous l'impulsion de **Rosalie Zandona** (VP People & Culture) : la **compétence réellement opérationnelle** remplace la fiche de poste comme unité d'organisation (**jusqu'à 13 compétences identifiées par métier**), faisant passer d'une **identité statutaire** (« je suis manager ») à une **identité opératoire** (« je sais concevoir des architectures complexes »). Le mouvement rhétorique est celui de la preuve par l'exemple interne : *« nous avons fait la bascule chez nous avant de la conseiller »*. **Trois réserves consignées** : la bascule SBO date de **février 2026**, donc *antérieure* au diagnostic qu'elle est censée résoudre (l'ordre argumentatif inverse l'ordre chronologique) ; **rien dans les données ne démontre** qu'une organisation par compétences absorbe mieux le crossover qu'une organisation par postes (hypothèse de conception, non testée) ; le résultat P&G circule **depuis mars 2025** (NBER w33641), le « quelques semaines plus tôt » vaut pour la revue à comité de lecture, pas pour le résultat.
**SFEIR** — ESN française « AI Only » (~850 ingénieurs, 8 agences France & Benelux). Voix éditoriale du cabinet (byline « SFEIR »).
Billet et rapport d'**OpenAI Economic Research** publiés le **27 juillet 2026**, premier volet de la série **Work at the Frontier**, sur une analyse de **plus de 800 000 messages d'utilisateurs américains de ChatGPT**. **Concept forgé** : le ***task crossover*** — *« work historically associated with one occupation appearing in the AI use of people in another »*. **Le chiffre-titre est double, et c'est le point que les reprises perdent** : **16,8 % des messages liés au travail** portent sur des tâches associées à un autre métier, et **43,5 % des messages spécifiques à un métier**. L'entonnoir explique l'écart : **61,5 % de l'usage est générique** (écrire, résumer, planifier — trop partagé pour valoir preuve de crossover) et écarté ; sur les **38,5 % restants**, **43,5 % tombent hors du métier** et 56,5 % *« inside **or near** »* — la borne haute est donc calculée sur une base réduite, la borne basse sur l'usage professionnel entier. **Par métier** (part des messages métier-spécifiques renvoyant à une tâche extérieure) : expérience client **77 %**, design **75 %**, RH **69 %**, juridique **56 %**, marketing **53 %**, vente **40 %**, finance **40 %**, ingénierie **28 %** — *« a majority in five of eight groups »*. **Deux directions distinctes de circulation** : le design **importe** (35,2 %) et n'**exporte** presque rien (1,7 %) ; l'ingénierie fait l'inverse (importe 18,5 %, exporte 7,4 %) ; le **marketing cumule** (importe 24,3 %, exporte **8,9 %**, la plus forte part sortante de l'échantillon). **Deux tâches figurent dans le top 3 des emprunts des sept autres groupes** : le **calcul financier** et le **dépannage technologique**. **La heatmap, absente des reprises, est l'objet le plus riche** : elle donne la distribution complète des tâches par métier d'utilisateur, et sa diagonale est renversante — l'ingénierie retient **53 %** de son propre travail quand l'expérience client n'en retient que **11 %**, les RH **10 %** et le design **12 %**. **Effet de taille** : la part hors métier passe de **18,9 %** (2-5 postes) à **16,3 %** (>100 postes) — **mais uniquement « among average users »**, OpenAI précisant que *« among the heaviest users, we do not see the same monotonic pattern »*, et concluant au conditionnel : *« AI **may be** especially useful as a generalist tool where specialist resources are scarce. »* **Statut revendiqué** : un **signal avancé**, visible *« before firms rewrite job descriptions or create new job titles »*. **Réserve structurelle** : OpenAI mesure l'usage d'OpenAI, sur les seuls utilisateurs américains de ChatGPT, et présente cette position comme un atout — *« our unique window into how the world of work is changing »*.
**OpenAI Economic Research** — équipe de recherche économique d'OpenAI ; la page crédite simplement *« OpenAI »* et la classe sous les tags *Economic Research* et *2026*. Le billet est la porte d'entrée d'un **rapport PDF** (`work-at-the-frontier-report.pdf`) et s'adosse à un cadre antérieur de la même équipe · l'**AI Jobs Transition Framework** · dont il reprend la thèse que de nombreux métiers vont **se réorganiser** plutôt que disparaître.
Capgemini (Aiman Ezzat, DG) — entretien Investir « spécial patrons » : l'IA agentique comme rupture opérationnelle, pas comme techno de plus ; 2 Md€ investis, +30 % sur le dev applicatif et −20 % d'incidents, >11 % des prises de commandes T1, TAM de +400 Md$/an en 2030 — mais « très loin du plug and play » (Investir / Les Echos)
Aiman Ezzat (directeur général de Capgemini) · propos recueillis par La Rédaction d'Investir
Article de fond (point de vue) publié sur **sfeir.com** le 23 juillet 2026, signé **SFEIR** (voix éditoriale du cabinet). C'est un **commentaire stratégique de la note Trésor-Éco n° 391** de la DG Trésor (juin 2026 — cf. [[dgtresor-ia-effets-emploi-2026-06-30]]), relu à travers la doctrine SFEIR « **amplifier l'IA plutôt que la subir** ». L'article salue le **ton prudent d'économiste** de Bercy (mécanismes + incertitude plutôt qu'une prédiction) et en extrait une **thèse en trois temps** : (1) **pas d'effet agrégé mesurable** à ce stade (deux forces qui se compensent — déplacement vs productivité — adoption UE ~20 %) ; (2) un **seul signal empirique solide, sur les juniors** (−16 % d'emploi des 22-25 ans exposés aux US) ; (3) un **danger de long terme qui déplace la question** — le **décrochage compétitif** (non-adoption), pas la destruction d'emplois. Le cœur analytique retenu par SFEIR : l'**élasticité-prix** décide de l'effet emploi (paradoxe de **Jevons** appliqué au code) → l'argument est **structurellement pro-emploi pour les développeurs**. L'article **démonte le narratif « licenciements IA »** (4,5-6,2 % des annonces US, « labellisation » à 59 %) et pointe les **angles morts** de la note (scénario agentique relégué en note de bas de page ; vitesse de diffusion non discutée ; OpenAI/Anthropic devenus sources de Bercy = biais de source non signalé). **Traduction opérationnelle SFEIR** (pour DSI/CTO) : la valeur migre vers intention/architecture/contrôle, former des **ingénieurs augmentés** (programmes **AI Champions**), et éviter l'adoption précipitée (**workslop**, dette technique) via **context engineering** et gouvernance.
**SFEIR** — ESN française « AI Only » (~850 ingénieurs, 8 agences France & Benelux). Voix éditoriale du cabinet (byline « SFEIR »). Positionnement de la maison sur la transformation IA des DSI ; ce texte prolonge la ligne éditoriale portée notamment par Didier Girard (cf. [[girard-sfeir-ai4it-vs-ai4business-budgets-2027-2026-06-24]]).
Décryptage SFEIR (voix cabinet, « lecture d'ingénieurs ») articulant deux cadres trop souvent confondus : le **SDLC** (Software Development Life Cycle — *construire le logiciel correctement et de façon fiable*) et le **PDLC** (Product Development Life Cycle — *construire le bon produit et réussir sur le marché*). Thèse centrale : les deux cycles ne sont pas concurrents mais **emboîtés** — le SDLC est le sous-ensemble du PDLC **logé sous sa phase développement** ; quand une équipe produit atteint le stade « build », un cycle SDLC complet (conception → build → tests → revue → déploiement) s'exécute à l'intérieur. Le SDLC est normé (**ISO/IEC/IEEE 12207**, éditions 2017 et 2026), avec sa lignée de modèles (Waterfall 1970, cycle en V, itératif/spirale, **Agile 2001**, **DevOps/DevSecOps 2009+**) et ses métriques **DORA** (débit, stabilité, MTTR, change failure rate). Le PDLC, englobant, va de l'**idéation/discovery** au **retrait du marché** (à ne pas confondre avec le **PLC** marketing de Theodore Levitt, 1965, qui décrit une *courbe commerciale*, pas un *travail organisé* : « le PLC observe une courbe ; le PDLC organise un travail »). **Point de bascule** : le SDLC ne traite nativement **qu'un risque sur quatre** — via le cadre des **« Four Big Risks » de Marty Cagan** (Valeur → PM, Utilisabilité → Designer, Faisabilité → Lead Engineer, Viabilité business → PM), une organisation excellente en SDLC mais aveugle au PDLC produit « du logiciel dont personne ne veut » — la **« feature factory »** de John Cutler (succès mesuré à l'output, pas à l'outcome). **Pourquoi l'IA change tout** : l'IA générative **comprime le SDLC** (données Google/JetBrains mai 2026 : **~85 % des devs** utilisent régulièrement des agents de code, **~41 % du nouveau code** est généré par IA ; implémentation de semaines → heures), donc le **goulot d'étranglement se déplace vers l'amont** — décider *quoi* construire (Marty Cagan, avril 2026 : « quand le coût du delivery s'effondre, le goulot se déplace vers la discovery »). Conséquences : DORA 2025 (~5 000 pros, 90 % d'adoption IA) montre une **corrélation positive au débit mais négative à la stabilité** (plus de features non validées = instabilité + retravail) ; Andrew Ng (AI Startup School, juil. 2025) rapporte des équipes **inversant le ratio « 1 PM pour 4 ingénieurs » vers « 2 PM pour 1 ingénieur »** ; et avec le **spec-driven development**, la frontière PDLC/SDLC devient **poreuse** (la spec produit devient directement exécutable par des agents). **Ce qu'une DSI doit en retenir** : un SDLC augmenté devient **norme de marché, pas différenciateur** — il faut instrumenter la jonction avec le produit, exiger des **spécifications exécutables** en entrée, croiser métriques techniques et métriques d'outcome, et **refuser le rôle de « fournisseur de features »**. Pour un CPO : le déplacement du goulot vers la discovery est à la fois **promotion** (le jugement produit redevient rare) et **mise en demeure** (industrialiser la discovery pour atteindre la parité avec le SDLC). Le cadre maison SFEIR (« Concevoir et fabriquer à l'ère de l'agentique » — **cycle à 11 phases** + **Software Factory 10x**) est positionné comme réponse au versant ingénierie, le levier suivant étant l'**articulation des deux cycles**. Conclusion : « à mesure que le code devient une commodité, la marge se déplace vers le jugement produit et la gouvernance ».
SFEIR (voix éditoriale du cabinet)
Boris Cherny (Head of Claude Code) et Cat Wu (Head of Product, Claude Code) publient sur LinkedIn une courte vidéo « Reflecting on a year of Claude Code » où ils posent une thèse : les rôles **produit et ingénierie fusionnent**. Chez Anthropic, l'équipe produit, la devrel et le design **écrivent tous du code** ; beaucoup d'ingénieurs **livrent des produits de bout en bout** (idée → build → legal/marketing/sécurité → mise en monde). Leur conclusion : l'IA bénéficie aux profils dotés de **curiosité**, de **goût produit** et d'un goût pour l'**ownership end-to-end**. La fiche capture surtout la **discussion en commentaires** (55, dont 28 retenus) : un consensus qui **reformule** la thèse — ce ne sont pas les rôles qui disparaissent, c'est que **livrer devient bon marché**, ce qui déplace la valeur vers le jugement et la définition du bon problème — face à une minorité lucide sur le revers (responsabilité, gouvernance, IP).
Boris Cherny (Head of Claude Code, Anthropic) et Cat Wu (Head of Product, Claude Code, Anthropic) — vidéo ~47 s publiée par Claude for Business sur LinkedIn · repartagée par Claude. Commentateurs cités : Omer K. · Syed T. · Andrei K. van Noordt · Kristóf Nagy · Natasha Egan · Natasha Newbold · Rehan Nazir · Noman A. · Kevin Schoovaerts · Sunny Vara · Paul Breuler · Ron H. · Mohammadjavad Sayadi · Chris Bounds · Mohamed Anis · Panny Malialis · David H. · plebs.me · James Hutchinson · Dewayne J Grunden II · e.a. (28 commentaires de fond retenus sur 55).
**Boris Cherny** (Creator & Head of Claude Code @Anthropic) publie sur LinkedIn un tableau-framework, **« Steps of AI Adoption »**, qui cartographie l'adoption de l'IA agentique par une équipe d'ingénierie en **5 étapes (0→4)**, chacune caractérisée par un **ordre de grandeur d'agents pilotés** et une **transformation du rôle de l'ingénieur** : **0 Gated** (0 agent, accès verrouillé), **1 Assisted** (~1 agent — « vous + un agent », pair programming supervisé), **2 Parallel** (~10 agents — **orchestrateur**), **3 Supervised autonomy** (~100 agents — **manager de managers**, un arbre org), **4 AI-native** (~1 000+ agents — **VP qui pilote par l'intention**). Le tableau croise cinq colonnes : nombre d'agents, *à quoi ça ressemble*, *le goulet d'étranglement*, *les produits qui aident*, *les garde-fous*. **Thèse centrale** : consommer plus de tokens ne fait pas monter d'un cran — pour passer à l'étape suivante il faut **identifier et casser le prochain goulet d'étranglement** ET **bâtir le prochain jeu de garde-fous**. Concrètement : donner à Claude une **boucle d'auto-vérification** de confiance (tests + build + lint + e2e sur un vrai environnement), activer l'**Auto mode** (éviter les prompts de permission bloquants), passer **code review et security review par défaut**, adopter des interfaces multi-agents (Agent view CLI, Desktop, apps iOS/Android, Tag), puis `/loop`, `/batch`, `/goal`, **dynamic workflows** et **worktree isolation** pour subagents. Sur le pilotage : l'usage (dashboard) mesure l'**activité, pas le retour** ; la bonne question est *« aurait-on de toute façon dépensé de l'effort d'ingénierie là-dessus ? si oui, combien d'heures-ingénieur manuelles cela aurait-il coûté ? »* — voilà le ROI. Le vrai gain arrive quand **corriger et maintenir se fait en arrière-plan** et que les équipes se concentrent sur *construire*. Anthropic se situe à l'**étape 3, en route vers 4** ; Boris Cherny déclare avoir personnellement atteint le **niveau 4**.
Boris Cherny (Creator & Head of Claude Code @Anthropic)
Netflix — lettre actionnaires Q2 FY2026 : la GenAI passe à l'échelle en production (≈300 titres en 2026), LLMs pour la découverte et recherche en langage naturel, outils IA sur tout le cycle publicitaire (Netflix)
Netflix — management (co-CEOs Greg Peters & Ted Sarandos, CFO Spence Neumann, VP Finance & Capital Markets Spencer Wang)
Digest de veille à sources primaires sur la position de **Gregor Hohpe** (auteur d'*Enterprise Integration Patterns*, *The Software Architect Elevator*, *Cloud/Platform Strategy* ; ex-Enterprise Strategist AWS & Google Cloud, ex-Chief Architect Allianz) quant au rôle de l'architecte à l'ère de l'IA générative. Thèse : l'IA **ne dévalorise pas** l'architecte, elle **déplace sa valeur** du code vers ce que l'IA ne fait pas — **prendre et assumer des décisions, arbitrer les compromis, « vendre des options », communiquer avec des humains, produire des abstractions justes**. Formule-clé (Craft Conference 2026) : « *Developers mainly interact with machines… GenAI. In contrast, architects communicate with humans* ». Sa thèse-signature (« l'architecte ne doit pas être le plus intelligent de la salle, il doit **rendre tous les autres plus intelligents** ») se renforce quand le code devient abondant : l'avantage vient de la **discipline de décision** et de la **mise au jour des compromis cachés**, pas du volume. Le digest décline aussi ses positions par rôle (enterprise architect : de **cartographe à éclaireur** ; software architect : **déboguer** les décisions plutôt que coder ; platform architect : **abstractions et non illusions**), sa métaphore des **options réelles** (valeur croissante avec la volatilité technologique, analogie Black-Scholes), et ses avertissements (« *An AI-driven SDLC punishes bad habits much faster* » ; les gagnants de l'IA se définiront par leur vitesse à passer de l'expérimentation à une **production gouvernée**). ⚠️ La formule répandue « les architectes qui utilisent l'IA remplaceront ceux qui ne l'utilisent pas » **n'est pas de Hohpe**. Domaine : architecture logicielle, rôle de l'architecte, prise de décision, options réelles, plateformes, GenAI dans le SDLC.
Gregor Hohpe (sources primaires) — digest de veille
Note d'analyse SFEIR qui relit le métier d'architecte logiciel à l'ère de l'IA générative à travers le cadre de **Gregor Hohpe** (*The Software Architect Elevator*). Thèse centrale : l'architecte « **Oracle** » — détenteur du savoir suprême édictant des règles depuis sa tour d'ivoire — est obsolète, car l'IA génère code et propositions à la demande ; l'architecte moderne devient un **amplificateur d'intelligence (IQ Amplifier)** qui fournit aux équipes les modèles mentaux, le contexte métier et les outils de décision pour exploiter l'IA tout en garantissant la cohérence du système. Le document décline l'impact **étage par étage de l'« Ascenseur de l'Architecte »** (Enterprise / Solution / Platform / Software architect) et défend le **Domain-Driven Design (DDD)** comme garde-fou indispensable : le **langage ubiquitaire** sert de base aux *system prompts* (dictionnaire de domaine injecté via `.clinerules`/templates, réduisant hallucinations et contre-sens métier) et les **contextes limités (bounded contexts)** restreignent le scope confié à l'IA pour maximiser la fiabilité de la génération. Conclusion : l'IA n'est pas une menace mais un catalyseur qui décharge l'architecte de la saisie technique pour valoriser synthèse, vision stratégique, modélisation et lien humain tech↔business. Domaine : architecture logicielle, rôle de l'architecte, DDD, prompting structuré, gouvernance IA d'entreprise.
SFEIR (synthèse) — d'après Gregor Hohpe
Prasanna Sankar (co-fondateur/CTO de Rippling, fondateur de Vorflux) publie « The Great Flattening » — un essai-manifeste affirmant que les modèles de codage sont devenus **surhumains** et que le goulot d'étranglement a basculé de la production de code vers l'**encodage du jugement** dans les *agent harnesses*. Tout ce qui est à l'intérieur de l'organisation « s'effondre vers le harness » ; le travail réel de chacun devient le *self-profiling* : extraire les frameworks de décision tacites de sa tête pour les inscrire dans la codebase. Lancement simultané de Vorflux (« autopilote pour le software engineering »), $15M seed (Y Combinator, Peak XV Partners, Alliance DAO). L'essai a attiré 60 000+ vues sur X en 24h.
Prasanna Sankar (Prasanna S, @myprasanna) — co-fondateur et ex-CTO de Rippling ($16B+ valorisation) · fondateur et CEO de Vorflux AI. Article publié sur X (format long-form article) le 14 juillet 2026 · contenu repris comme manifeste Vorflux (vorflux.com/manifesto).
Message de **Linus Torvalds** sur la mailing list **linux-media** (thread « Linking Patchwork with Sashiko? », outil LLM d'aide aux mainteneurs), où le créateur et **top-level maintainer** du noyau Linux **tranche officiellement la position du projet sur l'IA**. Répondant à Roman Gushchin qui pointait qu'un message adverse exprimait « une position très anti-LLM en général », Torvalds acquiesce (« Yes ») puis **récuse frontalement que ce soit la position du kernel** (« And no, that's not the position of the Linux kernel »). Il **pose le pied** en tant que mainteneur suprême : **« Linux n'est pas un de ces projets anti-IA »** ; ceux que cela dérange peuvent **« faire le truc open source : forker »** — « ou juste partir ». **Thèse centrale** : **« l'IA est un outil, comme les autres outils qu'on utilise, et clairement un outil utile »** ; ce n'était « peut-être pas si "clairement" il y a un an, mais ce n'est plus en question aujourd'hui ». Il distingue les questions **encore ouvertes** (« à quoi ressemblera vraiment l'économie de l'IA au final ») de la question **tranchée** (« est-ce utile ? ») — « quiconque en doute n'a clairement pas vraiment essayé ». Il **concède** que l'outil peut être **« douloureux »** — charge des mainteneurs, et le fait qu'il « n'arrête pas de trouver des bugs embarrassants » — mais refuse la posture de l'autruche (« mettre la tête dans le sable en chantant "La La La, I can't hear you" »). **La bonne réponse** : faire en sorte que **les outils LLM _aident_ les mainteneurs** plutôt que de leur causer de la peine. **Non-coercition assumée** : « on ne force personne à l'utiliser, mais **j'ignorerai très bruyamment ceux qui cherchent à empêcher d'autres de l'utiliser** ». Sur l'imperfection : « l'IA n'est pas parfaite, mais bon sang, quiconque pointe ses problèmes ferait bien de se pointer aussi lui-même dans le miroir » — « **l'intelligence naturelle n'est pas toujours si géniale non plus** ». **Cadre de gouvernance** : le projet kernel « a toujours été et restera une affaire de **technologie** » ; l'angle social de l'open source est un « bénéfice secondaire, pas le _but_ » ; **« ce n'est PAS un projet de "social warrior", ne l'a jamais été et ne le sera jamais »** ; « on fait de l'open source parce que ça produit une **meilleure technologie**, pas pour des raisons religieuses ». Conclusion-programme : **« on décide d'abord sur le mérite technique. Pas sur la peur des nouveaux outils. »** À lire comme une **prise de position doctrinale** d'une des figures les plus influentes du logiciel — écho au contre-témoignage pro-LLM d'ESR (autre pilier de l'open source, [[raymond-llm-coding-empowering-2026-07-08]]).
Linus Torvalds (torvalds@linuxfoundation.org) — ingénieur logiciel finlando-américain · **créateur et mainteneur suprême du noyau Linux** (depuis 1991) et de **Git** (2005). Employé de la **Linux Foundation**. Figure centrale et notoirement franche de l'open source · dont la parole sur les mailing lists du kernel fait autorité et jurisprudence dans la communauté. S'exprime ici en sa qualité de **top-level maintainer** pour fixer la position officielle du projet vis-à-vis des outils d'IA. Autres participants au thread cités : Roman Gushchin (linux.dev) · Laurent Pinchart · Mauro Carvalho Chehab · Konstantin Ryabitsev (Linux Foundation) · Steven Rostedt · Stephen Finucane · Jason Gunthorpe · entre autres. (Message de mailing list linux-media ; date : 2026-07-14 ; date d'ajout à la veille : 2026-07-17.)
Post X d'**Eric S. Raymond** (ESR, auteur de *The Cathedral and the Bazaar*, co-fondateur de l'Open Source Initiative, ~50 ans de code) — **contre-témoignage frontal au discours « les LLMs génèrent du code pourri et hallucinent, inutiles pour programmer »**. Sa thèse : cela **ne lui arrive quasiment jamais**, et **plus du tout depuis les deux dernières générations** de modèles qu'il utilise (« chat GPT 5.4 et 5.5 » sous **codex**). L'ancien symptôme — un modèle qui « déraille » en approchant sa limite de contexte — a disparu : codex affiche désormais un **avertissement rouge** invitant à **vider la session** au lieu de partir en vrille. **Empan d'usage** : IA appliquée à des **feature changes, refactoring et debugging sur 63 projets** en **C, Go, Rust, Python et shell** ; rédaction de documentation ; **décompilation d'un binaire DOS en source lisible**. **Routine de travail** installée : quand il rouvre un projet, il lance d'abord les **tests de régression**, puis démarre codex et lui demande d'**auditer le code** (bugs + suggestions d'amélioration). Verdict : les LLMs sont **« excellents et formidablement capacitants »** ; leur **pire limite** est une **« vision en tunnel architecturale »** — excellents pour générer du code à la spécification, mais parfois **aveugles aux patterns de plus haut niveau** — ce qu'il assume comme le **job de son « meatbrain »**. Le point le plus fort, contre-intuitif : les LLMs **ne se trompent PAS sur les détails et les cas limites** ; il se dit **moins bon qu'eux** sur ce plan (malgré 50 ans d'XP) car si un changement doit **toucher cinq endroits**, le modèle **les retrouve les cinq de façon fiable**, là où l'humain en corrige quatre et **débogue des heures** avant de trouver le cinquième oublié. Il interroge alors les **« downshouters »** : vivent-ils dans un **autre univers** ? Utilisent-ils de **vieux modèles faibles** ? Y a-t-il un **skill issue** qu'il ne voit pas parce que ses **habitudes mentales et sa communication** collent bien aux « poignées » de ces outils ? Enjeu qu'il juge important à trancher, car « des **milliards de dollars seraient gaspillés en token spend mal dirigé** ». Sa recette, « très simple » : **« Be clear in your thinking, tell the model what you want with precision, and good things happen »** — chute : « what am I missing here? ». À lire comme **contrepoint pro-LLM d'une figure historique de l'open source** au débat récurrent sur la (dé)valeur des agents de codage — écho au « skill issue » et à la discipline de spécification (cf. [[martignole-token-manifesto-2026-07-17]]), et en diptyque avec la prise de position doctrinale pro-outil-IA de **Linus Torvalds** au nom du kernel Linux ([[torvalds-llm-outil-kernel-2026-07-14]]).
Eric S. Raymond (ESR, @esrtweet sur X) — développeur · hacker et essayiste américain · **figure historique du mouvement open source**. Né le 4 décembre 1957 à Boston (Massachusetts) ; paralysie cérébrale de naissance · enfance en partie au Venezuela puis en Pennsylvanie. Auteur de l'essai très influent **« The Cathedral and the Bazaar »** (1997, livre 1999) · qui oppose le modèle « cathédrale » (développement centralisé et fermé) au modèle « bazar » (décentralisé et ouvert, à la Linux) ; il a **popularisé le terme « open source »** (contre « free software ») et contribué à convaincre **Netscape** d'ouvrir son code (naissance de Mozilla). **Co-fondateur de l'Open Source Initiative (OSI)** en 1998 · président jusqu'en 2005. A édité le **Jargon File** (*The New Hacker's Dictionary*) · maintenu des projets comme **Fetchmail** · écrit **« The Art of Unix Programming »** (2003). Se revendique **libertarien** · défenseur du port d'armes · ceinture noire de taekwondo ; commente régulièrement tech · politique et open source sur X. Se présente ici comme codeur « très · très bon » avec **~50 ans d'expérience**. (Post X personnel ; date de publication : 2026-07-08 ; date d'ajout à la veille : 2026-07-17.)
Essai de Jean-Paul Paoli (*The Intelligence Fabric*) qui déplace la peur de l'IA au travail : le vrai danger n'est pas le **remplacement** (le poste qui disparaît) mais le **délitement silencieux** des liens d'équipe pendant que *tout le monde reste employé*. Thèse : quand chaque salarié fait de l'IA son **premier confident et collaborateur**, trois « fils » du tissu organisationnel se défont sans licenciement — les **liens entre pairs** (le transfert de savoir tacite du junior au senior court-circuité), le **lien manager-salarié** (les signaux d'alerte précoce disparaissent, le manager devient « le dernier informé au lieu du premier ») et le **jugement professionnel** (on cesse de former ceux qui savent *faire* et évaluer si la machine se trompe). Paoli nomme le phénomène **shadow intimacy** (par analogie au *Shadow IT*) et prescrit non un bannissement mais un « re-tissage » délibéré, fil par fil. Domaine : management, transformation organisationnelle, IA au travail, dépendance affective aux modèles.
Jean-Paul Paoli
Article de fond (point de vue) publié sur **sfeir.com** le 24 juin 2026, signé **Didier Girard** (Managing Director, SFEIR). **Thèse centrale** : en 2024 tout le monde pariait sur l'**AI4Business** (l'IA dans les processus métier) comme grand gisement de valeur ; en 2026, le constat s'est **inversé** — c'est l'**AI4IT** (l'IA pour produire le système d'information : code, SDLC, usine logicielle) qui crée la valeur **mesurable**. L'article *grounde* cette thèse sur la veille du cabinet : déception AI4Business (étude MIT « 95 % de pilotes sans ROI », contestée mais révélatrice ; blocage **organisationnel** / problème hayékien de Mollick) vs preuves AI4IT chiffrées (Salesforce, Intercom, Raiffeisen, AWS/Bedrock, Atlassian, DORA). Explication mécaniste : **le code se vérifie tout seul** (compilation, tests, CI) là où le processus métier n'a ni compilateur ni boucle de feedback immédiate. **Conséquence budgétaire 2027** : bascule **CapEx→OpEx**, dynamique du prix du token (pointe qui monte — Fable 5 à 2× Opus — vs inférence ÷280 et pression baissière open weights/desktop), et **FinOps de l'IA** piloté au **coût par outcome**. Clôture par **4 recommandations COMEX**.
**Didier Girard** — Managing Director (CTO / DG) de **SFEIR** · ESN française (~1 000 personnes, France · Belgique · Luxembourg · Suisse). Auteur de l'article ; voix éditoriale du cabinet sur la transformation IA des DSI.
Entretien podcast « À la French » (chaîne tech francophone, enregistré au DevSummit) avec Mathieu Grymonprez, Global CDO du groupe Adeo (Leroy Merlin, Obramat, Weldom). Comment un groupe de retail familial centenaire embrasse la vague de l'IA agentique : culture vs structure, accountability, coût des tokens et FinOps, lock-in de l'intelligence d'entreprise, mémoire d'entreprise et orchestration d'agents. Domaine : transformation digitale, IA agentique, retail, stratégie SI.
Mathieu Grymonprez (Global CDO, groupe Adeo) — invité ; Jean-Baptiste Kempf · Steeve Morin · Mehdi Medjaoui (hôtes du podcast « À la French »)
Post LinkedIn de Fred Plais (CEO d'Archie, ex-Platform.sh) : l'IA a rendu les ingénieurs si rapides que le **goulot d'étranglement s'est déplacé en amont**, là où personne ne regarde. L'exécution n'étant plus la partie lente, le temps de réflexion qui existait « pendant que le code se construisait » a disparu — il faut désormais avoir la bonne vision et prendre les bonnes décisions en une fraction du temps. Deux profils rares émergent : celui qui sait **formuler une vision assez précise** pour qu'un agent l'exécute sans dérailler, et celui qui sait **orchestrer les agents** (anticiper leurs échecs, les chaîner, rattraper une erreur avant qu'elle se propage). Recruter pour le « code output » devient obsolète : c'est précisément ce qui a cessé d'être rare. Thèse finale : « penser clairement a toujours été le métier — la vitesse a juste rendu impossible de faire semblant ».
Fred PLAIS (Frédéric Plais)
Retour d'expérience publié par le **Cornell AI Innovation Hub** (15 juin 2026) : comment une collaboration de deux semestres entre l'AI Hub, des étudiants de master et l'équipe Trésorerie de Cornell a transformé une investigation manuelle chronophage en un outil IA qui a permis de **récupérer 100 000 $** de paiements non identifiés sur un premier lot. Cas d'usage **AI4Business** (processus financier) réussi qui illustre presque point par point le framework **Leader-Lab-Crowd** d'**Ethan Mollick** : l'**AI Hub** joue le rôle du **Lab** (équipe centrale ambidextre, technologistes + étudiants) ; la **Trésorerie** (Cheryl Barnes, Marie Graves…) est la **Crowd** porteuse de la connaissance métier et de la douleur réelle ; et les **100 000 $** constituent la **récompense visible** (vivid win) qui ancre l'adoption — exactement le levier d'incitation que Mollick juge décisif. Méthode-clé : **« contexte d'abord, plan puis build »** via **Claude Code Plan Mode**, chaîne **fuzzy-matching → Gemini Enterprise Web Search → synthèse Claude**, le tout dans le **Cornell AI Gateway** gouverné. *« The $100,000 is a start. »*
**Pete Stergion** — Desktop Engineer au Cornell AI Innovation Hub · co-tech lead du projet (avec Phil Williammee). Article institutionnel signé de l'AI Hub.
Étude data d'Atlassian (Inside Atlassian) mesurant le retour réel d'un **SDLC AI-native** outillé par **Rovo Dev**. Sur 3 400 dépôts de 2 500 clients (quasi-expérience avec appariement par score de propension), les dépôts adoptants mergent **19 % de PR en plus par mois** ; jusqu'à **37-51 %** sur les dépôts peu/moyennement actifs et **59-87 %** quand **3 à 5 membres** de l'équipe adoptent l'outil. Côté efficience, les développeurs gagnent **2-3 h/semaine** (≈10 % des 24 h consacrées au code et à la revue), soit 20-30 h/semaine réinvesties pour une équipe de 10. La thèse : résoudre le « paradoxe de la productivité » de Solow (1987) en passant de **métriques d'usage** (tokens) à des **métriques d'impact** (throughput, heures gagnées, taux d'échec, satisfaction). Recommandation : démarrer par une **équipe** (pas un individu) et mesurer 2-3 mois après.
Robbie Geoghegan · Fan Jiang (Atlassian)
Essai-pivot **Dan Shipper** (CEO Every) publié le **21 mai 2026** sur every.to, *« After Automation »* — réponse argumentée à la thèse de l'effondrement du travail intellectuel par l'IA. **Thèse-pivot** : le progrès de l'IA crée **plus de travail pour les humains, pas moins**. Mécanique en boucle (***« the commodification cycle »***) : (1) l'IA banalise la compétence humaine d'hier ; (2) cette compétence bon marché est massivement adoptée → abondance ; (3) l'abondance produit la *sameness* (le *« slop »*) ; (4) les humains exigent de la différence → demande renouvelée d'experts ; (5) les experts utilisent l'IA pour adresser les problèmes d'aujourd'hui → boucle. **Citation canonique** : ***« There's more work to do than ever »*** ; ***« AI commoditizes the residue of human expertise, creating demand for what's different »***. **Cadre conceptuel central — Frame vs. Framer** : les benchmarks mesurent la performance ***« within frames »*** (cadrages de problèmes spécifiques) ; une fois saturés, *changer le cadre remet le compteur à zéro* — les modèles **escaladent les cadres mais ne remplacent pas les cadreurs**. Formule-pivot : ***« the frame is not the framer »***. Même à AGI, des humains doivent **spécifier les objectifs et interpréter les résultats** — *« the frame problem regenerates one level up »*. **Le « Human Sandwich »** : Human sets frame → AI executes → Human judges and extends. **Deux modes de travail avec les agents** : (a) ***agent employees*** — délégation asynchrone (coworker / embedded — Claudie, Andy, Viktor, Fin) ; (b) ***human-AI collaboration*** synchrone (Claude Code et équivalents). **Données Every** : 95 % des emails du CEO traités par l'IA ; **Fin (Intercom) résout 65 % des conversations support**. **Le paradoxe de Zénon de l'IA** : l'IA réduit l'écart en continu, mais les humains restent « la tortue d'avant » parce qu'ils sont ***« alive to a specific moment »*** — *« running wants, running concerns »* — alors que les modèles opèrent sur des données de training historiques. **Benchmarks détaillés** : **GPT-5.5 = 62/100 sur Senior Engineer codebase rewrite** (vs humain 80-90s) ; **GDPval** : 40-49 % du niveau expert humain, **mais avec extensive framing humain**. **OpenClaw 44 469 PRs** en mai 2026 (vs Kubernetes 5 200 sur 2022) — preuve que l'agentique fait *« plus de travail »*, pas *« moins de travail humain »*. **AGI implications** : même AGI, le **framer humain** reste structurellement en avance — il adresse les problèmes *« current, situated »* alors que le modèle opère sur du *« historical training data »*. **Conclusion-pivot anti-tipping-point** : ce n'est pas un événement de bascule, c'est ***un pattern persistant*** qui définit l'avenir du travail. **Pertinence majeure** : contre-récit explicite à *Amodei white-collar bloodbath* / *Sun permanent underclass* / *Anthropic Economic Index* — Shipper, **CEO d'une boîte qui vit avec des agents au quotidien**, propose le cadre théorique qui réconcilie les deux observations empiriques (l'IA fait plus + les humains restent indispensables). Convergence forte avec **Ng "No AI jobpocalypse"** (2026-05-08), **Mollick × roon ASI / FDE** (2026-05-10), **Tatsyi/Raiffeisen "AI made engineers different"** (2026-05-05), **Curran/Intercom 3× R&D** (2026-04-16) — tous racontent que les humains sont *redéployés vers le framing* plus que *remplacés*. Tension productive avec **Sun NYT permanent underclass** (2026-04-30), **Wallace-Wells AI populism** (2026-05-08), **Osmani Cognitive Surrender** (2026-05-05 — le framer humain doit rester actif). À mobiliser pour COMEX / DG / boards : vocabulaire stratégique 2026 — *« frame vs framer »* devient grille canonique de pilotage IA.
**Dan Shipper** — CEO et co-fondateur de **Every** (média / studio AI-native, créateur de la newsletter *Every*, propriétaire du framework et plugin *Compound Engineering* — cf. fiche `shipper-klaassen-compound-engineering-every-agents-2025-12-11.md`). Profil rare : **opérateur-théoricien** · dirige une organisation entièrement augmentée par l'IA (95 % emails CEO automatisés, agents Claudie/Andy/Viktor en production, Fin pour le support) tout en publiant régulièrement des essais conceptuels sur every.to. Voix éditoriale anglo-saxonne de référence dans le corpus 2025-2026 sur les **modes de travail humain-IA**. Article publié sur **every.to/p/after-automation** le **21 mai 2026**.
Article-pivot **Ivan Chepurin & Travis Turner** (Evil Martians Chronicles, **19 mai 2026**) — ***« AI-assisted engineers are burning out, is this fine? »*** — **diagnostic structuré du burnout des développeurs assistés par IA** et **boîte à outils d'intervention** en 5 axes. **Thèse-pivot** : la productivité accélérée par l'IA cache un **coût caché — l'épuisement développeur**. *« Higher productivity doesn't translate to sustainable work practices or job satisfaction. »* Epigraphe Shunryu Suzuki sur l'agitation mentale. **TL;DR — 3 remèdes essentiels** : (1) restaurer le plaisir du processus, (2) reconstruire l'accomplissement / ownership / fierté, (3) supprimer la pression de maximisation continue de la productivité. **Cadre narratif central — Ben vs Alice** : Ben (codage traditionnel) = 4 h de travail steady, charge cognitive distribuée, satisfaction à l'achèvement ; Alice (assistée IA) = 2 h de travail haute-intensité cognitive, task-switching continu, **aucune satisfaction** + remplit le temps libéré par plus de tâches → **escalade exponentielle de la charge** malgré la production accélérée. **Formule canonique** : ***« We compensate for a lack of satisfaction with work quantity. »*** **Disruption structurelle du cycle craft** : (planning → crafting → result) compressé en (planning → result), suppression de la phase méditative de craft remplacée par la **revue de code cognitivement exigeante**. Convergence directe avec **HBR study 2026** (cited) : *« cognitive exhaustion from intensive oversight of AI agents is both real and significant »* + **UC Berkeley research 2026** : workers remplissent les pauses naturelles par des tâches IA. **Quiet career change** — concept-pivot : les devs choisis pour coder font désormais un **travail différent sans transition de carrière consciente**. 4 voies possibles : (1) trouver du plaisir dans la nouvelle structure (priorisée), (2) ignorer l'IA, (3) travailler sans plaisir (insoutenable), (4) changer de métier. **5 facteurs de burnout quotidien identifiés** : (1) ***Losing context*** — l'agent porte la compréhension projet en externe, dette cognitive shift code→people, perte d'intuition système ; (2) ***No time for passive thinking*** — *« The model fills the silence before your own thinking has a chance to connect dots »* (douches, marches éliminées comme moments de problem-solving inconscient) ; (3) ***False expectations*** — vitesse initiale = baseline irréaliste, ralentissements vécus comme échec ; (4) ***Review bottlenecks*** — *« the more code is generated, the more code needs to be reviewed »*, charge cognitive disproportionnée sur les seniors, diffusion de responsabilité ; (5) ***Endless possibilities*** — faible friction du prompting encourage pivots constants, absence de scoping naturel. **Boîte à outils en 5 interventions** : (a) **Acknowledge your wins** (win-log, démos team, tracker heures) ; (b) **Rethink AI workflow** (planning > review, **3-4 iterations max**, pas de task-switching parallèle, séparer tâches IA-heavy par breaks, décomposer) ; (c) **Keep exercising your craft** (protected craft-hours AI-free, *« ask » mode > generation mode*, agents off sur passion projects) ; (d) **Discipline + work-life balance** (heures fixes, vraies pauses, intentions journalières, stop quand fini) ; (e) **Find new areas of interest** (user research, soft skills, analytics, agent fine-tuning + guardrails, perf optim). **Conclusion** : *« AI can be helpful. Problems appear only if you misuse it. »* L'évolution industrie = inévitable ; le bien-être individuel = contrôlable. Convergence majeure avec **Osmani Cognitive Surrender** (2026-05-05), **Frizzo "Year With Claude Code"** (2026-05-05 — *« writing muscle atrophy »*, *« deep flow rare »*), **Bedard BCG/HBR Brain Fry** (2026-03-05 — 1488 salariés, peak 3 outils, +39% errors, +39% intent to leave). Pertinence majeure pour **CTO / VP Engineering / DRH IT** confrontés à la rétention des ingénieurs IA-augmentés en 2026.
**Ivan Chepurin** & **Travis Turner** — auteurs Evil Martians (cabinet de conseil ingénierie indépendant, Berkeley/global, ~150 ingénieurs, spécialiste Ruby on Rails / React / produits SaaS depuis 2010 ; éditeurs du blog *Evil Martians Chronicles* — référence dans la communauté Rails et JS). Article publié dans la catégorie **AI / Developer Community** sur evilmartians.com le **19 mai 2026**. Profil Evil Martians : voix éditoriale **opérateur-praticien** · articles longs ancrés dans le terrain produit · registre **soin du craft + lucidité business** · public habituellement développeurs / CTO / fondateurs early-stage.
Lancement de **AI/works™**, **plateforme de développement agentique** revendiquée par **Thoughtworks** comme *"le nouveau standard pour construire et faire tourner des systèmes industriels à l'ère de l'IA"*. Le pitch fondamental est **économique** : *"le vieux modèle te faisait payer des millions pour construire, faire tourner, puis re-payer pour reconstruire — AI/works™ met fin à cette routine"*. La plateforme couvre **tout le SDLC** autour d'une notion centrale, la ***Super Spec*** (spécification dynamique unifiée couvrant architecture, workflows, sécurité, données, UX), avec **six capacités** : Reverse Engineering (legacy → specs as-is), Dynamic Spec Development (raw requirements → Super Spec), Spec to Code (agents coordonnés générant code testable), Developer Experience (golden paths gouvernés), Control Plane (orchestration agents avec cost transparency, guardrails actifs, end-to-end lineage), Runtime Ops (monitoring continu détectant les changements, mettant à jour la Super Spec, régénérant le code impacté). Méthodologie **3-3-3** : 3 jours pour aligner le concept produit, 3 semaines pour le prototype (desirability/viability/feasibility), 3 mois pour MVP en production. Reconnaissance **Constellation Research** : *"changing the economics of enterprise software delivery"* via une approche *"spec-driven, lifecycle"*. Slogan ouverture : ***"We are doing it again for the AI era"*** — invoquant l'héritage XP/CI-CD/microservices de Thoughtworks. Positionnement anti-hype : *"stands on an engineering foundation rather than enthusiasm"*, *"no consultant crowds"*, *"finance can open the bill without switching on emergency lighting"*. Partenaires affichés : AWS, GCP, Azure, Databricks, Snowflake + Claude, OpenAI, DeepSeek, Gemini, Grok + NVIDIA, Groq, Stripe, Spotify, CAST, Cyn DX, Mechanical Orchard.
**Thoughtworks** (auteur collectif corporate, page produit/marketing). Aucun individu cité sur la page. Contexte des figures Thoughtworks pertinentes en arrière-plan : **Martin Fowler** (chief scientist emeritus, *Refactoring*, *Patterns of Enterprise Application Architecture*) · **Rebecca Parsons** (CTO emeritus) · **Birgitta Böckeler** (Distinguished Engineer, *Harness Engineering for Coding Agents*, fiche 2026-04-02) · **Matt Kamelman** (*Service-as-Software*, fiche 2025-12-03) · **Sam Newman** (*Building Microservices*).
Test de cohérence d'Ethan Mollick (Wharton) : on saura que les labos d'IA croient vraiment à l'ASI le jour où ils dissoudront leurs équipes *Forward Deployed Engineering* (FDE). Débat public avec roon (OpenAI) sur LinkedIn : roon objecte que c'est un **problème hayékien** (l'intelligence ne résout pas automatiquement le flux d'information organisationnel) et reprend le terme « **Gentle singularity** ». Consensus dans les commentaires : la technologie est la partie facile, la politique interne / les workflows legacy / la responsabilité contractuelle sont le vrai blocage. Formule-marqueur : *"Curing cancer might be easier than replacing Accenture"*. Opposition épistémique **East Coast vs West Coast** sur la trajectoire d'adoption de l'IA.
Ethan Mollick (professeur Wharton, auteur *Co-Intelligence*) — auteur du post ; roon (employé OpenAI, identité publique anonyme, voix influente du cercle accel) — interlocuteur cité ; commentateurs anonymes (praticiens, consultants, chercheurs).
Débat télévisé sur BFM Business (émission *Tech & Co Business*, segment "Le débat", 17 minutes) avec **Rémi Jacquet** (DG Cast Software France, fondateur en 2023 d'un think tank d'une centaine de DSI sur l'impact de l'IA générative sur le développement, partenariat Cigref / Epita) et **Didier Girard** (CTO et DG de **SFEIR**, ESN française d'environ 1 000 personnes). Thèses fortes : *"écrire du code est devenu un anti-pattern"* (Girard), l'IA produit du code de qualité supérieure à la plupart des ingénieurs et est *"2 à 10× plus efficace"* — c'est une réalité, mais le métier ne disparaît pas. Le développeur devient **chef d'orchestre / manager d'agents / juge de paix**, les sprints de 14 jours sont remplacés par des ***bolts*** d'une heure à une demi-journée, la **Pizza Team** (8-10 personnes) ne fonctionne plus à l'ère agentique, un nouveau métier émerge — le ***product engineer*** —, la durée de vie d'une compétence passe de **10 ans à 1 an**, et la consommation de **tokens** devient le *fuel* de la création de valeur (anecdote NVIDIA qui verserait des primes en tokens, métaphore du chauffeur de taxi qui ne consomme pas d'essence). SFEIR revendique *"1 000 personnes, capacité de production 10 000"*. Côté Cast : positionnement sur le ***harness engineering*** (déterministe vs IA probabiliste, contrôle et garde-fous), aligné sur la tribune Sylvain Duranton (BCG X) dans *Les Échos* selon laquelle *"un agent = un LLM + des harnesses"*. Pivot historique 2024 *prompt engineering* → 2025 *context engineering* → 2026 *harness engineering*. Avertissement clé : *"plus l'IA devient forte, plus on baisse la garde — plus il y a de risques"* (Jacquet). Rôle pivot des DRH dans la transformation, remise à plat complète du SDLC, recommandation aux juniors de bétonner les fondamentaux d'architecture logicielle (*"le code est la partition, il faut maîtriser la symphonie"*).
**Invités** :
Tribune LinkedIn d'Alexandre Frizzo après un an d'utilisation quotidienne de Claude Code, qui pose un **bilan nuancé** rare dans le corpus 2026 — productivité **multipliée par 3-5×** dans son cas (cohérent Wescale, et conforme à la médiane des praticiens committés ; le tail élite va beaucoup plus haut, cf. Cherny *few dozen PRs/day + 150 PRs record* et Karpathy *"peaks much higher than 10×"*), mais **coûts cognitifs cachés** assumés. Thèse-pivot : ***"the new bottleneck is supervision"*** — le métier a changé de forme, on ne *écrit* plus du code, on *décide* à propos du code généré par les agents. Gains : 3-5× output, projets précédemment infaisables désormais réalisables (yak-shaving, boilerplate), coût quasi nul de l'expérimentation. Pertes assumées : ***"writing muscle"*** atrophié (le code manuel semble *effortful*), **flow state profond rare** (context-switching constant entre supervisions), **satisfaction d'ownership diminuée** (*"code is good, but isn't quite mine"*). Tensions non résolues : **FOMO** (*"every hour I'm not at the keyboard is an hour an agent could be earning for me"*), **review quality** à 3-5× volume, **skill atrophy**. Statistiques mobilisées : médiane 3-4h coding effective sur 8h jour, **23 min** récupération contexte par interruption (étude Gloria Mark), 15-25 min entrée en flow, 500% productivité en flow (McKinsey). Position épistémique exemplaire : refuse simultanément le narratif *"AI is bad"* et l'enthousiasme acritique. Contre-poids salutaire à Cherny *"coding is solved"* (2026-05).
Alexandre Frizzo (auteur LinkedIn Pulse, identité tech non précisée par le post au-delà du nom — auteur d'une tribune one-year retrospective Claude Code).
Article méthode d'Antoine HABERT (WEnvision) qui formalise **PROJ-AI** : couche méthodologique légère pour que les projets collectifs deviennent transmissibles plutôt que de mourir avec leur livrable. Triade structurante : un **repo git versionné** (source unique), un **agent IA** (Claude Code, Cursor) qui lit la doctrine à chaque session, et une **doctrine en markdown** qui spécifie les protocoles de décision et les comportements d'agent. Six zones répertoires (DOCS/, IDEAS/, DR/, OUT/, DOCTRINE/, AGENT/), cycle opérationnel **DPEV** (Décider → Promettre → Exécuter → Vérifier), Decision Records scorés sur 7 dimensions, double interface (Studio métier + CLI/IDE tech), cinq directives agent, et bibliothèque partagée **proj-ai-commons** qui permet de bootstrap un projet en 30 minutes vs 1 semaine. Métriques sur 3 missions : onboarding **3 semaines → 2 jours**, décisions structurelles tracées **30% → 100%**, compilation archi **6 semaines → continu**. Aphorisme central : ***"Le projet n'est pas un sous-produit du livrable. Le projet EST le livrable."*** Posture explicite : technologie 20%, **discipline d'équipe 80%**.
Antoine HABERT (WEnvision — cabinet français de conseil en stratégie et IA agentique).
Tribune Medium d'**Hryhorii Tatsyi** (CTO, **Raiffeisen Bank Ukraine**, ~900 ingénieurs IT) qui rapporte une **étude longitudinale 12 mois** (mai 2025 → avril 2026) sur l'impact réel de l'IA générative dans une grande banque européenne. Thèse-pivot : ***"AI didn't make our engineers just faster. It made them different."*** Contrairement aux retours individuels (Frizzo, Cherny) ou méta (Curran/Intercom), c'est un **bilan organisationnel chiffré côté banque traditionnelle régulée** — corpus encore rare en 2026. Résultats : **−75 personnes (−8% effectif, dont 64 ingénieurs)** sur 12 mois, mais **plus de code livré, moins d'incidents, sécurité améliorée** ; adoption IA **62% → 83%** ; **68% des ingénieurs reçoivent ≥50% de leur code via assistance IA** ; **onboarding nouveaux ingénieurs 60-90 jours → ~40 jours** (cohérent données Anthropic 82→40 jours). Trois archétypes émergents : (1) **Copilot-only** +10-25% sur PRs, même rayon ; (2) **Multi-outils** story-points ×1.5-3, scope cross-repo +50-80% ; (3) **Claude sur stack corporate** volume code ×4.5, scope radicalement élargi. **Sept produits IA construits** qui n'existaient pas avant : Service Knowledge Hub (57 microservices, 83 releases/mois), Mobile Android workflow CI plan/implem/test, AI Agent Portal (2 085 users / 649 MAU en 87 jours, génération MCP via specs OpenAPI), Shift-left Security Plugin (−82% secrets exposés), DevPortal Backstage + agents diagnostics K8s (−68% temps résolution incidents critiques), DRAIF MCP text-to-SQL Data Lake 10 000 tables (embedding fine-tuné 2× OpenAI), Call Evaluation (>97% précision transcription, élu meilleur produit du groupe Raiffeisen). Stabilité : **incidents bloquants −70%, résolution critique −68%, alertes sécurité haute sévérité résolues +155%**. Insight stratégique central : ***"AI expanded our production possibility frontier, and we deliberately allocated the freed capacity"*** — IA ne fait pas plus vite la même chose, elle déplace **ce que l'on peut décider de faire**. Question d'évaluation à reformuler : non pas *"de combien % les KPIs existants ont augmenté"* mais ***"what your engineers built that didn't exist before"***. AI lifte les sous-performants à la baseline plus qu'elle n'accélère les top performers ; les **architectes seniors reviennent au code** après des années d'éloignement. Pertinence majeure pour COMEX banque/assurance/secteurs régulés (Raiffeisen = banque, Ukraine = contexte de guerre + résilience opérationnelle).
**Hryhorii Tatsyi** — CTO de **Raiffeisen Bank Ukraine** (filiale ukrainienne du groupe bancaire autrichien Raiffeisen Bank International, RBI). Auteur Medium @milhibisidek. Profil discret côté visibilité publique (25 followers Medium au moment de la publication) · mais position institutionnelle de premier plan : il dirige une organisation IT d'environ 900 ingénieurs dans une banque systémique opérant en contexte ukrainien (économie de guerre depuis 2022, résilience opérationnelle critique). L'article est sa première contribution publique d'envergure documentée sur cette plateforme.
Présentation Wescale (France) qui formalise la doctrine de l'***Usine Logicielle Augmentée*** : chaîne de valeur logicielle entièrement orchestrée par des agents IA spécialisés sur six lignes de fabrication (Intention/PRD-ADR → Plan/User Stories → **Bon à Tirer humain** → Production 24/7 → Vérification audit indépendant → Déploiement DevOps), où l'humain n'intervient qu'à deux moments précis. Thèses fortes : retour du **cycle en V prédictible** contre Scrum, gains réalistes **X3-X4** (et non X10), passage du *producteur de code* au ***Juge Stratégique*** et du *développeur solo* au ***Manager d'Agents***, métriques DORA remplaçant la vélocité, ROI maximal sur modernisation legacy et substitution SaaS coûteuses, et surtout la ***gouvernance injectée*** comme « couche quasiment militaire » qui constitue l'innovation centrale et la véritable barrière à l'entrée. Construit en mangeant son propre dogfood : *"Ce que nous avons appris en construisant Solario sur Solario."*
Wescale (cabinet français de conseil tech / cloud / DevOps) — auteurs collectifs (présentation corporate, pas d'auteur individuel cité dans le deck).
Reportage Les Echos (Florian Dèbes) à San Francisco : agents IA déjà intégrés comme collègues dans les start-up, "boîte de Petri" (Aaron Levie / Box), réflexe Claude avant chaque réunion, Jarvis perso, 5 onglets agents en parallèle, "le facteur limitant c'est la cognition humaine" (Patrick Joubert / Rippletide), "brain fry" / surchauffe cérébrale, étude BCG/HBR à 14% de salariés dépassés, mode "token-max" de classement des plus gros utilisateurs IA, témoignages Sinaï/Bangay/Allali/Hodjat/Pantera/Chapeau et écho Siddhant Khare ("L'IA réduit les coûts de production mais augmente ceux de coordination").
Florian Dèbes (Les Echos, rubrique Travailler mieux / Vie au travail)
Refonte du processus de recrutement ingénieur chez Sierra à l'ère des agents de codage : entretien onsite AI-native (Plan/Build/Review), suppression du coding test algorithmique, remplacement du phone screen par un entretien de system design, pilote d'un entretien de debugging sur codebase existant.
Vijay Iyengar · Arya Asemanfar · Angie Wang
Rapport conjoint **DORA × delta** (Google Cloud Professional Services), 60 pages, version **v. 2026.1** (citations février 2026, PDF créé 21 avril 2026), licence **CC BY-NC-SA 4.0** — premier framework officiel **DORA ROI** dédié à l'IA dans le SDLC, avec **calculateur interactif** sur dora.dev/ai/roi/calculator. Thèse-pivot : ***"AI is an amplifier"*** — l'IA **amplifie** simultanément les forces des organisations performantes et les dysfonctionnements des organisations en difficulté ; elle ne crée pas la performance, elle la **multiplie là où elle existe déjà**. Concept central nouveau : la ***J-Curve of AI value realization*** — toute adoption IA passe par un **creux de productivité temporaire** (learning curve + verification tax + pipeline adaptation) avant la **croissance exponentielle**, métaphore du *"tuition cost of transformation"* à **budgéter explicitement**. Calcul de référence : organisation 500 FTE / salaire chargé 176 k$ / 12,5% time saved per developer (≈ 1h/8h jour) → **valeur 11,6 M$ / investissement 8,4 M$ / ROI 39% / payback period 8 mois (0,7 année)**. Coûts modélisés : licences (250 $/user/an), API additionnels (80 $/user/an), training (9 600 $/user/an), infra (100 k$/an), J-Curve cost (3,3 M$ pour 15% drop sur 3 mois). Valeur modélisée : **headcount reinvestment capacity** (11 M$ — capacité libérée à réinvestir, **PAS réduction d'effectif**), revenue from extra feature deployments (990 k$, basé sur idea success rate 33\% Larsen 2023), **downtime impact négatif** (−344 k$, "instability tax"). **Stratégie reinvestissement explicite** : ***"we strongly recommend organizations do not adopt a headcount-reduction strategy"*** — réinvestir dans innovation, retenir les talents, capitaliser sur le knowledge institutionnel. Cinq piliers de valeur : Productivity / User Experience / Cost Efficiency / Developer Experience / Business Growth (du plus direct au plus indirect, *cumulated business value*). Cinq clés systémiques d'adoption : **Trust + Platform + Data + Users + Guardrails**. Roadmap 2 phases : (1) **Build context layer (CapEx)** — IDP qualité + healthy data ecosystems ; (2) **Empower human in loop (OpEx)** — context engineering + trust in AI. Indicateurs : leading = experiment frequency + deployment frequency ; stability gauge = change failure rate + rework. Trois scénarios à modéliser (Conservative 0.8 value × 1.5 cost / Realistic 1.0 / Optimistic 1.2 × 0.8). Données externes mobilisées : 78% executives ROI sur ≥ 1 use case gen AI (Google Cloud), 88% early adopters agentic AI ROI positif, **35-40% productivity greenfield vs ≤10% brownfield/legacy** (Stanford), inference cost ÷280 entre nov 2022 et oct 2024 (Stanford AI Index 2025), **727% ROI sur 3 ans** Google Cloud AI customers, payback moyen **8 mois** marché AI. Points faibles assumés : *"all models are wrong"* — modèle à contextualiser, calculatrice à ajuster ; risque de double-count value (time saved → both avoided hire AND extra revenue) ; user experience link "loose" donc exclu du calculator. **Insight déontologique** : ***"We don't measure AI by the code it writes but by the bottlenecks it clears"*** — mesure par bottlenecks levés, pas par volume de code. **Pertinence majeure** pour CIO/CTO devant construire un business case IA défendable face à un CFO/board ; pour la France/Europe, à articuler avec Wescale (X3-X4 réalistes), Tatsyi/Raiffeisen Bank Ukraine (case study banque −75 personnes mais réinvestissement délibéré), Frizzo (3-5× médiane), Curran/Intercom (3× R&D 16 mois), DORA Report 2025 (sur lequel ce ROI s'appuie).
Rapport conjoint **DORA team × delta team** (Google Cloud Professional Services). Auteurs principaux : **Eva Dong** (AI Value Realization Americas, ex-McKinsey 8 ans, Master Financial Engineering Michigan) · **Andre Ellis Jr.** (Cloud Financial Operations Lead, Morehouse + Wharton MBA) · **Nathen Harvey** (DORA team lead, co-auteur multiples DORA reports + 97 Things Every Cloud Engineer Should Know) · **Vivian Hu** (10X Technology Consultant, contributrice DORA 2025 State of AI-assisted Software Development) · **Ursula Lübbert-Passing PhD** (AI Value Realization EMEA, 20 ans benchmarking + value advisory, PhD effort estimation software projects) · **Eric Maxwell** (lead 10X Technology consulting, ex-Chef Software, contributeur DORA) · **Aaron Wanjala** (cloud developer advocate Spring Boot/Angular). Conseillers et contributeurs : **Ben Jose · Eric Lam · Matt Orr · Allison Park · Ryan J. Salva · Jerome Simms · Dave Stanke · Cedric Yao**. Design : Human After All (humanafterall.studio). Document publié sous licence **CC BY-NC-SA 4.0** · version v. 2026.1 · citations retrieved February 2026.
Entretien d'embauche AI-native chez Sierra — Refonte processus recrutement ingénieurs — Plan/Build/Review — Blog Sierra
Bret Taylor
Épisode #351 du podcast francophone **If This Then Dev** (Bruno) avec **Julien Lépine**, Directeur de la technologie d'**AWS France** (13 ans chez Amazon), enregistré en marge de l'**AWS Summit Paris** (1er avril 2026, ~10 000 personnes). Thèse-pivot : à l'ère agentique, écrire du code devient secondaire, la valeur migre vers la **compréhension du contexte, l'arbitrage d'architecture et la responsabilité humaine**. Preuve maîtresse : le **redéveloppement d'Amazon Bedrock** — plateforme critique gérant des milliers de milliards de requêtes — par une équipe de **6 personnes en 72 jours** (vs 30 personnes / 18 mois estimés), **code intégralement généré par IA**, sans vibe coding. AWS **standardise en interne sur Kiro** (IDE + CLI, branché sur Claude Sonnet/Opus) pour ~30 000 développeurs (annonce Matt Garman à re:Invent). Fil rouge : **garder le contrôle** sans tout relire — via la **modélisation formelle (TLA+)** et le **raisonnement automatisé** pour prouver les invariants et borner les agents, le **blameless post-mortem** et le principe « la responsabilité d'une action d'agent incombe à la personne qui l'opère ». Émergence de l'**AI DLC** (sprints → **Bolts** pluri-quotidiens) et du risque de **surcharge cognitive / burn-out**.
**Julien Lépine** — Directeur de la technologie (CTO) d'Amazon Web Services France · 13+ ans chez Amazon ; ses équipes accompagnent les clients AWS sur le cloud · la data et l'IA. **Hôte** : Bruno (créateur et animateur du podcast *If This Then Dev*).
Paradoxe de Jevons appliqué aux développeurs, effet Reine Rouge, évolution sysadmin→DevOps comme analogie
Simon Wardley
Étude BCG-HBR (Bedard, Kropp, Hsu, Karaman, Hawes, Kellerman) sur 1 488 salariés US, janvier 2026 : définition formelle de l'***AI brain fry*** (fatigue cognitive aiguë liée à l'oversight IA), 14% des AI-using workers concernés (Marketing 26%, Legal 6%), peak de productivité à 3 outils simultanés, +33% decision fatigue / +39% major errors / +39% intent to leave chez les "brain fried", distinction empirique entre **burnout** (émotionnel, allégé par l'IA sur tâches routinières -15%) et **brain fry** (cognitif aigu, aggravé par l'oversight). 5 recommandations leaders, "AI orphan tax" (+5% fatigue quand manager attend que le salarié se débrouille), org work-life balance -28%. Source académique pivot citée par Les Echos et le débat 2026.
Julie Bedard (BCG MD & Partner) · Matthew Kropp (BCG MD & Senior Partner, CTO BCG X) · Megan Hsu (BCG Project Leader) · Olivia T. Karaman (UC Riverside / BCG) · Jason Hawes (UC Riverside / BCG) · Gabriella Rosen Kellerman (BCG Expert Partner, psychiatre, co-auteure *Tomorrowmind*)
Blocage adoption IA en entreprise par IT/juridique, fossé entre entreprises innovantes et frileuses, leadership et gestion du risque - LinkedIn
Ethan Mollick
Plateforme IA générative interne assurance, cloud souverain S3NS, adoption massive collaborateurs
Deep Research (synthèse multi-sources)
Retraite Thoughtworks sur l'avenir du développement logiciel avec les LLM — réflexions sur l'impact organisationnel, la dette cognitive et la programmation supervisée
Martin Fowler
Rapport tendances codage agentique 2026, multi-agents, supervision humaine, démocratisation, sécurité
Anthropic
SoGPT Société Générale abandonne pour Copilot - faux débat build vs buy, capital IA, souveraineté européenne
Erwan Simon
Antirez (créateur Redis) - ne pas tomber dans l'anti-AI hype, Claude Code projets concrets
Salvatore Sanfilippo (antirez)
Rapport annuel Menlo Ventures 2025 sur l'IA générative en entreprise - marché à 37 Md$, adoption, startups vs incumbents, PLG - menlovc.com
Tim Tully · Joff Redfern · Deedy Das · Derek Xiao (Menlo Ventures)
Banque Mondiale : IA générative et éducation au Nigeria - RCT avec résultats transformateurs
Martín De Simone · Federico Tiberti · Maria Barron Rodriguez · Federico Manolio · Wuraola Mosuro · Eliot Jolomi Dikoru (World Bank Education Global Department)
McKinsey - Software Delivery - Agile Transition - AI Native Workflows - Spec-driven Development
Martin Harrison (Partner, McKinsey) · Natasha Maniar (Partner, McKinsey)
Enterprise AI Adoption - ROI Survey - AI Bubble Narrative - Transformational Impact - Leadership vs Laggards
NLW (Host, AI Daily Brief)
DX Platform - Engineering Leadership - Productivity Metrics - Psychological Safety - SDLC Constraints
Justin Reock (Deputy CTO, DX)
Every - Compounding Engineering - Single Developer Products - AI Native - Tacit Knowledge Sharing
Dan Shipper (Founder, Every)
Ethan Mollick - Évolution IA 3 ans GPT-3 à Gemini 3 - Chatbots vers agents - Code interface universelle - PhD-level intelligence - Human-in-the-loop Antigravity
Ethan Mollick
AI4* - Production Logicielle - IA - Cycle de Vie
Internal Analysis
Benchmarking IA au-delà des tests standards - Interview modèles IA pour use cases spécifiques - Jagged Frontier - OpenAI GDPval - Vibes vs mesures réelles - GuacaDrone example - Ethan Mollick - One Useful Thing
Ethan Mollick
Évolution métier développeur avec IA générative, transformation rôles informatiques, ingénierie système, orchestration agentique - Yves Caseau - Michelin - LinkedIn
Yves Caseau (Group Chief Digital & Information Officer chez Michelin)
Playbook adoption IA - Ingénierie augmentée - Augment Code
Augment Code
Deep Research - Révolution AI4* - 6 piliers production logicielle - Transition Copilotes→Agents - Paradoxe Vibe vs Check - Crise FinOps pour IA - Gouvernance chemin critique - GenAI Landing Zone
Deep Research Veille Interne
Agents IA autonomes, évolution rôle développeurs, workflows asynchrones, orchestration multi-agents - Addy Osmani - Substack
Addy Osmani
Web conversationnel, ChatGPT Atlas, OpenAI, transformation digitale, e-commerce conversationnel, agents IA, wenvision.com
Olivier Rafal
Guide pratique IA, sélection modèles, jagged frontier, Centaurs vs Cyborgs, données usage OpenAI, Claude/Gemini/ChatGPT - Ethan Mollick
Ethan Mollick (Associate Professor, Wharton School, University of Pennsylvania ; Auteur "Co-Intelligence: Living and Working with AI" ; TIME 100 Most Influential People in AI 2024)
Panorama Josh Bersin sur le rôle pivot des CHRO dans la transformation IA : interview de Patricia Frost (Seagate) "Leave No One Behind", citations de pairs (Jacqui Canney/ServiceNow, Tracey Franklin/Moderna, Helen Russell/HubSpot, Kathleen Hogan/Microsoft), 4 stratégies (AI readiness, plateformes, hiring/redeployment, supermanagers), thèse "AI transformation is not about technology: it's about work, jobs, and people".
Josh Bersin (analyste RH et consultant, fondateur de The Josh Bersin Company) · citations de Patricia Frost (CHRO Seagate)
Pourquoi les équipes n'escaladent pas les problèmes, barrières organisationnelles, pression surengagement, risques carrière, actions leaders - John Cutler LinkedIn
John Cutler (Head of Product @Dotwork, ex-Amplitude)
Ethan Mollick - Agents IA et travail réel - Impact économique - Étude OpenAI - Réplication de recherche - Futur du travail - One Useful Thing
Ethan Mollick · Professeur à la Wharton School · University of Pennsylvania
Rapport DORA 2025 - IA amplifie performance équipes - Google Cloud Blog
Nathen Harvey · Derek DeBellis
Adoption inégale de l'IA - Disparités géographiques et entreprise - Index économique Anthropic
Ruth Appel · Peter McCrory · Alex Tamkin · Miles McCain · Tyler Neylon · Michael Stern
Transformation AI-First en entreprise - 15 questions stratégiques - Paradoxe de l'héritage - LinkedIn
Jean-Christophe LAISSY
Relais Legal.io de l'étude MIT NANDA "The GenAI Divide: State of AI in Business 2025" : 95% des pilotes IA en entreprise n'apportent aucun ROI mesurable malgré $30-40 Mds investis. Concept de "GenAI Divide", "shadow AI economy", quatre facteurs structurels d'échec, recommandation back-office et build-to-buy. Justification empirique du basculement RH-organisationnel.
Legal.io (relais et synthèse) — étude MIT NANDA "The GenAI Divide: State of AI in Business 2025"
« One Prompt, Zero Engineers » — a16z : l'IA générative démocratise le développement d'outils internes, du low-code aux app builders Gen AI (a16z.com)
Gabriel Vasquez · Stephenie Zhang · Yoko Li (a16z)
Structure équipes Data & AI - Études de cas Team Topologies - Design organisationnel - Xebia - Arjan van den Heuvel
Arjan van den Heuvel
Synthèse Valence du sommet virtuel "AI & the Workforce: The Adoption Gap" : Ethan Mollick pose le framework Leader-Lab-Crowd, formule "HR is R&D now", thèse selon laquelle l'IA "shadow economy" et l'effondrement du modèle d'apprentissage forcent les CHRO à devenir les architectes de la transformation. Cinq expérimentations actionnables pour écrire le AI-HR playbook.
Alex McMurray (Valence) — synthèse de l'intervention de Ethan Mollick au sommet Valence "AI & the Workforce: The Adoption Gap"
Interview exclusive de Tracey Franklin (Chief People and Digital Technology Officer de Moderna) sur la fusion HR+IT en un seul département : passage du "workforce planning" et "technology planning" cloisonnés au "work planning" intégré, métaphore "architect the flow of work", 3 000+ GPTs custom, 5 000 employés, vision 2030 d'organisation adaptative humains+agents.
Allie Nawrat (UNLEASH) · interview de Tracey Franklin
Salesforce - AI doing 30-50% work - Marc Benioff - Automatisation interne - Transformation - Yahoo Finance
Yahoo Finance
Yamini Rangan - HubSpot - CEO interview - AI transformation - SaaS - Customer relationship - Enterprise AI
Various interview sources
Adoption IA organisationnelle, transformation du travail, stratégie d'innovation, leadership, productivité, oneusefulthing.org
Ethan Mollick
Personal Software - Applications customisées par IA - Futur du logiciel - Lee Robinson
Lee Robinson
Planification stratégique face aux futurs impossibles de l'IA et de l'AGI - One Useful Thing - Ethan Mollick
Ethan Mollick · Professeur à la Wharton School · University of Pennsylvania
Étude de cas officielle OpenAI sur le déploiement de ChatGPT Enterprise chez Moderna : 750 GPTs en 2 mois, 100% d'adoption juridique, GPT Dose ID pour les essais cliniques, citation de Stéphane Bancel "100 000 employés", framework de transformation organisationnelle (mChat, Generative AI Champions, forum interne 2 000 participants).
OpenAI (étude de cas officielle, citations Stéphane Bancel, Brad Miller, Brice Challamel, Shannon Klinger, Kate Cronin, Meklit Workneh)
Ethan Mollick - AI adoption - Organizational change - One Useful Thing - Wharton - Academic research - Management
Ethan Mollick (Wharton School)
Tribune d'**Olivier Rafal** (Consulting Director Strategy chez **WeNvision**) publiée le **23 février 2024** sur **CIO-Online** (rubrique *Tribune*), qui pose une thèse encore contre-intuitive à l'époque : **l'IA générative relève davantage du produit technologique que du projet d'IA / data science**. **Argument 1 — la data science n'est pas le cœur du sujet** : créer un *foundation model* de toute pièce demande *« plusieurs mois, des millions d'euros et l'accès à d'énormes quantités de données »* — réservé à des acteurs aux datasets spécifiques et monétisables (ex. **Bloomberg** et son **BloombergGPT** pour la finance). Pour la quasi-totalité des entreprises, le bon réflexe n'est donc pas de recruter des data scientists. **Argument 2 — décalage de compétences** : il faut surtout des **ingénieurs de développement et d'intégration** (back/front), de **fortes compétences cloud** et du **DevOps**. Citation client : *« On n'a pas forcément besoin d'être data scientist, mais il faut comprendre les concepts de base, avoir des compétences de développement back office et de fortes compétences cloud. »* **Argument 3 — architecture de plateforme (orchestrateurs + API)** : construire une **plateforme d'IA générative** d'entreprise via orchestrateurs et API permet *« de travailler avec les meilleurs LLM du marché et d'en changer au fur et à mesure de leurs évolutions respectives, sans retoucher aux applications »* (anti vendor lock-in). **Argument 4 — du projet au produit** : *« La plate-forme […] il faut la considérer elle-même comme un produit »* ; au lieu d'un investissement ponctuel, prévoir un **flux de financement mensuel** (itérations continues, innovation permanente). **Argument 5 — gouvernance & shadow AI** : la démocratisation inédite de la GenAI engendre *« tant du shadow AI que de fortes attentes vis-à-vis de la DSI »* → gouvernance pour capter les besoins métiers, **prioriser les produits par la valeur**, superviser le bon fonctionnement. **Changement de paradigme** annoncé : *« on passe d'une programmation algorithmique classique à des agents Langchain qui gèrent une partie des décisions »*. **Intérêt pour la veille** : texte **fondateur (J-2 ans)** de la doctrine WeNvision (produit > projet, plateforme/API, financement en flux, gouvernance, shadow AI) que prolongeront les fiches [[wenvision-ai-agents-enterprise-deployment-2025-10-01]], [[habert-ia-agentique-production-2025-10-29]] et rafal-wenvision-tokenomics-foundation-finops-ia-2026-06-04 (FinOps/token, financement en flux → gouvernance financière). Préfigure aussi le *harness/plateforme autour du modèle* (Dropbox/Okumura : *systems around the model*) et l'**indépendance modèle** par couche d'orchestration.
**Olivier Rafal** · *Consulting Director Strategy* chez **WeNvision** (cabinet de conseil FR). Tribune publiée dans la rubrique *Tribune* de **CIO-Online**. Auteur déjà présent dans la veille (cf. fiches WeNvision/Atlas/Tokenomics). Publié le **23 février 2024**.
Crise de sens au travail - Bouton "Help me write" - Setting time on fire - Signaux d'effort - Lettres de recommandation IA - Ethan Mollick - One Useful Thing
Ethan Mollick