En un an, l’effet mesuré de l’IA sur la vitesse de livraison s’est inversé et il est devenu positif. L’effet sur la stabilité, lui, n’a pas bougé : il reste négatif, sauf dans les organisations qui disposaient déjà de tests automatisés solides et de boucles de retour rapides. La conclusion est inconfortable pour les arbitrages budgétaires : l’IA ne paie que là où la qualité était déjà en place.
Nous écrivions ici même, il y a neuf mois, que couper la qualité au moment où l’on met de l’IA dans la chaîne revient à retirer les freins pendant qu’on accélère. Les deux rapports parus depuis permettent de préciser ce constat, et d’en corriger une partie.
Ce que DORA 2025 corrige, et ce qu’il ne corrige pas
Le rapport DORA publié le 23 septembre 2025, consacré au développement assisté par IA, repose sur près de 5 000 professionnels interrogés entre le 13 juin et le 21 juillet 2025, complétés par plus de cent heures d’entretiens qualitatifs.
Le premier enseignement est une correction, et il faut la dire franchement parce qu’elle contredit ce que nous avancions au printemps. Dans l’édition 2024, une hausse de 25 % de l’adoption de l’IA était associée à une baisse estimée de 1,5 % du débit de livraison et de 7,2 % de la stabilité. En 2025, la relation avec le débit s’est inversée : l’adoption de l’IA est désormais associée à une amélioration du débit de livraison et à de meilleurs résultats produit.
Le second enseignement, lui, n’a pas bougé. L’adoption de l’IA reste associée négativement à la stabilité de la livraison, et le rapport 2025 précise enfin la condition qui manquait : cette relation négative s’observe en l’absence de systèmes de contrôle robustes, c’est-à-dire de tests automatisés solides, d’une gestion de version mature et de boucles de retour rapides.
C’est la phrase la plus utile des deux rapports, et elle mérite d’être lue comme un renversement d’ordre de priorité. Ce n’est pas l’IA qui déstabilise une livraison, c’est l’IA appliquée à une chaîne qui n’était pas prête. Le facteur déterminant n’est pas l’outil, il est dans ce qui reçoit ce que l’outil produit.
L’IA amplifie ce que vous êtes déjà
La conclusion centrale du rapport tient en une formule : l’IA est un amplificateur. Elle magnifie les forces des organisations performantes et les dysfonctionnements des autres. Elle ne répare rien, et elle ne pardonne rien.
L’usage, lui, n’est plus marginal et ne relève plus de l’expérimentation. Les répondants déclarent une médiane de seize mois de pratique et de deux heures par jour, et 60 % s’en servent au moins une fois sur deux lorsqu’ils butent sur un problème. L’IA n’est plus un outil qu’on essaie, c’est un réflexe de travail, ce qui change la nature de la question posée aux directions informatiques : il ne s’agit plus de décider si on l’autorise, mais de décider dans quelles conditions on la reçoit.
Cette formule n’est pas une image. DORA identifie sept profils d’équipes, aux dynamiques très différentes, dont deux extrêmes qui décrivent bien l’écart. À un bout, des équipes en difficultés fondamentales, en mode survie, cumulant faible performance, forte instabilité et épuisement. À l’autre, des équipes qui réussissent sur tous les tableaux, à hauteur d’environ 20 % des répondants, combinant performance de livraison, résultats produit et bien-être des équipes. Le même outil, introduit dans ces deux contextes, ne produit pas le même effet : il accélère ce qui existe.
Un chiffre complète le tableau, et il concerne directement les directions informatiques : 90 % des organisations ont adopté au moins une plateforme interne, et la qualité de cette plateforme est directement corrélée à la capacité à tirer de la valeur de l’IA. Le levier n’est donc pas le budget d’outillage génératif, il est dans l’état de la chaîne de production.
Le chiffre que personne ne met en avant : la confiance
Deux données du même rapport méritent d’être lues ensemble. 90 % des répondants utilisent l’IA au travail, plus de 80 % estiment qu’elle a augmenté leur productivité, et 30 % déclarent avoir peu ou pas confiance dans le code qu’elle génère.
Ces chiffres ne se contredisent pas, ils décrivent la nouvelle répartition du travail. La production s’est accélérée, la vérification est devenue le goulot. Le travail n’a pas disparu, il s’est déplacé vers la revue, la recette et l’exploitation, c’est-à-dire précisément vers les étapes que les arbitrages budgétaires visent en premier.
Il y a là une dissonance qu’un responsable devrait surveiller de près. Quand la même population déclare simultanément une productivité accrue et une méfiance envers ce qu’elle produit, la mesure du ressenti individuel cesse d’être un indicateur fiable de la performance du système. C’est une configuration classique en ingénierie, et c’est celle où les décisions de gestion se trompent le plus souvent.
Côté test, la promesse n’est pas encore tenue
Le World Quality Report 2025-26, dix-septième édition publiée par Capgemini et Sogeti le 13 novembre 2025, donne l’autre moitié du tableau, et elle est nette.
43 % des organisations expérimentent l’IA générative dans leurs activités de qualité, mais 15 % seulement l’ont déployée à l’échelle de l’entreprise. L’écart entre ces deux chiffres est le sujet. Trois ans après l’arrivée des premiers outils grand public, l’immense majorité en est encore au pilote.
Les freins déclarés sont précis, et ce ne sont pas ceux qu’on entend en conférence. 58 % rencontrent des difficultés à adopter les outils de test pilotés par l’IA, et environ 60 % butent sur la gestion de données de test sécurisées et exploitables à l’échelle. Ce n’est pas un problème de modèle, c’est un problème de plomberie.
Un troisième chiffre mérite d’être signalé aux consultants qui lisent ces lignes : l’IA générative est désormais la compétence la plus attendue d’un ingénieur qualité, citée à 63 %, devant les compétences cœur de métier à 60 % et les compétences relationnelles à 51 %. Ce classement dit deux choses à la fois. Que le marché exige un savoir-faire nouveau, et qu’il commence à le placer devant le métier lui-même, ce qui est probablement une erreur de perspective dont il reviendra.
Le vrai goulot n’est pas l’outil, c’est la donnée de test
Ce point mérite d’être développé, parce qu’il est systématiquement sous-estimé dans les projets.
Un test fonctionnel a besoin de données réalistes : des clients, des commandes, des contrats, des historiques cohérents entre eux. Ces données viennent le plus souvent de la production, donc elles sont personnelles, donc elles doivent être anonymisées, donc quelqu’un doit maintenir un jeu qui reste cohérent après anonymisation. C’est un travail ingrat, invisible dans les comités, et il est presque toujours arbitré à la baisse. Une équipe qui n’a pas de jeu de données tenable ne pourra pas automatiser sérieusement le test fonctionnel, quel que soit son outillage.
C’est exactement là que l’IA rend aujourd’hui son meilleur service, et c’est d’ailleurs le premier usage à décoller : le recours aux données synthétiques est passé de 14 % en 2024 à 25 % en 2025, devenant le principal cas d’usage de l’IA générative en test. Un modèle qui fabrique un jeu cohérent et sans donnée personnelle résout un problème réel, mesurable, et nettement moins spectaculaire que la génération automatique de cas de test.
Il reste enfin un chiffre que je trouve accablant, et qui n’a rien à voir avec l’IA : 94 % des organisations examinent leurs données de production, et près de la moitié ne parviennent pas à les transformer en action d’amélioration. Aucun outil ne corrige cela. C’est une question de gouvernance, c’est-à-dire de qui décide quoi faire de l’information.
Ce que ça change pour une direction informatique
Quatre conséquences pratiques, qui découlent directement de ce qui précède.
L’ordre des investissements s’inverse par rapport au discours ambiant. Avant d’acheter un outil de test génératif, il faut des tests automatisés fiables, une gestion de version mature et des retours rapides, puisque ce sont exactement les conditions sous lesquelles l’effet déstabilisant disparaît. Une organisation qui n’a pas ce socle achètera de l’instabilité au prix fort.
Le premier chantier IA en qualité n’est pas la génération de tests, c’est la donnée de test. C’est le cas d’usage qui progresse le plus vite, il traite un problème que tout le monde a, et il ne demande pas de refondre la chaîne.
Il faut budgéter la vérification. Une équipe qui produit plus de code sans augmenter sa capacité de revue déplace simplement le risque en aval, et l’organisation le paiera en instabilité, sur un autre budget et douze mois plus tard. Obtenir ce budget relève du même exercice que faire financer la dette technique par une direction générale : poser un montant en face.
Il faut écrire comment on valide ce que l’outil produit, avant de le déployer. Qui relit, sur quel critère, et que fait-on d’un test généré qui passe alors qu’il ne devrait pas. Cette question paraît triviale et elle ne l’est pas : c’est celle qui trie le plus vite les dispositifs sérieux des dispositifs d’affichage.
DORA propose d’ailleurs, dans cette édition, un modèle de capacités destiné à amplifier l’effet positif de l’IA plutôt que son effet déstabilisant. On y retrouve, dans le désordre, le fait de clarifier et de faire connaître la politique d’usage de l’IA, de la connecter au contexte interne de l’entreprise plutôt que de la laisser travailler à l’aveugle, de renforcer les pratiques fondamentales, de consolider les filets de sécurité, d’investir dans la plateforme interne et de garder l’utilisateur final comme boussole. Aucune de ces capacités n’est une nouveauté née de l’IA. Ce sont les fondamentaux de l’ingénierie logicielle, et le rapport dit simplement que l’IA en rend l’absence beaucoup plus coûteuse qu’avant.
Notre position
Nous ne vendons pas de gain de productivité par l’IA sans dire où le travail de vérification se déplace. C’est notre seule règle sur ce sujet, et elle nous coûte des affaires.
Quand un client nous demande d’introduire de l’IA dans sa chaîne de qualité, nous regardons d’abord ce que DORA appelle les filets de sécurité : les tests automatisés existent-ils, sont-ils fiables, la boucle de retour est-elle courte ? Si la réponse est non, nous proposons de commencer par là, et par les trois décisions de gouvernance qui déterminent tout le reste, plutôt que par l’outil génératif. C’est une réponse moins vendeuse qu’un plan d’automatisation en trois mois, et c’est la seule que les données soutiennent.
Ce que nous assumons de dire simplement : installer ce socle, construire un jeu de données de test tenable, poser trois indicateurs qui mesurent la stabilité réelle, et utiliser l’outillage génératif là où il est déjà utile. Ce que nous refusons : promettre une réduction d’effectif au titre de l’IA, parce que les données ne la soutiennent pas et que ce n’est pas là que le métier change.
Vous pouvez lire qui nous sommes et d’où nous venons et ce que nous faisons en qualité logicielle avant de nous accorder le moindre crédit.
Questions fréquentes
L’IA améliore-t-elle ou dégrade-t-elle la qualité logicielle ?
Les deux, selon l’état de l’organisation. Le rapport DORA publié le 23 septembre 2025, auprès de près de 5 000 professionnels, montre que l’adoption de l’IA est désormais associée positivement au débit de livraison, alors que la relation était négative dans l’édition 2024, mais qu’elle reste associée négativement à la stabilité de livraison en l’absence de systèmes de contrôle robustes : tests automatisés solides, gestion de version mature et boucles de retour rapides. La conclusion centrale du rapport est que l’IA agit comme un amplificateur, qui magnifie les forces des organisations performantes et les dysfonctionnements des autres.
Combien d’organisations utilisent réellement l’IA générative pour tester ?
Beaucoup moins que ce que le discours laisse croire. Selon le World Quality Report 2025-26 publié par Capgemini et Sogeti le 13 novembre 2025, 43 % des organisations expérimentent l’IA générative dans leurs activités de qualité, mais 15 % seulement l’ont déployée à l’échelle de l’entreprise. Les freins déclarés sont concrets : 58 % rencontrent des difficultés à adopter les outils de test pilotés par l’IA et environ 60 % butent sur la gestion de données de test sécurisées et exploitables à l’échelle.
Par quoi commencer pour utiliser l’IA en qualité logicielle ?
Par la donnée de test, et non par la génération de tests. C’est le cas d’usage qui progresse le plus vite, le recours aux données synthétiques étant passé de 14 % en 2024 à 25 % en 2025 pour devenir le premier usage de l’IA générative en test. Il traite un problème que toutes les organisations rencontrent, celui d’un jeu de données réaliste, cohérent et sans donnée personnelle, et il ne demande pas de refondre la chaîne de livraison. Le préalable reste toutefois de disposer de tests automatisés fiables, puisque c’est en leur présence que l’effet déstabilisant de l’IA disparaît.
Sources
- DORA, State of AI-assisted Software Development 2025, publié le 23 septembre 2025, près de 5 000 professionnels interrogés du 13 juin au 21 juillet 2025 et plus de cent heures d’entretiens (annonce Google Cloud) : 90 % d’usage de l’IA au travail, plus de 80 % estimant leur productivité accrue, 30 % ayant peu ou pas confiance dans le code généré, inversion de la relation avec le débit de livraison, relation toujours négative avec la stabilité en l’absence de systèmes de contrôle robustes, 90 % d’organisations ayant adopté au moins une plateforme interne, sept profils d’équipes dont environ 20 % de profils performants sur tous les tableaux, conclusion sur l’IA amplificateur.
- DORA, Accelerate State of DevOps Report 2024, octobre 2024, environ 3 000 répondants, chiffres détaillés relayés par RedMonk le 26 novembre 2024 (une hausse de 25 % de l’adoption de l’IA associée à une baisse estimée de 1,5 % du débit de livraison et de 7,2 % de la stabilité, servant de point de comparaison).
- Capgemini, Sogeti et OpenText, World Quality Report 2025-26, 17e édition publiée le 13 novembre 2025 (43 % d’organisations expérimentant l’IA générative en qualité contre 15 % à l’échelle de l’entreprise, 58 % en difficulté sur l’adoption des outils de test pilotés par l’IA, environ 60 % sur la gestion des données de test, données synthétiques passées de 14 % à 25 %, 94 % examinant les données de production dont près de la moitié sans parvenir à en tirer une action, IA générative première compétence attendue d’un ingénieur qualité à 63 % devant les compétences cœur de métier à 60 % et les compétences relationnelles à 51 %).
