Des chercheurs de Microsoft, aux États-Unis, ont publié une étude sur l’utilisation d’outils de codage par IA fonctionnant en ligne de commande et leurs effets sur la productivité, auprès de plusieurs dizaines de milliers d’ingénieurs logiciels de l’entreprise. L’étude porte sur « Claude Code » d’Anthropic et « Copilot CLI » de GitHub. Elle s’est déroulée sur près de quatre mois, du 5 janvier au 29 avril 2026. Selon les chercheurs, les ingénieurs qui ont utilisé les outils au cours de leur première semaine de déploiement ont soumis en moyenne 24 % de demandes de fusion intégrées supplémentaires par rapport à ceux qui ne les ont pas utilisés.
Distribuer les outils ne suffit pas à les faire adopter : le premier pas vient du « collègue d’à côté »
De nombreux dirigeants et managers imaginent sans doute que, si une entreprise met des outils d’IA à la disposition de tous ses salariés, chacun commencera à les utiliser dès le lendemain. Or, cette étude montre que les relations au travail comptent davantage que les explications sur les fonctionnalités ou les annonces pour décider de faire un premier essai.
Les salariés ont davantage tendance à se mettre à utiliser un outil quand leurs collègues avec lesquels ils échangent régulièrement du code, ou leur supérieur direct, l’utilisent. Les chiffres sont précis. Lorsque plus d’un quart des collègues ayant le même N+2 que la personne l’avaient utilisé au cours des deux semaines précédentes, les chances d’essayer l’outil augmentaient jusqu’à 216 %. Cette hausse atteignait 82 % lorsque le supérieur direct l’utilisait, et 54 % lorsque plus d’un quart des personnes avec lesquelles le salarié échange habituellement des revues de code s’en servaient.
Une hausse des cotes n’est pas la même chose qu’une « hausse de la probabilité »
Il faut ici faire attention au terme « cotes ». Les cotes expriment la probabilité qu’un événement se produise par rapport à celle qu’il ne se produise pas. Une hausse de 216 % peut donner l’impression que le nombre d’utilisateurs a été multiplié par plus de trois, mais cela ne signifie pas que la proportion d’utilisateurs a augmenté de 216 %. Lorsque le taux d’utilisation initial est faible, l’écart peut sembler important ; dans les faits, la progression du nombre d’utilisateurs est plus limitée que ne le suggère ce chiffre.
Il n’en reste pas moins que l’influence des supérieurs et des collègues est manifeste. On commence souvent à utiliser un nouvel outil non pas après avoir lu son mode d’emploi, mais en se disant : « Si cette personne s’en sert, pourquoi pas moi ? » À titre personnel, je pense que beaucoup de lieux de travail, et pas seulement les équipes de développement, peuvent se reconnaître dans ce constat. Un supérieur peut prendre l’initiative de tester l’outil et montrer comment il s’en sert lors des revues. Ce genre de geste discret pourrait être plus efficace qu’un support de formation.
C’est le déroulement habituel du travail qui détermine si l’usage perdure
Le fait d’essayer un outil ne signifie pas qu’on continuera à l’utiliser. Selon l’étude, l’usage dans la durée était lié au volume habituel d’activité de codage de la personne. Les ingénieurs très actifs, qui écrivent beaucoup de code et soumettent fréquemment des demandes de fusion, avaient davantage tendance à percevoir les bénéfices de l’IA et à adopter durablement l’outil.
Une demande de fusion est une requête visant à intégrer dans le projet principal du code qui a été modifié. Les personnes qui en soumettent souvent sont aussi celles qui ont beaucoup de tâches susceptibles d’être confiées à l’IA. Plus on écrit de code, plus on peut constater les effets de l’outil.
Un environnement familier peut freiner l’adoption d’un nouvel outil
Par ailleurs, l’étude révèle que les personnes qui utilisaient déjà des outils d’IA dans une autre interface de développement avaient tendance à essayer le nouvel outil, mais moins à l’adopter durablement. Il est possible que beaucoup préfèrent l’environnement auquel ils sont habitués.
C’est un peu comme changer de smartphone. Même si les fonctionnalités sont meilleures, on peut avoir envie de revenir à son ancien appareil lorsque l’emplacement des applications et les gestes de navigation sont profondément ancrés dans nos habitudes. Ceux qui déploient un nouvel outil d’IA doivent donc réfléchir non seulement à ses performances, mais aussi à la façon dont il s’intègre dans les méthodes de travail déjà en place.
Comment interpréter la hausse de 24 % du nombre de demandes de fusion ?
L’effet sur la productivité a été mesuré à partir du nombre de demandes de fusion intégrées, considéré comme un indicateur du nombre de tâches achevées. Les ingénieurs qui ont utilisé l’outil au cours de leur première semaine de déploiement en ont soumis en moyenne 24 % de plus que ceux qui ne l’avaient pas utilisé. Selon les chercheurs, cet effet, stable pendant les quatre mois de l’étude, ne s’expliquait pas par un enthousiasme passager juste après le déploiement.
Il faut toutefois garder à l’esprit que la productivité désigne ici un seul indicateur : le nombre de demandes de fusion. Ce chiffre ne montre pas que la qualité du code, le temps consacré à chaque demande ou la charge de travail de l’équipe se sont améliorés dans les mêmes proportions. Il convient de distinguer la hausse du nombre de demandes de fusion du sentiment que le travail dans son ensemble est devenu plus facile.
Claude Code : +11,4 %, Copilot CLI : +24,9 %
En distinguant les outils, le nombre de demandes de fusion a augmenté de 11,4 % chez les utilisateurs de Claude Code et de 24,9 % chez ceux de Copilot CLI, par rapport aux semaines où ils n’utilisaient pas l’outil. L’écart est d’environ deux fois, mais il serait prématuré d’y voir une mesure directe de la supériorité de l’un ou l’autre outil. Copilot CLI est fourni par GitHub, qui appartient à Microsoft, et les usages en interne ou les profils des utilisateurs ne sont pas nécessairement les mêmes pour les deux outils.
Pourtant, rares sont les études qui ont suivi pendant quatre mois à la fois la diffusion de ces outils et leurs résultats dans de véritables environnements de développement comptant des dizaines de milliers de personnes. Alors que le débat sur le codage assisté par l’IA se concentre souvent sur la question de savoir quel modèle est le plus performant, ces résultats éclairent la réalité de l’adoption : qui se lance et qui continue à utiliser ces outils. Nous entrons peut-être dans une période où la capacité à organiser leur diffusion au sein de l’entreprise pèsera autant sur les résultats que le choix des outils.
コメント