Le développement logiciel est devenu aujourd’hui le cas d’usage décisif de l’IA générative, la moitié des tokens consommés sur OpenRouter étant utilisés pour la génération de code. Cursor, par exemple, est passé de 100 millions de dollars à 4 milliards de dollars d’ARR au cours des 12 derniers mois. Nous sommes dans la première partie du plus grand changement de l’histoire du développement de Logiciels : passer des humains écrivant du code manuellement à des essaims d’agents IA de longue date construisant autonomement des Logiciels. Le cycle de vie du développement logiciel est entièrement redéfini, avec de nouveaux primitives et processus construits en temps réel pour correspondre au rythme de la vitesse du code agentique.

Le SDLC traditionnel avait un goulot d’étranglement naturel et intégré lors de la phase de « construction » où les humains écrivaient du code à la main. Ce processus d’écriture manuelle du code agissait comme un limiteur de débit pour le reste du processus SDLC, laissant suffisamment de temps pour d’autres fonctions, tant en amont (planification) qu’en aval (tests, sécurité, CI/CD, stockage) de la génération de code.

Parce que les agents de codage construisent du code en une fraction du temps que les humains peuvent, le reste du SDLC – planification, test, sécurité, stockage du code – s’effiloche, essayant de fonctionner à un rythme pour lequel les infrastructures et flux de travail existants n’ont pas été conçus.

On voit un nouveau SDLC agent construit avec beaucoup des mêmes éléments que l’ancien SDLC, mais réimaginé pour l’ère du codage agentique. Nous avons parlé à des leaders en ingénierie dans des startups et des entreprises, ainsi qu’aux fondateurs qui construisent la prochaine génération d’outils de développement. Sur la base de ces conversations, nous avons analysé comment chaque partie du SDLC est remodelée.

1. Planification et triage – Le chef de produit toujours actif

La première étape de la création d’un logiciel consiste à déterminer quoi construire et pourquoi . Alors que le coût d’écriture de code approche de zéro avec l’IA, nous constatons de première main les conséquences d’une mauvaise hiérarchisation et planification. La « bouillie de l’IA » s’est multipliée, avec des produits et fonctionnalités mal conçus qui sont poussés à la production. Les barres de menus SaaS ressemblent à des menus de Cheesecake Factory, ce qui embrouille les utilisateurs qui ne suivent pas la pluie de nouveaux produits dont ils n’avaient pas besoin ou demandé. Les nouvelles applications iOS ont augmenté de 60 % en glissement annuel, mais globalement les téléchargements d’applications sont en baisse, ce qui montre que plus d’options ne signifie pas nécessairement un engagement accru.

Une nouvelle catégorie d’entreprises comme Linear, Modem et Intent Lab développe des outils pour aider les équipes produit et ingénierie à planifier au rythme de l’IA. Ces outils aident les équipes à gérer le contexte, à recueillir et trier les retours clients, et à définir les feuilles de route pour que les bonnes fonctionnalités soient livrées. Une fois les priorités définies, elles aident à traduire cela en spécifications et en codage contextuel que les agents peuvent utiliser pour construire exactement ce qui était prévu.

2. Construire, revoir et tester – Logiciels Factories

Au cœur du SDLC agent se trouvent des agents codeurs qui écrivent du nouveau code. La catégorie a évolué rapidement, passant des « copilotes » et des outils de « programmation en duo » comme GitHub Copilot au modèle Tab d’autocomplétion de Cursor, en passant désormais par des agents de codage entièrement autonomes tels que Claude Code, Cursor, Cognition, Factory et Blitzy* capables de créer des fonctionnalités de bout en bout sans qu’un humain ait à écrire une seule ligne de code.

En aval de la génération de code elle-même, il y a la revue et les tests de code. Lorsque des ingénieurs juniors peuvent écrire des milliers de lignes de code par jour avec l’aide de leur agent de codage, il devient presque impossible pour les équipes seniors de relecture ou de test de revoir et tester efficacement tout le code manuellement.  Nous voyons émerger de nouveaux outils spécialisés pour gérer la relecture de code et les tests avec l’IA, mais nous voyons aussi des agents de codage comme Cursor et Cognition intégrer la relecture et les tests de code dans leur boucle agente ou une plateforme plus large. De nombreuses entreprises à qui nous avons parlé sont méfiantes à l’idée que l’IA examine l’IA, mais elles ne voient pas d’autre option pour gérer le volume de code écrit par les agents de codage.

Aujourd’hui, nombre de ces agents de codage entièrement autonomes sont utilisés pour le refactoring de code « brownfield », la migration du code hérité vers des langages plus modernes, à mesure que les modèles de base et les exploits d’agents s’améliorent, nous pensons que ces agents seront de plus en plus utilisés pour le développement de nouveau code « greenfield », devenant intégrés à des usines logicielles indépendantes du fournisseur qui marient un contexte en amont avec les meilleurs agents de codage pour une tâche donnée. Nous constatons déjà cela dans des entreprises avant-gardistes comme Ramp, Stripe et Coinbase, qui ont chacune développé leurs propres usines Logiciels internes entièrement autonomes.

3. Sécurité – Sécuriser la base de code

Le volume accru de code généré par l’IA aujourd’hui accroît la surface d’attaque des bases de code. Parallèlement, les acteurs malveillants disposent désormais de modèles d’IA puissants qu’ils peuvent utiliser pour détecter les vulnérabilités plus rapidement que les défenseurs ne peuvent les corriger. Le modèle Mythos d’Anthropic aurait trouvé des milliers de vulnérabilités dans les systèmes d’exploitation principaux et les navigateurs web alimentant Internet aujourd’hui, et les logiciels open source sont assiégés par de nouvelles attaques sur la chaîne d’approvisionnement apparemment toutes les deux semaines. La gestion des vulnérabilités, la sécurité de la chaîne d’approvisionnement et les tests d’intrusion sont des priorités de haut niveau pour les responsables en ingénierie et sécurité avec qui nous parlons.

Nous en sommes arrivés au point où « l’IA qui évalue l’IA » cesse d’être un compromis inconfortable et devient la seule réponse viable. Les humains étaient déjà le goulot d’étranglement dans la revue de sécurité avant l’arrivée du codage agentique, donc ce n’est pas un problème nouveau, juste une version bien plus urgente d’un ancien problème. De nouveaux types d’outils natifs à l’IA émergent pour aider les équipes de sécurité à se défendre contre les attaques. Des outils comme DepthFirst, Socket, Tenzai* et Corridor permettent aux CISO de sécuriser leur base de code de manière proactive, et nous pensons que les outils de sécurité agentique deviendront une partie essentielle de la sécurisation du code à l’avenir.

4. CI/CD & Sandboxes – Nouveaux pipelines de construction pour agents

Les pipelines de build existants peinent à suivre le volume de code piloté par les agents, poussant les équipes vers des pipelines d’intégration continue de nouvelle génération, conçus pour la vitesse du codage agentique.

Les bacs à sable sont devenus une partie essentielle du processus CI/CD pour le codage agentique, offrant aux agents de codage un environnement pour construire et tester le code qu’ils écrivent. Ces bacs à sable permettent l’état et l’isolement du code, permettant aux agents de longue durée de se construire sur de longues périodes sans endommager la base de code de production par des hallucinations ou exposer des vulnérabilités de sécurité. L’essor rapide des solutions bac à sable comme Modal, Daytona, E2B, Starfolk et exe.dev reflète à quel point cette couche est devenue centrale dans le SDLC agentique.

5. Stockage de code – Contrôle de version nouvelle génération pour la vitesse agentique

L’infrastructure de GitHub a été conçue autour de la vitesse du code humain, pas de la vitesse du code agent.  La limite recommandée par la plateforme, un maximum de 6 commits par minute par dépôt, est largement suffisante lorsque des humains écrivent du code, mais il est loin d’atteindre le volume de code que les agents d’IA rédigent dans les organisations les plus natives de l’IA. En conséquence, les pannes de GitHub sont devenues un aspect plus fréquent de la vie en 2026, plusieurs incidents majeurs laissant les développeurs en quête de solutions alternatives.

De nouvelles solutions telles que Code Storage de Pierre Computer Company, East River Source Control et Origin de Cursor tentent de construire des primitives de stockage de code compatibles avec la vitesse des agents de codage. Nous pensons que ces solutions de stockage de code s’étendront vers des solutions de sandboxing pour posséder CI/CD, suivant le modèle GitHub et GitHub Actions, qui consistent à posséder à la fois le stockage et les pipelines qui l’entourent.  Des organisations natives de l’IA comme Lovable passent déjà de GitHub à ces nouvelles solutions, une tendance que nous prévoyons de poursuivre à mesure que le rythme du code s’accélère.

Nous en sommes encore très tôt dans la transition vers le codage IA. Dans notre récente enquête auprès des leaders technologiques d’entreprise, la plupart ont déclaré qu’ils utilisent toujours GitHub Copilot pour le codage agent et que la plupart du code est encore écrit à la main. À mesure que le codage agent se diffuse dans l’entreprise, nous nous attendons à ce que ce nouveau SDLC agent devienne de plus en plus important, représentant une opportunité générationnelle pour les fondateurs d’outils de développement lors d’un changement de plateforme. Si vous intégrez ce nouveau SDLC agent, nous serions ravis de vous entendre !