Ingénierie

À la convergence du digital et du physique

Écrire du code a cessé d'être la contrainte. Ce qui retient aujourd'hui une mise en production, c'est tout ce qui vient après : la relire, l'éprouver, et savoir qu'elle se comportera pareil dans un atelier et sur un poste de développement.

L'IA a déplacé le goulot d'étranglement de l'écriture vers la vérification.

Quatre-vingt-dix pour cent des équipes logicielles utilisent l'IA au quotidien, et cela se voit sur la production : plus de pull requests, plus de tâches closes, plus de code livré par ingénieur. Cela se voit aussi plus loin. Le temps médian passé en relecture a fortement augmenté, trente et un pour cent de pull requests supplémentaires fusionnent sans aucune revue, et les études relèvent une faiblesse de sécurité dans environ quarante pour cent des programmes générés par un assistant.

La discipline qui paie a donc changé. Il ne s'agit plus de produire plus vite, mais de vérifier au rythme où l'on produit désormais : des tests générés puis élagués, une revue qui est une barrière et non une formalité, et une chaîne de livraison où un changement fait sa preuve au lieu qu'on se porte garant pour lui.

La même règle vaut quand le logiciel quitte le centre de données. Dans un atelier, sur un poste électrique, à bord d'un véhicule, un système qu'on ne peut pas vérifier là où il s'exécute est un système auquel personne ne confiera quoi que ce soit d'important.

Deux familles, une même discipline

L'ingénierie logicielle et l'ingénierie industrielle ne s'enchaînent pas, elles se rencontrent. Les deux répondent à la même question : comment savoir que cela se comportera comme prévu, là où vous ne regardez pas ?

Ce qui s'exécute, à chaque fois

Trois exécutions d'exemple, sur des périmètres fictifs. Elles montrent la forme de ce qu'on rend : une séquence qui va à son terme, et ce qu'elle trouve en y arrivant.

Une fonctionnalité qui fait sa preuve

Un assistant en écrit l'essentiel en une après-midi. Ce qui décide qu'elle parte dans la semaine, c'est tout ce qui suit : l'intention écrite, les tests qui échoueraient vraiment, et une revue qui est une barrière et non une signature.

  • L'intention écrite avant le code, pas après
  • Des tests qui échoueraient si le code était faux
  • La revue comme barrière, avec un responsable nommé
parcours-souscriptionen cours
Intentionle comportement attendu, écrit comme une spécification exécutableen attente
Implémentationgénérée sous revue, comparée à la spécificationen attente
Testsgénérés, puis élagués à ce qui discrimine réellementen attente
Barrièrecontrôles de qualité, de sécurité et de conformité dans le pipelineen attente

Constat : la fonctionnalité passe, et deux des tests générés seraient passés sur du code cassé. Ils sont retirés. Une campagne qui ne peut pas échouer est une campagne qui rassure sans rien vérifier, ce qui est pire que pas de campagne du tout.

Où en est vraiment l'ingénierie logicielle

90 %

des équipes logicielles utilisent l'IA au quotidien selon le rapport DORA 2025 : l'adoption est acquise, et ce n'est plus elle qui distingue les équipes

+31 %

de pull requests fusionnées sans aucune revue, pendant que le temps médian de relecture augmentait fortement : la file d'attente est passée de l'écriture à la vérification

~40 %

des programmes générés par un assistant portent une faiblesse de sécurité dans les études publiées, ce qui a fait de la revue une barrière plutôt qu'une formalité

Des systèmes qui tiennent là où ils tournent

D'une mise en production de plusieurs jours à une chaîne qui se rejoue
Ageas FranceAssurance
Chaîne de livraison
Cas(01)

D'une mise en production de plusieurs jours à une chaîne qui se rejoue

−72 % de time-to-market · 18 squads sur une même chaîne

L'enjeu

Un assureur vie centenaire dont les mises en production prenaient plusieurs jours, mobilisaient toutes les équipes et reposaient sur des pipelines Jenkins historiques et des scripts shell propriétaires accumulés au fil des ans.

Notre réponse

Une chaîne de livraison reconstruite sur Terraform, Ansible, Docker et Kubernetes, avec les contrôles de conformité câblés dans le pipeline plutôt que vérifiés à la fin, et dix-huit squads produit amenées aux mêmes pratiques.

Lire l'étude de cas
De la vidéo temps réel comprise à la périphérie, sur 142 caméras
Disneyland ParisLoisirs & hospitalité
IA embarquée
Cas(02)

De la vidéo temps réel comprise à la périphérie, sur 142 caméras

latence p99 sous 200 ms · −58 % de délai d'attente

L'enjeu

Des temps d'attente estimés statistiquement qui ne reflétaient plus les flux réels pendant les pics, sur un site qui accueille quinze millions de visiteurs par an et dont le volume vidéo interdit de tout renvoyer vers une plateforme centrale.

Notre réponse

Une vision par ordinateur exécutée à la périphérie, au plus près des caméras, qui alimente des applications mobiles natives. La confidentialité traitée au point de capture, et la décision prise là où la donnée naît plutôt qu'après un aller-retour.

Lire l'étude de cas
Du logiciel qui vit dans un atelier de maintenance
RATPTransport & mobilité
IT et OT
Cas(03)

Du logiciel qui vit dans un atelier de maintenance

8 ateliers en production · 0 régression

L'enjeu

Des ateliers de maintenance qui pilotent une flotte considérable avec un outillage legacy : pas de vue temps réel, rien qui se lise collectivement sur un écran d'atelier, et aucune barrière de qualité sur les évolutions logicielles.

Notre réponse

Une supervision interactive développée de zéro pour un tableau 4K d'atelier, avec une couverture de tests supérieure à quatre-vingt-dix pour cent et une barrière de qualité sur chaque évolution. Du logiciel écrit pour les contraintes du terrain, pas adapté après coup.

Lire l'étude de cas
PARLER À UN EXPERT

Vérifiez au rythme où vous produisez désormais

Une chaîne de livraison où un changement fait sa preuve, des tests qui restent dignes d'être joués, et du logiciel qui se comporte pareil là où vous ne regardez pas.

En soumettant ce formulaire, vous acceptez notre politique de confidentialité.

Questions fréquentes

Entre cinq et quinze pour cent sur la livraison, dans les études qui mesurent de bout en bout plutôt que de compter des lignes. La production individuelle augmente bien davantage, mais le gain est absorbé plus loin, en relecture, en reprise et en défauts qui remontent plus tard.

Parce que produire est devenu bon marché et que vérifier ne l'est pas devenu. Le temps médian de relecture a fortement augmenté et trente et un pour cent de pull requests supplémentaires fusionnent sans aucune revue. La file d'attente n'a pas disparu, elle s'est déplacée là où personne ne la mesurait.

Elle peut être générée, puis elle doit être élaguée. Une campagne qui grossit à chaque fonctionnalité sans jamais perdre un test devient lente, puis ignorée, puis désactivée. Ce qui compte n'est pas la couverture sur le papier, c'est quels tests échoueraient réellement si le code était faux.

La vérification. Dans un atelier ou sur un poste électrique, on ne redéploie pas en une minute et le lien n'est pas toujours là. Le comportement doit être démontrable là où le logiciel s'exécute, ce qui façonne l'architecture au lieu de s'y ajouter.

Un projet logiciel avec un problème de modélisation dedans. Le modèle est la moitié facile. Ce qui décide de son usage, c'est la donnée qui l'alimente, le rythme auquel il se rafraîchit, et la capacité d'un exploitant à voir qu'il a dérivé de l'actif qu'il représente.

Là où la frontière entre conseiller et agir est écrite, oui. Un copilote qui remonte une procédure ou lit un historique de maintenance sert immédiatement. Ce qui écrit dans un système de conduite est une autre décision, et elle se prend à part.

Par ce qui livre déjà. Nous mesurons le chemin actuel entre le commit et la production, cherchons où un changement attend réellement, et traitons cela. Commencer par l'outillage avant de savoir où est la file achète de la vitesse au seul endroit qui n'était pas lent.