17 juillet 2026Mis à jour le Fathy Shalaby11 min de lecture
Productivité du code assisté par IA en 2026 : construire est devenu bon marché, décider non
Les outils d’IA ont rendu la création de logiciels moins chère et plus courante. Les preuves sur la vitesse sont mitigées, et le coût de construire la mauvaise chose n’a pas bougé. Voici ce que disent réellement les données 2025-2026.
La productivité du code assisté par IA a progressé en portée plus qu’en vitesse démontrée. En 2025, 84 % des développeurs utilisaient ou prévoyaient d’utiliser des outils d’IA, pourtant les essais contrôlés de METR ont trouvé des développeurs expérimentés 19 % plus lents début 2025 et seulement de faibles indices d’accélération fin 2025. Pendant ce temps, 43 % des startups qui ont échoué citent toujours un mauvais product-market fit. Construire est devenu moins cher ; savoir quoi construire, non.
L’essentiel
Le code assisté par IA est désormais la norme. 84 % des développeurs utilisent ou prévoient d’utiliser des outils d’IA, et 50,6 % des développeurs professionnels les utilisent chaque jour (Stack Overflow, 2025). Près de 80 % des nouveaux développeurs GitHub utilisent Copilot dès leur première semaine (GitHub Octoverse, 2025).
Les gains de vitesse dépendent de la tâche. Dans un essai de 2023, des développeurs ont terminé une tâche de serveur HTTP en partant de zéro 55,8 % plus vite avec Copilot, mais des développeurs expérimentés travaillant sur de grandes bases de code matures ont été 19 % plus lents avec l’IA dans l’essai METR de début 2025.
On surestime le gain. Les développeurs de METR s’attendaient à une accélération de 24 % et, après avoir été ralentis, croyaient encore que l’IA les avait rendus 20 % plus rapides.
La moitié coûteuse n’a pas bougé. Dans l’analyse 2026 de CB Insights portant sur 431 fermetures de sociétés financées par du capital-risque, 43 % citaient un mauvais product-market fit (CB Insights, 2026).
La plupart des fonctionnalités restent inutilisées. Pendo a constaté que 80 % des fonctionnalités d’un produit moyen sont rarement ou jamais utilisées (Pendo, 2019).
Combien de développeurs utilisent des outils de code assisté par IA en 2026 ?
Presque tous, sous une forme ou une autre. Les enquêtes récentes de grande ampleur s’accordent sur la diffusion, même quand elles divergent sur l’impact.
Ce qu’a trouvé le Stack Overflow Developer Survey 2025
L’enquête 2025, publiée en juillet 2025, indique que 84 % des répondants utilisent ou prévoient d’utiliser des outils d’IA dans leur développement, sur 33 662 réponses. Parmi les développeurs professionnels, 50,6 % les utilisent chaque jour.
Les agents d’IA sont plus tôt sur la courbe : 14,1 % des répondants utilisent des agents d’IA au travail chaque jour, 9 % chaque semaine, et 37,9 % ne prévoient pas du tout d’en utiliser (Stack Overflow, 2025).
Ce qu’a trouvé GitHub Octoverse 2025
Le rapport Octoverse de GitHub, publié le 28 octobre 2025, compte plus de 180 millions de développeurs sur la plateforme, dont plus de 36 millions ont rejoint en 2025. L’activité a suivi :
Près de 1 milliard de commits poussés en 2025, en hausse de 25 % sur un an.
518,7 millions de pull requests fusionnées, en hausse de 29 %.
Plus de 1,1 million de dépôts publics importent un SDK de LLM, en hausse de 178 %.
Plus de code est livré par plus de personnes. C’est ce que signifie concrètement « construire est devenu bon marché » (GitHub, 2025). Cela veut aussi dire davantage de produits qui se disputent les mêmes acheteurs, de plus en plus au sein des réponses d’IA ; voir l’explicabilité des produits.
L’IA rend-elle vraiment les développeurs plus rapides ?
Parfois de beaucoup, parfois pas du tout. La réponse dépend de la tâche, de la base de code et de la façon de mesurer.
Étude
Qui et quoi
Résultat
Peng et al., 2023 (essai contrôlé)
Développeurs recrutés écrivant un serveur HTTP en JavaScript
Le groupe Copilot a terminé 55,8 % plus vite
METR, début 2025 (essai randomisé)
16 développeurs open source expérimentés, 246 tâches réelles dans des dépôts de plus d’1 M de lignes de code en moyenne
19 % plus lents avec l’IA autorisée (IC à 95 % +2 % à +39 %)
METR, mise à jour fin 2025 (publiée en févr. 2026)
57 développeurs, plus de 800 tâches ; 10 revenants, 47 nouveaux
Développeurs revenants −18 % de temps (IC −38 % à +9 %) ; nouveaux développeurs −4 % (IC −15 % à +9 %)
Code neuf vs code mature. Écrire de zéro un petit serveur est le terrain où l’IA brille. Modifier une base de code d’un million de lignes que l’on connaît bien laisse moins de place à l’aide et plus à la charge de relecture.
Perception vs mesure. Les développeurs de METR début 2025 prévoyaient une accélération de 24 % et, après coup, croyaient avoir été 20 % plus rapides, alors que le chronomètre indiquait 19 % plus lents. La productivité déclarée n’est pas une preuve.
Effets de sélection. Dans la mise à jour de fin 2025, METR indique que 30 % à 50 % des développeurs ont choisi de ne pas soumettre certaines tâches, et que ceux qui refusaient de travailler sans IA ont décliné la participation. METR dit que la vraie accélération pourrait être bien plus élevée pour les tâches écartées, et qualifie ses propres données de preuve très faible d’une augmentation depuis début 2025.
Qu’en est-il de la confiance et de la qualité ?
Dans l’enquête Stack Overflow, 46 % des développeurs se méfient de l’exactitude des résultats de l’IA et seuls 33 % leur font confiance. La première source de frustration, citée par 66 %, ce sont les réponses « presque justes, mais pas tout à fait ». Taper plus vite ne sert à rien si la relecture et les reprises absorbent le gain.
Le résumé honnête sur la productivité du code assisté par IA : l’IA rend la production de code moins chère et plus accessible, et souvent plus rapide pour un travail nouveau ou bien délimité. On n’a pas montré qu’elle rendait des équipes matures spectaculairement plus rapides pour livrer la bonne chose.
Si construire coûte moins cher, pourquoi les produits échouent-ils encore ?
Parce que le goulot d’étranglement n’a jamais été seulement la vitesse de frappe.
Les startups échouent sur la demande, pas sur le code
L’analyse de CB Insights de mars 2026 a porté sur 431 sociétés financées par du capital-risque qui ont fermé depuis 2023 et a identifié les raisons pour 385 d’entre elles :
70 % ont manqué de trésorerie, ce que CB Insights décrit presque toujours comme la cause finale plutôt que le problème de fond.
43 % avaient un mauvais product-market fit.
29 % ont cité un mauvais timing ou le contexte macroéconomique.
19 % avaient une économie unitaire non viable.
Les sociétés citent plusieurs raisons, ce qui fait que le total dépasse 100 % (CB Insights, 2026). Un code moins cher allonge la durée de vie de la trésorerie par fonctionnalité. Il ne fait rien pour un produit dont personne n’a besoin.
La plupart des fonctionnalités livrées sont à peine utilisées
Le Feature Adoption Report 2019 de Pendo a analysé 615 abonnements Pendo sur trois mois. Il a constaté que 80 % des fonctionnalités d’un produit moyen sont rarement ou jamais utilisées, et que 12 % des fonctionnalités génèrent 80 % du volume d’usage quotidien. Pendo a extrapolé que les éditeurs de logiciels cloud cotés en bourse avaient investi jusqu’à 29,5 milliards de dollars dans la création de ces fonctionnalités (Pendo, 2019). Nous retraçons cette statistique en détail dans pourquoi 80 % des fonctionnalités sont rarement ou jamais utilisées.
Les équipes produit sentent le risque
L’enquête State of Product 2026 d’Atlassian, menée auprès de plus de 1 000 professionnels du produit aux États-Unis et en Europe, a constaté que 84 % des PM craignent que leurs produits échouent (Atlassian, 2026). Le compte rendu de Mind the Product sur ce même rapport note que 80 % des équipes n’associent toujours pas les ingénieurs à l’idéation, à la définition du problème ou à la création de la roadmap (Mind the Product, 2026).
Productivité du code assisté par IA et échec produit : les chiffres au même endroit
Quoi
Chiffre
Source et année
Développeurs utilisant ou prévoyant d’utiliser des outils d’IA
84 %
Stack Overflow, 2025
Développeurs professionnels utilisant l’IA chaque jour
50,6 %
Stack Overflow, 2025
Développeurs se méfiant de l’exactitude des résultats de l’IA
46 %
Stack Overflow, 2025
Nouveaux développeurs GitHub utilisant Copilot dès la première semaine
Près de 80 %
GitHub Octoverse, 2025
Pull requests fusionnées sur GitHub en un an
518,7 millions (+29 %)
GitHub Octoverse, 2025
Gain de vitesse sur une tâche de code en partant de zéro
55,8 % plus vite
Peng et al., 2023
Effet sur des développeurs expérimentés, dépôts matures
19 % plus lents
METR, 2025
Startups financées par du capital-risque échouées citant un mauvais PMF
43 %
CB Insights, 2026
Fonctionnalités rarement ou jamais utilisées
80 %
Pendo, 2019
PM craignant l’échec de leur produit
84 %
Atlassian, 2026
Que construire quand le code ne coûte presque rien ? Une méthode en 6 étapes
Quand une fonctionnalité coûte des jours au lieu de semaines, le risque se déplace de « peut-on la construire ? » à « devrait-on ? ». Six étapes évitent que construire à bas coût ne devienne du gaspillage à bas coût :
Écrivez le problème avant la solution. Un paragraphe : qui a le problème, à quelle fréquence, et ce que cela lui coûte. Utilisez notre modèle d’énoncé de problème produit si vous avez besoin d’un format.
Comptez les preuves. Listez les appels, tickets et données d’usage qui étayent le problème. Moins de 3 sources indépendantes, c’est que vous devinez.
Lancez d’abord le test le moins cher. Une fake door, un test concierge ou cinq entretiens règlent souvent la question plus vite qu’un développement.
Prototypez comme un test, pas comme un engagement. L’IA permet de construire un prototype fonctionnel en quelques heures ; considérez-le comme un moyen d’observer de vrais utilisateurs, puis décidez. Notre plan en 7 jours pour valider un prototype d’IA couvre cette étape.
Fixez un critère d’arrêt avant le lancement. Par exemple : « Si moins de 20 % des comptes actifs l’utilisent sous 30 jours, nous la retirons. »
Vérifiez l’adoption après le lancement. La plupart des équipes ne regardent jamais plus, et c’est ainsi que les 80 % s’accumulent.
Un exemple chiffré : combien coûte désormais un mauvais pari ?
Scénario illustratif : une startup de 6 personnes livre 10 fonctionnalités par trimestre. Les outils d’IA font passer le temps de construction par fonctionnalité de 2 semaines d’ingénieur à 4 jours d’ingénieur, si bien que l’effort de construction du trimestre tombe de 20 semaines d’ingénieur à 8.
Si le schéma de Pendo se vérifie et que 8 de ces 10 fonctionnalités sont rarement utilisées, l’équipe dépense quand même 6,4 semaines d’ingénieur à construire des fonctionnalités dont personne n’a besoin. Elle continue aussi de payer pour maintenir, documenter et assister ces 8 fonctionnalités. Construire à moindre coût a baissé le prix de chaque mauvais pari ; cela n’a pas baissé le nombre de mauvais paris.
Supposons maintenant que l’équipe consacre 1 jour supplémentaire par fonctionnalité aux preuves (étapes 1 à 3 ci-dessus) et écarte 4 des 8 idées faibles avant de construire. Cela fait 10 jours de discovery pour économiser 16 jours d’ingénieur de développement, plus l’entretien continu de 4 fonctionnalités. Le retour vient de meilleurs choix, pas d’un code plus rapide.
Que ne montrent pas ces données ?
Le chiffre de Pendo date de 2019 et provient de clients de Pendo. C’est la mesure la plus connue, pas une loi de la nature.
CB Insights ne couvre que les fermetures de sociétés financées par du capital-risque. Les entreprises autofinancées et celles qui sont encore en vie ne figurent pas dans l’échantillon.
Les essais de METR sont petits (16 et 57 développeurs) et portent sur du travail open source. METR lui-même met en garde contre une lecture de son estimation centrale comme l’effet général de l’IA.
Les échantillons d’enquête s’auto-sélectionnent. Les répondants de Stack Overflow et les utilisateurs de GitHub ne sont pas tous les développeurs.
Aucune de ces études ne relie le code assisté par IA à l’adoption des fonctionnalités. L’idée que construire à moindre coût augmente le gaspillage est une inférence tirée des chiffres, pas un résultat mesuré.
Où Specky intervient
Specky travaille sur la moitié coûteuse. Il lit les appels clients, les retours, Slack, Jira et les analytics pour alimenter un Product Graph, rédige des specs dont les preuves clients sont citées en ligne, et vérifie après le lancement si le pari a fonctionné. Si vous choisissez des outils pour cette tâche, notre comparatif des outils d’IA pour le product management couvre Specky et sept alternatives, y compris les cas où d’autres conviennent mieux. Alors que l’IA rend la production bon marché, la tarification évolue elle aussi ; voir la tarification par siège est en train de mourir.
Questions fréquentes
L’IA rend-elle les développeurs plus productifs ?
Cela dépend de la tâche. Un essai contrôlé de 2023 a constaté que des développeurs utilisant Copilot terminaient un nouveau serveur HTTP 55,8 % plus vite. L’essai METR de 2025 a constaté que des développeurs expérimentés travaillant dans leurs propres grandes bases de code étaient 19 % plus lents avec l’IA. Le suivi de METR fin 2025 allait dans le sens d’une accélération, mais ses intervalles de confiance incluaient zéro ; les preuves d’un gain général important restent donc faibles.
Quel pourcentage de développeurs utilise des outils de code assisté par IA ?
Dans le Stack Overflow Developer Survey 2025, 84 % des répondants utilisaient ou prévoyaient d’utiliser des outils d’IA dans leur processus de développement, et 50,6 % des développeurs professionnels les utilisaient chaque jour. L’Octoverse 2025 de GitHub indique que près de 80 % des nouveaux développeurs sur GitHub utilisent Copilot dès leur première semaine.
Qu’a constaté l’étude METR sur l’IA et la productivité des développeurs ?
L’essai randomisé de METR de début 2025 a confié 246 tâches réelles à 16 développeurs open source expérimentés. Avec l’IA autorisée, les tâches ont pris 19 % de temps en plus, alors que les développeurs s’attendaient à une accélération de 24 % et croyaient ensuite avoir été 20 % plus rapides. Une mise à jour de février 2026 avec 57 développeurs a trouvé des estimations ponctuelles d’accélération de 4 % à 18 %, avec de larges intervalles de confiance.
Pourquoi les startups échouent-elles en 2026 ?
L’analyse de CB Insights de mars 2026 portant sur 431 fermetures de sociétés financées par du capital-risque a constaté que 70 % avaient manqué de trésorerie, ce qui est généralement la cause finale plutôt que la cause racine. Parmi les raisons sous-jacentes, 43 % ont cité un mauvais product-market fit, 29 % un mauvais timing ou le contexte macroéconomique, et 19 % une économie unitaire non viable. De nombreuses sociétés ont cité plus d’une raison.
Est-il vrai que 80 % des fonctionnalités logicielles sont rarement utilisées ?
Ce chiffre vient du Feature Adoption Report 2019 de Pendo, qui a analysé 615 abonnements Pendo sur trois mois et constaté que 80 % des fonctionnalités d’un produit moyen sont rarement ou jamais utilisées. C’est une vraie mesure, mais ancienne et limitée aux clients de Pendo ; considérez-la donc comme un signal fort, pas comme une constante universelle.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing