15 octobre 2026Mis à jour le Fathy Shalaby14 min de lecture
Coût d’un développement avec l’IA : pourquoi « 1 heure » n’est pas bon marché
« On peut le construire en 1 heure avec l’IA » est une estimation d’implémentation, pas un argument produit. Ce que coûte une fonctionnalité après cette heure, un exemple chiffré sur 12 mois et comment dire non sans ralentir l’équipe.
Le coût de développement des fonctionnalités avec l’IA s’est effondré pour la première version, mais l’essentiel de ce que coûte une fonctionnalité arrive après la construction : revue, sécurité, tests, support, maintenance, et l’attention de la roadmap prise à d’autres paris. « On peut le construire en 1 heure avec l’IA » est donc une estimation d’implémentation, pas un argument produit. Cela prouve qu’un prototype est bon marché. Cela ne prouve pas que la fonctionnalité l’est.
Réponse courte : non, ce n’est pas une bonne raison en soi. C’est en revanche une bonne raison de lancer un test peu coûteux, si ce test répond à une vraie question et a un responsable et une date de fin. Le but est de déplacer la discussion du temps de construction vers le coût total de possession du résultat.
Points clés
La maintenance était déjà le premier poste avant l’IA. Dans l’enquête de Stripe de 2018, les développeurs estimaient que 17,3 heures d’une semaine de 41,1 heures étaient consacrées à la maintenance : débogage, refactorisation, correction de code de mauvaise qualité (Stripe, 2018).
Le code généré par l’IA doit toujours être vérifié : 66 % des développeurs interrogés dans l’enquête Stack Overflow 2025 citent les réponses « presque justes, mais pas tout à fait » comme première source de frustration, et 45,2 % disent que le débogage du code d’IA prend plus de temps (Stack Overflow, 2025).
Veracode a constaté que le code généré par l’IA introduisait des failles de sécurité à risque dans 45 % de ses tests, sur plus de 100 modèles (Veracode, 2025).
L’IA accélère les équipes mais fragilise encore la stabilité. La recherche DORA 2025 montre que 90 % des répondants utilisent l’IA au travail, et que l’adoption de l’IA reste négativement corrélée à la stabilité des livraisons logicielles (Google Cloud, 2025).
Dans l’exemple illustratif ci-dessous, une fonctionnalité construite en 1 heure coûte environ 53 heures la première année.
« On peut le construire en 1 heure avec l’IA » est-il un bon argument produit ?
Seulement comme indice qu’une sonde à faible coût est possible. Cela ne dit rien sur l’importance du problème, sur la capacité de la solution à changer les comportements, ni sur l’opportunité pour l’équipe d’assumer le résultat en production.
L’argument n’est pas nouveau ; l’IA l’a simplement rendu plus bruyant. En 2013, Des Traynor, d’Intercom, rangeait « rapide à construire » parmi les mauvaises raisons courantes d’ajouter des fonctionnalités, aux côtés de « un concurrent l’a » et « un dirigeant le veut ». Son idée : une estimation rapide masque la complexité, car « il n’y a pas de petits changements » (Intercom, 2013).
Ce qui a changé, c’est la friction. Les équipes écartaient autrefois des idées en partie parce que l’implémentation était visiblement coûteuse : une semaine d’ingénierie ou une migration risquée créait une pause naturelle. Le développement assisté par l’IA supprime une grande partie de cette pause. Le nouveau mode d’échec n’est pas seulement de construire lentement la mauvaise chose. C’est de la construire vite, puis de prendre l’existence du logiciel pour la preuve que le pari était bon.
Quel est le coût total du développement de fonctionnalités avec l’IA ?
Une estimation d’une heure ne couvre qu’une ligne d’une longue facture. Voici le reste, avec ce que dit la littérature pour chaque ligne.
Poste de coût
Ce qu’il inclut
Ce que disent les données
Revue et correction
Lire, corriger et re-prompter le code généré
66 % des développeurs citent les résultats d’IA « presque justes » comme première frustration ; 45,2 % disent que le débogage du code d’IA prend plus de temps (Stack Overflow, 2025)
Sécurité et permissions
Authentification, accès aux données, traitement des entrées
Le code d’IA a introduit des failles à risque dans 45 % des tests de Veracode (Veracode, 2025)
Tests et mise en production
Tests, QA, déploiement, retour arrière
La stabilité des livraisons a baissé quand l’adoption de l’IA a augmenté dans les données DORA 2024 (Google Cloud, 2024)
Documentation et support
Articles d’aide, tickets, évolutions de l’onboarding
Chaque fonctionnalité visible ajoute à ce que les utilisateurs doivent apprendre et le support expliquer
Maintenance
Corrections de bugs, changements de dépendances et d’API, refactorisation
Les développeurs estimaient que 17,3 de leurs 41,1 heures hebdomadaires vont à la maintenance (Stripe, 2018)
Complexité du produit
Interface encombrée, cas limites, configuration
Même facultatives, les fonctionnalités se retrouvent ailleurs dans le produit (Intercom, 2013)
Coût d’opportunité
Le pari que vous n’avez pas testé, le temps de revue consommé
Dans les données de Pendo, 12 % des fonctionnalités génèrent 80 % de l’usage quotidien (Pendo, 2019)
Retrait
Migrer les utilisateurs ailleurs en cas d’échec
Rarement prévu, donc rarement bon marché
« Bon marché à construire » ne veut pas dire « bon marché à posséder ». C’est pourquoi l’affirmation « une heure » peut être techniquement vraie et rester une mauvaise raison de dire oui.
Combien coûte la maintenance d’une fonctionnalité ?
Presque toujours plus que sa construction. Le rapport Developer Coefficient de Stripe, qui a interrogé des milliers de dirigeants et de développeurs dans six pays, montre des développeurs estimant que 17,3 heures d’une semaine moyenne de 41,1 heures vont à la maintenance : traiter le code défectueux et les erreurs, déboguer, refactoriser et modifier. Cela représente environ 42 % de la semaine. Ils chiffrent à part 13,5 heures par semaine à la dette technique, et Stripe a estimé le coût d’opportunité du code de mauvaise qualité à environ 85 milliards de dollars par an (Stripe, 2018). Ce sont des estimations d’enquête, pas des relevés de temps, mais la direction est claire : le code est peu coûteux à ajouter et cher à conserver.
Les outils d’IA changent la vitesse à laquelle le code s’accumule. L’analyse de GitClear portant sur 211 millions de lignes modifiées entre 2020 et 2024 montre que les lignes copiées-collées sont passées de 8,3 % à 12,3 % des changements entre 2021 et 2024, tandis que les lignes déplacées lors des refactorisations sont tombées de 25 % à moins de 10 % (GitClear, 2025). Plus de duplication et moins de consolidation : c’est ainsi que les factures de maintenance grossissent.
Pourquoi les fonctionnalités d’IA coûtent encore plus cher à conserver
Si la fonctionnalité elle-même utilise l’IA, ajoutez une seconde couche. D. Sculley et ses collègues soutenaient en 2015 que le machine learning permet aux équipes de construire rapidement des systèmes utiles, mais qu’il est dangereux de traiter ces gains rapides comme gratuits : les systèmes de ML en conditions réelles engendrent couramment des coûts de maintenance continus massifs (Sculley et al., NIPS 2015). Leur liste de risques s’applique directement aux fonctionnalités d’IA actuelles :
Dépendances de données : la fonctionnalité casse quand les données qu’elle lit changent de forme.
Boucles de rétroaction cachées : la sortie de la fonctionnalité modifie le comportement dont elle apprend.
Consommateurs non déclarés : d’autres parties du produit se mettent à dépendre de la sortie.
Changements du monde extérieur : une mise à jour du modèle ou un changement de fournisseur modifie le comportement sans changement de code.
Chacun exige de l’évaluation, du monitoring, un plan de repli et quelqu’un qui assume le résultat. Rien de cela ne tient en une heure. Le cadre d’évaluation de l’IA détaille ce que recouvre cette responsabilité.
Quel est le coût d’opportunité d’une fonctionnalité « bon marché » ?
Le coût d’opportunité est ce à quoi l’équipe renonce en consacrant son attention ici plutôt qu’au meilleur pari suivant. Avec l’IA, la ressource rare est rarement le temps de frappe. C’est :
La capacité de revue. Chaque fonctionnalité générée a besoin d’un lecteur attentif, et les relecteurs seniors sont le goulot d’étranglement.
L’attention de la roadmap. Chaque fonctionnalité apporte son lot de discussions, de points d’avancement et de décisions sur les cas limites.
L’attention des utilisateurs. Chaque option visible rend le produit un peu plus difficile à apprendre.
Le temps d’apprentissage. Une heure passée à construire la mauvaise chose est aussi une heure pendant laquelle l’hypothèse la plus risquée n’est pas testée.
Les taux de base ne jouent pas en faveur de la fonctionnalité « bon marché ». L’étude de Pendo de 2019, portant sur 615 abonnements logiciels, a constaté que 80 % des fonctionnalités sont rarement ou jamais utilisées, 12 % d’entre elles générant 80 % de l’usage quotidien (Pendo, 2019). Construire plus vite augmente le nombre de fonctionnalités par trimestre ; cela ne change pas la probabilité que chacune compte. Notre analyse de pourquoi 80 % des fonctionnalités ne sont jamais utilisées détaille ce que cette étude a mesuré, et ce qu’elle n’a pas mesuré.
Exemple chiffré : ce que coûte une fonctionnalité « d’1 heure » la première année
Prenons une équipe de 6 personnes dans une SaaS B2B qui construit en une heure, avec un outil de code IA, une fonctionnalité « digest Slack hebdomadaire ». L’équipe et tous les chiffres ci-dessous sont illustratifs, choisis de façon modeste.
Poste de coût
Estimation année 1
Heures
Construction avec l’IA
Une session
1
Revue et correction du code généré
Deux relecteurs, plusieurs passes
6
Revue de sécurité et de permissions
Accès au niveau du workspace, scopes Slack
4
Tests et QA
Cas limites : semaines vides, fuseaux horaires
3
Documentation, article d’aide, note de version
Un de chaque
2
Support
3 tickets par mois × 20 minutes × 12 mois
12
Maintenance
1 heure par mois pour les changements d’API et de dépendances
12
Un incident et sa correction
Digest envoyé au mauvais canal
6
Planification et discussion
3 discussions × 5 personnes × 30 minutes
7,5
Total
53,5
La fonctionnalité qui a coûté une heure en coûte environ 53 la première année, sans compter ce que l’équipe n’a pas fait avec ce temps. Ce chiffre de première année est le coût de développement avec l’IA qu’une roadmap devrait peser, pas le 1. Cela n’en fait pas une mauvaise fonctionnalité. Si le digest maintient mesurablement les comptes actifs, 53 heures, c’est peu. Il s’agit de comparer la valeur à 53 heures.
Comment dire non sans devenir le PM « lent » ?
Un non solide n’est pas un veto. C’est une décision qu’on peut examiner, contester et rouvrir. Utilisez cinq gestes.
1. Nommez la décision
Évitez « ça ne vaut sans doute pas le coup ». Dites : « nous ne l’engageons pas encore dans la roadmap de production », ou « nous le mettons de côté jusqu’à avoir la preuve que ce workflow est un problème récurrent ». Une décision nommée se discute plus facilement qu’une impression.
2. Séparez le signal du récit
« Un client a demandé un export » est un signal.
« Trois clients du même workflow ont décrit la même tâche bloquée » est une preuve plus solide.
« Un assistant d’IA a suggéré une fonctionnalité d’export » n’est pas une preuve client.
« Un concurrent a une fonctionnalité d’export » est un contexte de marché, pas la preuve d’une adéquation.
Gardez la source attachée. Une explication plausible n’est pas un problème observé.
3. Énoncez une hypothèse falsifiable
Si nous donnons à [utilisateur précis] [capacité précise] dans [contexte précis], alors [comportement observable] changera parce que [raison étayée par des preuves]. Nous continuerons si [condition de succès]. Nous restreindrons ou arrêterons si [condition d’échec] d’ici le [date de revue].
Un brief généré par l’IA peut rédiger cette phrase. L’équipe doit encore décider si elle y croit assez pour la tester. Le brief produit IA comme contrat montre comment tenir un brouillon à ce niveau d’exigence.
4. Chiffrez le pari complet
Demandez qui assume le résultat, qui en examine le comportement, ce qui se passe quand il se trompe, quelle charge de support il crée, s’il est réversible, quelles données il touche et si vous êtes prêt à l’exploiter s’il fonctionne. Pour les fonctionnalités d’IA, ajoutez l’évaluation, le comportement de repli, les cas d’abus et l’escalade humaine. L’implémentation peut prendre une heure alors que la responsabilité dure des années. Servez-vous du tableau des coûts ci-dessus comme d’une checklist.
5. Donnez à l’équipe une prochaine étape
Un non sans suite ressemble à de la bureaucratie. Proposez l’une de ces quatre voies :
Apprendre : parler aux utilisateurs ou observer le workflow.
Restreindre : tester un segment, un déclencheur ou une tâche.
Sonder : construire un prototype jetable avec une date d’expiration.
Mettre de côté : consigner l’idée et la raison pour laquelle elle n’est pas active dans votre journal de décisions.
La prochaine étape doit être plus petite que l’engagement qu’on cherche à éviter. Si la difficulté est surtout de préserver la confiance d’une partie prenante tout en refusant, lisez comment les PM disent non sans briser la confiance.
Quand « on peut le construire en une heure » est-il un argument valable ?
Quand l’équipe dit explicitement qu’elle mène une sonde, et non qu’elle prend un engagement produit. Utilisez l’argument lorsque :
le test pose une question claire et vise une audience définie ;
le résultat est jetable ou isolé en toute sécurité, derrière un flag ou hors production ;
l’expérience a une date d’expiration et quelqu’un qui assure la revue ;
le succès et l’échec sont définis avant la construction ;
aucune promesse client ou de production n’est sous-entendue.
Dans ce contexte, la vitesse est un avantage d’apprentissage, et refuser de tester est le choix coûteux. Ron Kohavi et Stefan Thomke décrivent une idée de Bing visant à modifier l’affichage des titres d’annonces. Elle demandait quelques jours d’ingénierie, a été classée à faible priorité et est restée sans test pendant plus de six mois. Un simple test A/B a ensuite montré environ 12 % de revenus en plus, soit plus de 100 millions de dollars par an aux États-Unis (HBR, 2017).
L’argument devient faible lorsqu’il sert à éluder la découverte du problème, la priorisation, la revue de sécurité ou la prise de responsabilité. Si le prototype risque de devenir permanent, jugez-le selon le test de la porte à sens unique ou à double sens avant sa sortie.
Un modèle de décision pour les équipes assistées par l’IA
Copiez ceci dans la prochaine discussion de roadmap :
Champ
Question
Décision
À quoi disons-nous exactement oui ou non ?
Utilisateur et job
Qui essaie de faire quoi ?
Preuves
Quelles sources montrent que c’est un vrai problème ?
Hypothèse de départ
De quoi ne sommes-nous pas encore sûrs ?
Hypothèse
Quel comportement ou résultat devrait changer ?
Plus petit test
Quel est le moyen le moins coûteux d’apprendre ?
Coût de possession (12 mois)
Revue, sécurité, support, maintenance, attention : environ combien d’heures ?
Succès
Quel résultat mérite l’investissement suivant ?
Échec
Quel résultat nous conduit à restreindre, suspendre ou arrêter ?
Responsabilité
Qui examine le résultat et assume les conséquences ?
Expiration et retrait
Quand y reviendrons-nous, et comment le retirerions-nous ?
Non-objectifs
Que ne construisons-nous explicitement pas ?
Ce n’est pas du process pour le process. C’est une frontière autour de l’attention de l’équipe.
Que implique réellement la recherche sur le développement avec l’IA ?
La recherche ne soutient aucun des deux extrêmes : ni « l’IA ne change rien », ni « l’IA rend le jugement produit inutile ».
La recherche DORA 2024 a montré qu’une hausse de 25 % de l’adoption de l’IA allait de pair avec une documentation de 7,5 % meilleure, un code de 3,4 % meilleur et une revue de code 3,1 % plus rapide, mais que le débit de livraison baissait d’environ 1,5 % et la stabilité des livraisons de 7,2 % à mesure que l’adoption augmentait (Google Cloud, 2024). En 2025, avec près de 5 000 répondants, DORA a observé une relation positive avec le débit, mais l’adoption de l’IA restait négativement liée à la stabilité. Sa conclusion : l’IA ne répare pas une équipe, elle amplifie ce qui existe déjà (Google Cloud, 2025).
La réponse côté produit n’est pas d’arrêter d’utiliser l’IA. Le coût de développement des fonctionnalités avec l’IA a baissé ; celui d’une mauvaise décision, non. Rendez les preuves et la boucle de décision aussi rapides que la construction. Pour l’ensemble des données sur la vitesse, y compris les essais de METR, voir Productivité du code assisté par l’IA : ce que montrent les données 2026.
Erreurs courantes
Comparer l’heure de construction à la valeur. Comparez plutôt le coût de la première année à la valeur.
Utiliser le coût comme veto. Certaines sondes peu coûteuses sont le meilleur usage d’une semaine. Chiffrez le pari, puis décidez.
Laisser le prototype devenir le produit. Sans date d’expiration, une démo se transforme discrètement en obligation de support.
Compter les suggestions d’IA comme des preuves. Un modèle qui propose une fonctionnalité n’est pas un client qui la demande.
Pas de plan de retrait. Si vous ne pouvez pas dire comment vous la retireriez, vous ne l’avez pas chiffrée.
Où Specky intervient
Specky garde visible la chaîne qui va du signal à la décision. Appels clients, feedbacks, conversations de support et analytics arrivent dans le Product Graph : quand quelqu’un dit « on peut le construire en une heure », l’équipe peut vérifier quelles preuves étayent le problème. Les décisions entrent dans le Decision Log avec leur justification, les PRD portent des citations en ligne vers les preuves et, après le lancement, vous pouvez vérifier si le pari a fonctionné. L’IA rédige et relie ; les personnes décident et assument le résultat.
Questions fréquentes
« On peut le construire en 1 heure avec l’IA » est-il toujours un bon argument produit ?
Seulement comme indice qu’une sonde peu coûteuse est possible. Cela ne montre ni que le problème compte, ni que la solution fonctionnera, ni que l’équipe doit assurer la fonctionnalité en production. Voyez-y une raison de mener un test borné avec un responsable et une date d’expiration, et chiffrez séparément le coût de possession du résultat.
Combien coûte la maintenance d’une fonctionnalité logicielle ?
Il n’existe pas de chiffre universel, mais la maintenance pèse généralement plus que la construction. Dans l’enquête de Stripe de 2018, les développeurs estimaient que 17,3 heures d’une semaine de 41,1 heures, soit environ 42 %, vont à la maintenance. Une bonne habitude consiste à estimer les heures de la première année pour la revue, la sécurité, le support, l’entretien et la discussion ; dans notre exemple illustratif, cela donnait environ 53 heures pour une construction d’une heure.
Quel est le coût d’opportunité de la construction d’une fonctionnalité ?
C’est la valeur de la meilleure alternative abandonnée par l’équipe : l’hypothèse plus risquée non testée, le temps de revue employé ailleurs, l’attention des utilisateurs dépensée pour une nouvelle option. Avec l’IA, la ressource rare est rarement le temps de codage ; ce sont la capacité de revue, l’attention de la roadmap et le temps d’apprentissage. Le constat de Pendo selon lequel 12 % des fonctionnalités génèrent 80 % de l’usage montre pourquoi cet arbitrage compte.
Les équipes doivent-elles éviter de construire des prototypes avec l’IA ?
Non. Utilisez l’IA pour construire des prototypes lorsque le prototype répond à une question claire. Donnez-lui une audience, un responsable, une date d’expiration et une règle de revue pour qu’il ne devienne pas discrètement une promesse permanente. Les tests peu coûteux battent souvent les longs débats, comme l’a montré l’idée de titres de Bing, restée six mois en attente, quand un simple test A/B a fait gagner environ 12 % de revenus.
Que doivent mesurer les équipes produit plutôt que la vitesse de construction avec l’IA ?
Mesurez l’apprentissage et les résultats : hypothèses validées ou rejetées, comportement des utilisateurs, qualité, stabilité des livraisons, adoption, rétention, charge de support et indicateur métier que le pari devait faire bouger. La recherche DORA montre que vitesse et stabilité peuvent évoluer en sens inverse ; le volume de code et le temps de construction ne suffisent donc pas à mesurer le progrès produit.
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