Ploum critique l’engouement généralisé pour l’IA, qu’il interprète comme une bulle alimentée par la propagande économique plutôt que par des gains de productivité démontrés. Selon lui, les chatbots encouragent à déléguer les décisions sans comprendre les problèmes, tout en diluant la responsabilité des utilisateurs et des dirigeants. Il compare cette tendance aux réseaux sociaux et aux cryptomonnaies : après avoir transformé chacun en publicitaire puis en investisseur, le capitalisme invite désormais chacun à jouer au manager d’agents IA, au détriment de l’autonomie et de l’esprit critique.
La fiabilité des agents de développement dépend moins des prompts que de l’environnement qui les encadre (« harness »). L’article présente neuf pratiques : documenter les décisions dans le dépôt et AGENTS.md, fournir un contexte ciblé à chaque tâche, créer des outils et compétences réutilisables, rendre les vérifications accessibles et automatiser des boucles de correction limitées. Il recommande aussi des contrôles visuels pour les interfaces, des consignes fondées sur l’intention plutôt que des règles rigides, une planification proportionnée aux risques et la transformation des erreurs récurrentes en garde-fous durables.
Denis Germain décrit une chaîne d’audit de sécurité pilotée par trois agents : R0 planifie les recherches, R1 examine et reproduit les vulnérabilités potentielles, R2 réalise une contre-expertise avec un autre modèle. Une base de plus de 2 000 pistes conserve les rejets, doublons et historiques pour éviter les vérifications inutiles. Le modèle de menace sert à filtrer tôt les signalements sans impact reconnu. L’automatisation enchaîne les étapes, tandis que l’auteur garde la main sur les tests réels et les soumissions. L’objectif est surtout d’améliorer le triage, pas la découverte.
Addy Osmani distingue la délégation cognitive, qui consiste à utiliser l’IA tout en conservant son jugement, de la « capitulation cognitive », où l’on accepte ses réponses sans construire sa propre analyse. Chez les développeurs, ce réflexe peut entraîner une dette de compréhension : du code fonctionne, mais personne ne sait vraiment expliquer pourquoi. L’auteur recommande de vérifier les résultats, relire les diffs, limiter la taille des changements, solliciter des contre-arguments et conserver régulièrement du temps pour coder sans agent. L’enjeu est de penser avec l’IA, pas de lui abandonner sa réflexion.
Worktrunk est un outil en ligne de commande qui simplifie la création, la navigation et la suppression des worktrees Git pour exécuter plusieurs agents de développement IA en parallèle, notamment Codex et Claude Code, sans mélanger leurs modifications. Ses commandes wt switch, wt list et wt remove facilitent la gestion des espaces de travail. Il propose également des hooks d’automatisation, une interface de sélection interactive, des opérations de fusion et de nettoyage, ainsi que des optimisations de cache pour les compilations.
Retour d’expérience sur la création en neuf jours d’un jeu roguelite avec Claude Code, l’agent écrivant tout le code tandis que l’auteur pilote le produit, les revues et les tests. Le résultat compte 93 pull requests fusionnées et plus de 1 000 tests. La réussite repose surtout sur un cadre explicite : brief versionné, glossaire, règles ciblées, skills, hooks, TDD obligatoire et intégration continue. L’article souligne aussi les limites de l’automatisation et l’importance du contrôle humain pour préserver la cohérence du produit.
Jérémy Decool met en garde contre l’usage automatique de l’IA dans les équipes de développement, même pour des opérations simples que les outils classiques réalisent déjà efficacement. Il cite les rebases et cherry-picks Git sans conflit, pour lesquels un agent ajoute des coûts en tokens et du temps d’attente sans réelle valeur. Il propose de distinguer les tâches déterministes, mieux confiées à des commandes ou scripts fiables, de celles nécessitant du jugement, où l’IA apporte davantage. Le choix de l’outil doit rester guidé par le besoin, pas par l’habitude.
Un responsable d’équipe technique doit continuer à pratiquer le développement pour conserver une compréhension concrète des outils, des contraintes et du travail de ses équipes, sans pour autant devenir indispensable à la livraison. L’auteur propose un test : serait-il capable de contribuer pendant un mois comme développeur junior dans son équipe ? Avec les agents de codage IA, cette proximité technique devient encore plus importante pour distinguer les tâches délégables des décisions exigeant du jugement humain. L’objectif reste de mieux guider les équipes, pas de coder à leur place.
Les mods de Claude Code sont des plugins exécutés au sein de la session grâce à des hooks, contrairement aux skills qui fournissent surtout des instructions. L’article détaille deux applications : un routage automatique vers le modèle adapté à chaque tâche ou sous-agent, et une mémoire persistante entre sessions avec CortexDB, stockée localement dans SQLite. Il présente plusieurs implémentations et leurs commandes d’installation, tout en rappelant les limites : coût du routage, perte potentielle de cache, consommation de tokens et permissions étendues des mods.
L’équipe Claude Code d’Anthropic explique comment adapter la revue de code à la production massive de changements par des agents IA. La vérification commence avant la pull request, puis combine agents relecteurs, contrôle de sécurité, tests automatisés et validation humaine proportionnée au risque. Les alertes sont recoupées pour limiter les faux positifs, tandis que déploiement progressif, surveillance et retour arrière réduisent l’impact des erreurs. L’objectif est de préserver l’attention humaine sans augmenter les incidents : selon l’équipe, les PR fusionnées ont plus que doublé tandis que les annulations ont diminué de plus de 40 %.
LayerFS est un système de fichiers conçu pour l'exécution parallèle d'agents de développement IA. Chaque agent dispose d'un espace de travail éphémère et inscriptible, fondé sur un historique partagé et persistant. Les modifications sont enregistrées sous forme de commits, avec détection des conflits lorsque plusieurs agents touchent au même fichier. Le système propose des embranchements rapides sans copie, des points de restauration automatiques et une déduplication des données. Il conserve également les dépendances et fichiers ignorés pour accélérer le démarrage des environnements.
Après près de deux mois d’utilisation de LeanCTX avec Codex sur un serveur, l’auteur mesure environ 11,7 millions de tokens nets évités et 34,5 % de compression sur les sorties traitées, sans prétendre à une réduction équivalente de la facture globale. L’outil filtre les logs, structure les lectures et évite les relectures redondantes, tout en permettant l’accès aux données brutes. L’article examine aussi le coût des outils MCP, les alternatives RTK et TOON, ainsi que les précautions de sécurité : cache local, restriction des chemins, télémétrie et proxy désactivés.
Dans ce deuxième volet consacré à son application de rétrospectives, Jérémy Decool décrit le « harness » qui encadre le travail des agents de développement utilisant Claude Code. Il s’appuie sur des règles ciblées, des décisions d’architecture, un glossaire et des fichiers AGENTS.md propres à chaque contexte. Pour éviter de saturer la fenêtre de contexte, les instructions sont chargées de façon conditionnelle et auditées par une compétence dédiée ainsi que des tests. L’auteur souligne toutefois que ces consignes restent non déterministes et doivent être complétées par des contrôles automatisés.
Jérémy Decool détaille l’architecture de Team Retrospective, une application de rétrospectives d’équipe développée avec PHP, Symfony et Symfony UX. Le projet est organisé en dix contextes métier selon les principes du DDD et de la Clean Architecture, avec des bus de commandes, requêtes et événements, du temps réel via Mercure et une infrastructure conteneurisée. Une documentation structurée encadre également le développement. L’auteur souligne que les agents IA produisent l’essentiel du code, tandis qu’il reste responsable de la conception architecturale.
En appliquant le principe de Peter au développement assisté par IA, Baldur Bjarnason estime que les développeurs sont devenus, sans formation, des gestionnaires d’agents imprévisibles. Au lieu de programmer, ils doivent coordonner, surveiller et corriger des processus difficiles à maîtriser. Cela favoriserait le travail inutile, les retards et le stress, sans garantir davantage de valeur. L’auteur souligne aussi le paradoxe de l’automatisation : moins on pratique le code, plus les compétences et les modèles mentaux nécessaires pour contrôler la qualité risquent de s’éroder.
Alberto Denia compare le code à de l’argile : avec les agents IA, le coût des modifications chute, permettant d’expérimenter et de remodeler rapidement un logiciel. Il distingue deux approches complémentaires : l’artisan, qui intervient à chaque itération pour affiner le produit et son code, et l’usine, qui automatise les tâches répétitives grâce aux spécifications, tests et contrôles. Dans les deux cas, le jugement humain reste indispensable, mais il s’exerce à des moments différents : pendant la création ou lors de la conception du processus.
L'article explore le concept de "Agentic Coding" en comparant le développement de composants graphiques personnalisés à l'aide de primitives D3 et de la librairie Recharts. L'auteur a découvert que l'approche basée sur les primitives D3 a permis de satisfaire pleinement les exigences de conception complexes, y compris les animations et les comportements spécifiques, sans nécessiter de contournements coûteux.
En contraste, la librairie Recharts, bien que plus rapide pour les cas courants, a rapidement montré ses limites pour atteindre les 20% de personnalisation restants, obligeant à coder du SVG personnalisé et à désactiver des fonctionnalités comme les animations pour contourner des problèmes de compatibilité avec la pile React du projet.
L'auteur redéfinit l'abstraction non pas comme un coût nul, mais comme un travail d'implémentation pré-payé qui offre de la flexibilité en échange. L'histoire du développement web est vue comme une ascension progressive de cette échelle d'abstraction, où chaque étape convertit du travail humain coûteux en dépendances moins chères, mais où les besoins spécifiques finissent par révéler les contraintes de ces abstractions de haut niveau.
Domenic Denicola partage son environnement de développement agentique optimisé pour l’IA, conçu pour permettre une collaboration fluide avec des modèles avancés comme Claude Code. Son objectif principal est de pouvoir corriger des bugs en production directement depuis un smartphone, même en déplacement, tout en garantissant une continuité de travail entre différents appareils. Pour cela, il utilise une machine virtuelle Linux dédiée et toujours active, couplée à Tailscale pour un accès sécurisé et transparent, ainsi que des outils comme Portless et chezmoi pour centraliser les configurations et préserver l’état des projets.
Son approche repose sur une VM Linux, indispensable pour éviter les limitations des environnements Windows, souvent incompatibles avec les outils en ligne de commande utilisés par les agents. Il insiste sur la nécessité de préserver les sessions, l’état des fichiers et les configurations globales, tout en permettant le lancement de serveurs de développement accessibles uniquement en local ou via HTTPS. La gestion des permissions est simplifiée pour minimiser les interruptions, autorisant même des modes de fonctionnement autonomes pour des tâches parallèles.
L’auteure partage son expérience positive avec les modèles locaux d’IA, désormais suffisamment performants pour des tâches de développement et de codage. Elle souligne l’évolution rapide des modèles comme Mistral 7B, Gemma 3 ou Qwen 3, et leur capacité à rivaliser avec des solutions cloud, notamment depuis l’arrivée de GPT-OSS et des modèles Gemma 4. Son utilisation locale, via des outils comme LM Studio ou Ollama, lui permet de gagner en rapidité et en personnalisation pour des besoins comme le refactoring de code ou la génération de tests unitaires.
Elle détaille son passage à l’agentic coding avec Gemma 4-26B, atteignant environ 75 % des performances des modèles frontaliers, tout en restant dans un environnement contrôlé (Docker). Malgré des contraintes matérielles (64 Go de RAM), ces modèles locaux lui offrent une autonomie accrue pour des tâches autrefois impossibles en local, comme l’analyse de logs ou la génération de structures de projets.
Enfin, elle encourage à tester ces solutions en local, en combinant un moteur d’inférence (LM Studio, llama.cpp) et un outil d’orchestration (comme Pi). Elle note que des modèles plus récents comme Gemma 4-12B-QAT offrent un bon compromis taille/performance, tout en soulignant l’importance des choix architecturaux face aux contraintes techniques.
Deuxième journée orientée vers des retours d’expérience concrets autour de l’IA et de son industrialisation, avec un fil conducteur clair : privilégier des approches pragmatiques, bien dimensionnées et intégrées à l’écosystème existant plutôt que des solutions “tout gros modèle”. Un exemple marquant est l’usage de petits modèles spécialisés (SLM/TLM) combinés à du RAG et une orchestration légère pour gérer un support client efficacement sans explosion des coûts.
Un autre point fort concerne l’“agentic coding” vu comme un sujet de platform engineering : son adoption à grande échelle impose de repenser workflows, gestion du contexte et standardisation via des outils ou marketplaces internes, avec une approche spec-driven (spécifications versionnées lisibles par humains et machines).
La journée aborde aussi des problématiques d’infrastructure à grande échelle (ex. gestion de centaines de millions d’emails) et des réflexions plus larges sur le rôle politique de la tech, tout en restant ancrée dans des retours terrain et des outils concrets pour les devs et ops.