Assistants de code IA et productivité : ce que disent vraiment les études

Les études sur les assistants de code IA ne donnent pas un chiffre unique. Sur une tâche bien définie en laboratoire, le gain est spectaculaire (55 % plus rapide dans l'étude GitHub de 2022). En entreprise, les expériences de terrain mesurent un gain plus modeste mais réel (environ 26 % de tâches terminées en plus). Et l'essai randomisé le plus cité, mené auprès de développeurs expérimentés sur leurs propres gros projets, les a trouvés 19 % plus lents avec l'IA. À l'échelle des équipes, l'étude DORA de Google observe plus de débit, mais moins de stabilité.

Voici ce que mesure chaque étude, pourquoi elles divergent, et comment s'en servir pour bâtir une feuille de route ou juger les estimations d'un développeur.

Les principales études

L'expérience contrôlée de GitHub (2022)

GitHub a demandé à 95 développeurs professionnels d'écrire un serveur HTTP en JavaScript. Avec Copilot, ils ont mis en moyenne 1 h 11, contre 2 h 41 sans : 55 % plus vite. 78 % du groupe Copilot a terminé la tâche, contre 70 % de l'autre groupe. C'est l'origine du fameux « 55 % ». Il s'agit d'une seule tâche, partant de zéro et clairement spécifiée : presque le cas idéal pour un assistant.

Les expériences de terrain chez Microsoft, Accenture et une entreprise du Fortune 100

Une équipe d'économistes (Cui, Demirer, Jaffe, Musolff, Peng et Salz) a donné accès à un assistant de code IA à un groupe de développeurs tiré au sort, dans leur travail habituel. Sur les trois expériences et 4 867 développeurs, l'outil a entraîné une hausse de 26,08 % (erreur type : 10,3 %) des tâches terminées. Les développeurs les moins expérimentés l'ont davantage adopté et en ont le plus profité.

L'essai randomisé de METR avec des développeurs open source expérimentés (2025)

METR a recruté 16 développeurs expérimentés, mainteneurs de gros projets open source. Chacun des 246 tickets réels (environ deux heures chacun) était tiré au sort : IA autorisée ou interdite. L'outil principal était Cursor Pro avec Claude 3.5/3.7 Sonnet. Avec l'IA, les tâches ont pris 19 % de temps en plus. Avant l'étude, les développeurs prévoyaient un gain de 24 % ; après, ils pensaient encore avoir été 20 % plus rapides. METR précise que ce résultat ne prouve pas que l'IA échoue partout, seulement qu'elle a ralenti ces développeurs, sur ce type de travail, à ce moment-là.

Le suivi de METR (février 2026)

METR a lancé en août 2025 une étude plus large : 57 développeurs, 143 dépôts et plus de 800 tâches. Le gain estimé était de 18 % pour les participants de la première étude (intervalle de confiance : de 38 % plus rapide à 9 % plus lent) et de 4 % pour les nouveaux (de 15 % plus rapide à 9 % plus lent). METR juge lui-même ce signal peu fiable : beaucoup de développeurs ont refusé de participer parce qu'ils ne voulaient plus travailler sans IA, 30 à 50 % ont évité de soumettre les tâches que l'IA aurait selon eux beaucoup accélérées, et la rémunération est passée de 150 à 50 dollars de l'heure. METR revoit donc sa méthode plutôt que d'annoncer un chiffre.

Le rapport DORA de Google (2025)

Le rapport DORA 2025 a interrogé près de 5 000 professionnels de la tech. 90 % utilisent l'IA, avec une médiane de deux heures par jour. Plus de 80 % estiment qu'elle améliore leur productivité et 59 % la qualité de leur code. Côté indicateurs de livraison, l'équipe DORA de Google observe une relation positive entre adoption de l'IA et débit de livraison, mais l'adoption de l'IA « conserve une relation négative avec la stabilité des livraisons ».

Là où les gains apparaissent

• Les tâches autonomes et bien spécifiées, comme le serveur HTTP de l'expérience GitHub.
• Les développeurs moins expérimentés, grands gagnants des expériences de terrain.
• Le débit des équipes : DORA associe l'adoption de l'IA à des équipes qui livrent davantage.
• Le ressenti des développeurs : dans l'enquête Stack Overflow 2025, 84 % des répondants utilisaient ou prévoyaient d'utiliser des outils d'IA, et 60,7 % en avaient une opinion favorable.

Là où ils n'apparaissent pas

• Les experts sur un gros code qu'ils connaissent par cœur, le cadre de METR 2025. Le contexte, les conventions et les exigences de qualité qui vivent dans la tête d'un mainteneur se transmettent mal à un modèle.
• La stabilité. Pour DORA, l'IA augmente le volume de changements et, « sans systèmes de contrôle robustes, comme des tests automatisés solides, une gestion de versions mature et des boucles de retour rapides, un volume de changements accru conduit à l'instabilité ».
• Le code « presque juste ». 66 % des répondants Stack Overflow citent comme première frustration les « solutions d'IA presque justes, mais pas tout à fait », et 45,7 % se méfient de la justesse des réponses de l'IA, contre 32,3 % qui leur font confiance.
• L'auto-évaluation. Les développeurs de METR se sentaient 20 % plus rapides alors qu'ils étaient 19 % plus lents. Une impression n'est pas une mesure.

Pourquoi les études ne disent pas la même chose

Elles ne mesurent pas la même chose. GitHub chronomètre une tâche unique. Les expériences de terrain comptent les tâches terminées dans le travail quotidien des développeurs. METR chronomètre de vrais tickets sur des projets matures, avec enregistrement d'écran. DORA s'appuie sur des questionnaires reliés à des indicateurs de livraison. Les populations diffèrent (professionnels sur un exercice, salariés de grands groupes, mainteneurs open source), tout comme les outils, qui ont beaucoup progressé entre 2022 et 2026. Aucune étude n'a tort : elles répondent à des questions différentes.

Ce que cela implique pour votre équipe produit

1. Mesurer la livraison, pas les impressions. Suivez le délai entre un changement et sa mise en production, la fréquence des déploiements, la part de mises en production qui cassent quelque chose et le travail refait. Avec un développeur à distance, un rythme de livraison hebdomadaire rend ces chiffres visibles.
2. Installer tests et intégration continue avant d'augmenter la part de code généré. Le constat de DORA sur la stabilité est un avertissement direct. Des tests de bout en bout automatisés, comme la mise en place de Playwright décrite ici, sont exactement le type de garde-fou visé.
3. Ne pas diviser les estimations par deux sur la foi d'un chiffre commercial. Une hypothèse réaliste se situe quelque part entre le gain des expériences de terrain et aucun gain, selon le code et le développeur.
4. Prévoir du temps de revue. Plus de code, c'est plus de relecture, et le code généré par IA a ses propres failles de sécurité typiques.
5. Surveiller la dette. Un code « presque juste » fusionné quand même devient de la dette technique.

Questions fréquentes

Les assistants de code IA rendent-ils les développeurs plus rapides ?

Souvent, mais pas toujours. Les résultats vont de 55 % plus rapide sur une tâche contrôlée à 26 % de tâches terminées en plus en entreprise, tandis que l'essai METR de 2025 a trouvé des développeurs expérimentés 19 % plus lents sur leurs propres gros projets.

L'étude METR montre-t-elle que l'IA ralentit les développeurs ?

Pour 16 mainteneurs open source expérimentés travaillant sur leurs propres dépôts début 2025, oui : les tâches ont pris 19 % de temps en plus. METR ne généralise pas ce résultat, et son suivi de 2026 était trop biaisé par la sélection des participants pour donner une nouvelle estimation fiable.

Quel gain de productivité une startup peut-elle prévoir ?

Restez prudent et mesurez. Les expériences en entreprise trouvent en moyenne environ 26 % de tâches terminées en plus, davantage chez les profils moins expérimentés. Votre résultat dépendra du type de tâches, du code existant et de vos pratiques de test.

Faut-il imposer les outils d'IA à ses développeurs ?

L'adoption est déjà quasi générale (90 % selon DORA 2025). L'exigence la plus utile porte sur les résultats : tests, revue de code et livraisons stables, quels que soient les outils.

Sources

1. Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity, METR, 2025-07
2. We are Changing our Developer Productivity Experiment Design, METR, 2026-02
3. Research: quantifying GitHub Copilot's impact on developer productivity and happiness, GitHub, 2022-09 (updated 2024-05)
4. The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers, Microsoft Research (Cui, Demirer, Jaffe, Musolff, Peng, Salz), 2025-06
5. Announcing the 2025 DORA Report, Google Cloud, 2025-09
6. How are developers using AI? Inside our 2025 DORA report, Google, 2025-09
7. 2025 Developer Survey: AI, Stack Overflow, 2025