L’ingénierie agentique ne se pilote plus depuis le bord du terrain

« Les ingénieurs écrivent les tickets, les agents codent pendant la nuit, et le matin on relit. » Combien de comités de direction ont validé ce plan cette année ? Il sonne juste — jusqu’à ce qu’il touche un vrai codebase. Pendant ce temps, Google fusionne tous ses outils de dev sous une seule plateforme, Dropbox et Cursor industrialisent leurs flottes d’agents, et le coût d’inférence chute de 70 à 90 % par an. Le sujet n’est plus « est-ce que ça marche ». C’est « qui pilote ».

Le piège du dirigeant qui regarde de loin

Tout part d’une scène devenue banale : un CTO décide que son entreprise passe « tout en IA », et imagine ses ingénieurs réduits à écrire des tickets le soir et à nettoyer du code le matin [1]. Le problème n’est pas l’ambition. C’est le réflexe de concevoir le modèle opératoire avant d’avoir ressenti ce que le travail est devenu côté ingénieur.

Les dirigeants demandent aux ingénieurs de changer leur façon de construire le logiciel avant d’avoir eux-mêmes vécu ce changement.

Le métier de leader, c’est normalement de sortir du cambouis : on dirige par les systèmes, le planning, les métriques, l’organisation. Mais quand le cambouis lui-même se met à muter, la distance devient un handicap [1]. Remettre les mains dans le code n’est pas une régression nostalgique — c’est la seule façon de comprendre ce que la bascule exige réellement des équipes.

Du gadget dans l’IDE à la plateforme d’entreprise

Et cette bascule est bien réelle. Le mantra du moment : un agent généraliste doté de quelques compétences pointues bat une flotte d’outils mono-tâches, parce que les modèles sont enfin assez bons [2]. Google vient d’en tirer la conséquence industrielle : à Google I/O, l’entreprise a annoncé qu’elle consolidait Gemini CLI, Code Assist et AI Studio sous une seule bannière, Antigravity 2.0 [3].

La citation d’un analyste résume tout : « Le pari, c’est que le futur n’est pas l’autocomplétion dans ton IDE. Ce sont des flottes d’agents qui font tourner refactos, changements d’infra et revues en parallèle, sur desktop, terminal, SDK et cloud. » [3] On passe de l’assistant qui complète une ligne à la plateforme qui orchestre un parc.

Ce que coûte vraiment une flotte d’agents

Sauf que cette plateforme, il faut la construire — et c’est là que le discours marketing rencontre l’ingénierie. Dropbox a bâti Nova, un service interne pour faire tourner des agents de code dans son cloud, justement parce qu’une approche plateforme bat les solutions mono-usage : un agent doit pouvoir travailler dans un monorepo géant, valider ses changements dans l’environnement complet, débloquer la CI, investiguer des pannes [4]. Le code n’est qu’une partie du métier d’ingénieur.

Cursor, après un an d’agents cloud, livre la leçon la plus contre-intuitive : l’environnement de développement est le produit [5]. En local, l’agent hérite gratuitement de votre poste. Dans le cloud, il faut tout reconstruire — et quand c’est mal fait, il n’y a ni crash ni message d’erreur, juste une dégradation silencieuse de la qualité qu’on attribue à tort au modèle [5]. Le travail ressemble de moins en moins à « porter un agent local sur un serveur » et de plus en plus à construire une couche d’exploitation autour de lui.

Si tout devient si abordable, c’est à cause du logiciel

Pourquoi cette industrialisation est-elle soudain rentable ? Parce que le prix s’effondre. Les coûts d’inférence baissent de 70 à 90 % par an — un facteur 1 000 en trois ans, ce qu’on a baptisé la « LLMflation » [6]. Le détail qui change tout : ce n’est pas (principalement) le matériel qui fait chuter les prix, c’est le logiciel [6]. Conséquence directe : des modèles open-weight tournant sur du hardware grand public deviennent « assez bons » pour la majorité des usages, et menacent ce que les labs frontières pourront facturer demain.

Voilà pourquoi le « 1 agent généraliste plutôt que 6 spécialistes » n’est pas qu’un slogan : quand l’intelligence devient quasi gratuite, on peut se permettre de la jeter sur des tâches répétitives à grande échelle, en parallèle, sans calculer chaque appel.

Et au bout de la chaîne, un marché de l’emploi qui gronde

Mais il y a un revers que les keynotes évitent. Quand Eric Schmidt monte sur scène à l’University of Arizona pour rassurer les diplômés sur l’IA, il se fait huer — comme l’avait été, douze jours plus tôt, une autre oratrice à l’University of Central Florida [7]. La lecture facile parle de « confusion générationnelle ». Elle est fausse.

Cette promo de 2026 ne hue pas la technologie. Elle hue le marché du travail dans lequel elle arrive. Goldman Sachs chiffre à environ 16 000 le nombre d’emplois US perdus chaque mois à cause de l’IA, avec la Gen Z surreprésentée ; le CEO de ServiceNow évoque jusqu’à 30 % de chômage pour les jeunes diplômés d’ici deux ans ; Dario Amodei répète que l’IA pourrait supprimer la moitié des postes white-collar débutants [7]. Ces chiffres sont sur la table.

C’est exactement le point de départ : le dirigeant qui voit l’agentique comme un levier de coûts depuis son bureau, et l’ingénieur — junior surtout — qui en vit les conséquences. Entre les deux, il y a un choix de leadership.

La vraie question n’est pas de savoir si les agents vont transformer l’ingénierie. C’est de savoir si vous comptez vivre cette transformation, ou la commenter depuis la tribune.

---

Sources

1. You can’t afford to lead agentic engineering from the sidelines
2. 1 broad agent beats 6 specialist ones
3. Google to unify AI coding tools under Antigravity
4. Introducing Nova, our internal platform for coding agents
5. What we’ve learned building cloud agents
6. AI’s Plummeting Prices Are a Software Story, Not a Hardware One
7. Gen Z is not booing AI. It is booing its own job market

Pour aller plus loin

• How I use LLMs as a staff engineer in 2026 — le retour terrain d’un staff engineer : les agents écrivent désormais des PR entières, on relit au lieu de taper.
• Learnings from 100K Lines of Rust with AI — un moteur de consensus Paxos de 100K lignes en 4 semaines : ce que l’IA débloque vraiment sur du code de production.
• OpenAI co-founder Andrej Karpathy joins Anthropic’s pre-training team — le signal que la course se joue sur la recherche assistée par IA, pas seulement sur le compute.
• Anthropic beats OpenAI on business adoption — pour la première fois, Anthropic dépasse OpenAI sur l’adoption en entreprise (34,4 % contre 32,3 %).

Cet article a été rédigé en m’appuyant sur une IA pour m’aider à synthétiser et structurer ma veille. Les idées, le choix des sources et la relecture restent les miens.