Comment Uber utilise l’IA pour recruter moins et livrer plus de code

Uber utilise l’IA comme un levier d’efficacité des effectifs. L’idée n’est pas, à court terme, de sortir les ingénieurs du processus logiciel, mais de ralentir la croissance des recrutements en demandant aux équipes déjà en place de produire davantage avec l’aide d’agents et d’outils de codage. Le signal le plus net vient du PDG Dara Khosrowshahi : selon lui, environ 10 % des changements de code d’Uber sont aujourd’hui produits par des agents autonomes, puis vérifiés par des employés avant d’être ajoutés au dépôt de code .

Le vrai sujet : moins d’embauches incrémentales

La stratégie d’Uber se lit d’abord comme une équation de capacité. Historiquement, lorsqu’une entreprise technologique avait besoin de livrer plus de logiciel, elle pouvait recruter davantage d’ingénieurs. Uber teste désormais une autre combinaison : davantage d’IA, davantage d’automatisation, plus d’outillage — et une progression plus lente des effectifs .

Khosrowshahi a expliqué vouloir que les employés utilisent l’IA pour augmenter leur production de 20 %, 30 %, 50 %, voire 100 % . Autrement dit, la question n’est pas seulement de savoir combien de lignes de code une IA peut écrire. Elle est de savoir combien de travail supplémentaire Uber peut absorber sans ajouter autant de postes qu’auparavant.

Le dirigeant a aussi évoqué une possibilité à plus long terme : remplacer une partie des embauches d’ingénieurs supplémentaires par des agents IA et des GPU, ces processeurs graphiques utilisés pour faire tourner de lourds calculs d’intelligence artificielle . Mais dans les faits rapportés aujourd’hui, Uber reste sur un modèle avec humain dans la boucle : l’IA prépare ou produit des changements, les salariés gardent la validation finale .

Ce que font les agents IA dans l’ingénierie d’Uber

Le changement important est le passage d’une IA d’assistance — proche de l’autocomplétion — à une IA qui prend une part plus active dans la livraison logicielle. Le directeur technique d’Uber, Praveen Neppalli Naga, a déclaré que l’entreprise avait fortement accéléré sur le codage assisté par IA, que 95 % des ingénieurs d’Uber utilisent des outils d’IA chaque mois et qu’un agent interne produit environ 1 800 changements de code par semaine .

Ces outils ne servent pas uniquement à rédiger du code. Une session consacrée à la productivité des développeurs chez Uber décrit un effort couvrant l’ensemble du cycle de vie du développement logiciel : assistants de codage adaptés à de très grands dépôts de code communs, ou « monorepos » ; systèmes agentiques pour les migrations de code à grande échelle ; et workflows de tests ou de revue de code assistés par IA .

C’est un point clé : Uber ne présente pas ces agents comme des ingénieurs autonomes opérant sans surveillance. D’après Khosrowshahi, le code généré par l’IA est vérifié par des employés avant d’être intégré à un dépôt . Les agents accélèrent donc la préparation du travail, mais ne suppriment pas la responsabilité humaine dans le processus de production.

Pourquoi les chiffres doivent être lus avec prudence

Le chiffre des 10 % est frappant, mais il ne signifie pas que 10 % de tout le code d’Uber, au sens large, serait désormais « écrit par des robots ». Il désigne les changements de code produits par des agents autonomes . C’est une mesure précise, mais différente d’autres indicateurs d’usage de l’IA.

Par exemple, The Pragmatic Engineer a rapporté que 84 % des développeurs d’Uber étaient des utilisateurs de codage agentique, c’est-à-dire qu’ils utilisent des agents en ligne de commande ou formulent davantage de demandes agentiques que de simples demandes d’autocomplétion dans leur environnement de développement . Le même rapport indique que 65 % à 72 % du code est généré par IA dans les outils intégrés aux IDE, les environnements de développement utilisés par les programmeurs .

Ces chiffres peuvent coexister sans se contredire. Ils ne mesurent pas la même chose : les changements attribués à des agents autonomes, l’adoption de workflows agentiques par les développeurs, et la part de code générée dans des outils de développement. La conclusion la plus raisonnable est donc que l’IA peut aider à rédiger une part bien plus large du code que la seule part des changements officiellement attribuée à des agents autonomes .

Comment cela réduit le besoin de recruter

Si un même groupe d’ingénieurs peut livrer davantage de fonctionnalités, de corrections ou de migrations, Uber peut augmenter sa capacité de développement sans augmenter ses effectifs au même rythme. C’est la logique économique derrière le choix de dépenser plus en IA tout en embauchant moins vite .

Le coût ne disparaît pas pour autant : il se déplace. Au lieu de payer uniquement des salaires supplémentaires, Uber finance aussi des outils d’IA, des agents, de l’infrastructure et de la puissance de calcul. Un reportage sur le déploiement du codage assisté par IA chez Uber a indiqué que l’usage massif de Claude Code aurait épuisé plus tôt que prévu le budget 2026 consacré à ces outils, et que l’entreprise utilisait notamment Claude Code et Cursor . Cette information ne suffit pas à établir le coût complet de la stratégie, mais elle illustre bien l’arbitrage : la capacité logicielle se construit désormais avec un mélange de personnes, d’agents, d’outils et d’infrastructure.

L’IA ne s’arrête pas au code

La stratégie d’Uber ne concerne pas seulement les équipes d’ingénierie. Khosrowshahi a rappelé que l’entreprise utilise l’IA depuis des années pour fixer les prix des courses et mettre en relation chauffeurs et passagers . Des usages plus récents de l’IA générative et de l’IA agentique concernent aussi le support client, l’intégration des chauffeurs et certaines parties du cycle de développement, avec moins d’intervention manuelle dans plusieurs workflows .

Cette extension compte pour l’emploi. Les gains de productivité dans le support, l’onboarding ou le diagnostic de problèmes internes peuvent eux aussi réduire la pression au recrutement. Si l’IA supprime des goulets d’étranglement opérationnels, Uber peut absorber plus d’activité sans nécessairement ajouter autant de personnes qu’elle l’aurait fait auparavant .

Ce que cela change pour les ingénieurs

Pour les développeurs, le modèle actuel ressemble moins à un remplacement pur et simple qu’à une supervision de machines de plus en plus actives. Les agents peuvent rédiger du code, préparer des changements, aider aux migrations, générer des tests ou faciliter la revue. Mais les humains gardent encore un rôle central dans la vérification et l’intégration du code .

L’effet le plus probable porte donc sur les embauches supplémentaires : Uber peut continuer à accroître sa capacité d’ingénierie tout en recrutant moins de personnes qu’elle ne l’aurait fait sans ces outils, à condition que les gains tiennent dans les workflows réels . La grande inconnue reste la mesure fine de la productivité. Des taux d’adoption élevés et une forte génération de code montrent que l’IA est largement utilisée ; ils ne prouvent pas, à eux seuls, un gain exact une fois pris en compte la qualité, la maintenance, la fiabilité et le coût de long terme du logiciel.