Ce ralentissement n’était pas dû à un manque d’effort. Les développeurs ont passé ce temps supplémentaire à examiner le code produit par l’IA, à corriger les erreurs, à guider le modèle vers des solutions correctes et à attendre la génération du code. Fait crucial, l’écart entre perception et réalité a survécu à l’expérience elle-même. Après avoir constaté le ralentissement, les développeurs estimaient toujours avoir été 20 % plus rapides — un écart de 43 points entre ce que le chronomètre a montré et ce que leur cerveau a cru.

METR a revu plus tard le protocole de l’étude au début de 2026, en ajustant pour l’hétérogénéité des tâches. L’analyse révisée a trouvé une modeste accélération de 6 % sur l’ensemble de l’échantillon, mais avec une variation extrême : certains développeurs gagnaient jusqu’à 25 % sur certaines tâches, tandis que d’autres restaient, net, plus lents. La conclusion centrale demeure : le bénéfice de l’IA dépend énormément de la tâche, et la vitesse auto-déclarée n’est pas une métrique fiable.

CodeRabbit : le code IA a 1,7 fois plus de défauts

Si les chiffres de temps sont bruités, ceux de la qualité du code sont plus clairs. Le rapport de référence "État de la Génération de Code par IA vs Humain" de CodeRabbit a analysé 470 pull requests réelles sur GitHub — 320 co-écrites par IA et 150 uniquement humaines — à travers des projets open source.

Le constat est sans appel : les pull requests générées par IA contenaient en moyenne environ 1,7 fois plus de problèmes que le code écrit par un humain (10,83 problèmes par PR contre 6,45). Ce déficit de qualité ne se limitait pas au style ou au formatage. Il était concentré dans des domaines qui causent de véritables incidents :

• Les erreurs de logique et de justesse étaient 75 % plus fréquentes dans les PRs générées par IA.
• Les problèmes de lisibilité ont grimpé de plus de trois fois.
• Les lacunes de gestion d’erreur étaient presque deux fois plus fréquentes.
• Les vulnérabilités de sécurité étaient 2,74 fois plus élevées que dans le code écrit par un humain.

L’analyse de CodeRabbit a aussi identifié une « queue de revue plus lourde » pour le code co-écrit par IA, ce qui signifie que les relecteurs humains passaient un temps disproportionné à trouver et diagnostiquer les problèmes dans les modifications générées par IA. Comme l’ont dit les auteurs du rapport, les humains et l’IA commettent les mêmes types d’erreurs — l’IA en commet simplement beaucoup plus, à une plus grande échelle.

Ce schéma correspond à l’observation plus large de CodeRabbit selon laquelle 2025 a été l’année de la vitesse par IA, mais 2026 doit devenir l’année de la qualité. Les post-mortems et incidents opérationnels étaient de plus en plus souvent attribués à de subtiles erreurs de logique, des oublis de configuration et des mécompréhensions de conception introduites par les assistants IA.

Gaspillage de tokens : 82 centimes par euro perdus en bugs et reprises

Ce déficit de qualité se traduit directement en gaspillage financier. La plateforme de productivité développeur Entelligence.AI a agrégé les données de 2 444 entreprises et produit une ventilation qui a fait grand bruit dans les cercles d’ingénieurs :

En d’autres termes, 82 centimes de chaque euro dépensé en tokens IA financent des bugs, des reprises et des surcoûts de revue. Seuls 18 centimes produisent une valeur concrète pour l’utilisateur. Le coût n’est pas théorique. Uber a épuisé la totalité de son budget 2026 pour le codage par IA en quatre mois et n’a enregistré aucun gain de productivité mesurable. Un cadre d’Uber a déclaré sans détour que le lien entre les dépenses en IA et l’amélioration du produit « n’existe pas encore ».

Une étude complémentaire de Stanford et du MIT a révélé que les agents IA qui corrigent des bugs de code peuvent brûler plus d’un million de tokens par tâche — environ 1 000 fois la consommation de tokens d’une tâche standard de questions-réponses sur du code. Ces données économiques suggèrent que, pour de nombreuses organisations, les coûts indirects de l’adoption de l’IA sont en train d’absorber les gains de productivité promis.

Le paradoxe de la dépendance : accro à un outil qui ralentit

Le résultat le plus frappant psychologiquement est peut-être que les développeurs, même confrontés à ces données, refusent de travailler sans IA. Plusieurs médias ont rapporté que les participants à l’étude METR ont résisté à l’idée de revenir à un codage sans assistance, même après avoir vu leurs propres chiffres de ralentissement. Ceci a été décrit comme un « paradoxe de la dépendance à l’IA » — une fois habitués à l’assistance d’une IA, les développeurs perdent confiance en leur capacité à coder seuls, même quand l’outil les ralentit de manière démontrable.

Comme l’a dit un développeur, l’IA « gère les parties ennuyeuses — le code standard, la syntaxe, ce qui ressemble à du travail mais n’est pas là où se trouve la vraie difficulté ». L’outil donne l’impression que le codage est plus rapide, même quand le chronomètre dit le contraire, parce que la friction se déplace de la rédaction initiale vers l’examen méticuleux du code produit.

Ce que les experts recommandent maintenant

À travers les essais contrôlés de METR, l’analyse de pull requests de CodeRabbit et les données d’entreprise d’Entelligence.AI, un ensemble cohérent de recommandations a émergé :

• Traitez la sortie d’une IA comme le code d’un développeur junior. Relisez tout. Attendez-vous à des erreurs de logique, des cas limites manquants et des failles de sécurité. Ne déployez jamais du code d’IA non relu.
• Acceptez que l’IA accélère la rédaction mais amplifie la charge de relecture. L’outil écrit plus de code plus vite, mais le temps net pour que la tâche soit « terminée » dépend souvent de ce que le temps de relecture additionnel dépasse ou non le gain de rapidité à l’écriture.
• Mesurez le temps de cycle réel, pas la vitesse perçue. Les gains de productivité auto-déclarés sont systématiquement gonflés. METR a constaté que les développeurs affirmant des gains de vitesse de 2 à 3 fois avec l’IA ne correspondaient pas aux relevés de temps objectifs.
• Budgétez les coûts cachés. Si 44 % des dépenses en tokens financent la correction de bugs générés par l’IA, les organisations doivent modéliser le coût total de l’adoption de l’IA, et pas seulement la facture d’API.

Les nouvelles données ne suggèrent pas que les outils de codage par IA sont inutiles. Dans des contextes spécifiques — prise en main d’un codebase inconnu, génération de code standard, et là où les développeurs prédisaient une aide substantielle — des accélérations mesurables apparaissent. Mais sur la population plus large de développeurs expérimentés travaillant sur leurs propres codebases matures, l’effet net, de mi-2025 à 2026, a été des livraisons plus lentes, plus de défauts, et une dépendance qui résiste à la réalité des chiffres.

Ce ralentissement n’était pas dû à un manque d’effort. Les développeurs ont passé ce temps supplémentaire à examiner le code produit par l’IA, à corriger les erreurs, à guider le modèle vers des solutions correctes et à attendre la génération du code. Fait crucial, l’écart entre perception et réalité a survécu à l’expérience elle-même. Après avoir constaté le ralentissement, les développeurs estimaient toujours avoir été 20 % plus rapides — un écart de 43 points entre ce que le chronomètre a montré et ce que leur cerveau a cru.

METR a revu plus tard le protocole de l’étude au début de 2026, en ajustant pour l’hétérogénéité des tâches. L’analyse révisée a trouvé une modeste accélération de 6 % sur l’ensemble de l’échantillon, mais avec une variation extrême : certains développeurs gagnaient jusqu’à 25 % sur certaines tâches, tandis que d’autres restaient, net, plus lents. La conclusion centrale demeure : le bénéfice de l’IA dépend énormément de la tâche, et la vitesse auto-déclarée n’est pas une métrique fiable.

CodeRabbit : le code IA a 1,7 fois plus de défauts

Si les chiffres de temps sont bruités, ceux de la qualité du code sont plus clairs. Le rapport de référence "État de la Génération de Code par IA vs Humain" de CodeRabbit a analysé 470 pull requests réelles sur GitHub — 320 co-écrites par IA et 150 uniquement humaines — à travers des projets open source.

Le constat est sans appel : les pull requests générées par IA contenaient en moyenne environ 1,7 fois plus de problèmes que le code écrit par un humain (10,83 problèmes par PR contre 6,45). Ce déficit de qualité ne se limitait pas au style ou au formatage. Il était concentré dans des domaines qui causent de véritables incidents :

• Les erreurs de logique et de justesse étaient 75 % plus fréquentes dans les PRs générées par IA.
• Les problèmes de lisibilité ont grimpé de plus de trois fois.
• Les lacunes de gestion d’erreur étaient presque deux fois plus fréquentes.
• Les vulnérabilités de sécurité étaient 2,74 fois plus élevées que dans le code écrit par un humain.

L’analyse de CodeRabbit a aussi identifié une « queue de revue plus lourde » pour le code co-écrit par IA, ce qui signifie que les relecteurs humains passaient un temps disproportionné à trouver et diagnostiquer les problèmes dans les modifications générées par IA. Comme l’ont dit les auteurs du rapport, les humains et l’IA commettent les mêmes types d’erreurs — l’IA en commet simplement beaucoup plus, à une plus grande échelle.

Ce schéma correspond à l’observation plus large de CodeRabbit selon laquelle 2025 a été l’année de la vitesse par IA, mais 2026 doit devenir l’année de la qualité. Les post-mortems et incidents opérationnels étaient de plus en plus souvent attribués à de subtiles erreurs de logique, des oublis de configuration et des mécompréhensions de conception introduites par les assistants IA.

Gaspillage de tokens : 82 centimes par euro perdus en bugs et reprises

Ce déficit de qualité se traduit directement en gaspillage financier. La plateforme de productivité développeur Entelligence.AI a agrégé les données de 2 444 entreprises et produit une ventilation qui a fait grand bruit dans les cercles d’ingénieurs :

En d’autres termes, 82 centimes de chaque euro dépensé en tokens IA financent des bugs, des reprises et des surcoûts de revue. Seuls 18 centimes produisent une valeur concrète pour l’utilisateur. Le coût n’est pas théorique. Uber a épuisé la totalité de son budget 2026 pour le codage par IA en quatre mois et n’a enregistré aucun gain de productivité mesurable. Un cadre d’Uber a déclaré sans détour que le lien entre les dépenses en IA et l’amélioration du produit « n’existe pas encore ».

Une étude complémentaire de Stanford et du MIT a révélé que les agents IA qui corrigent des bugs de code peuvent brûler plus d’un million de tokens par tâche — environ 1 000 fois la consommation de tokens d’une tâche standard de questions-réponses sur du code. Ces données économiques suggèrent que, pour de nombreuses organisations, les coûts indirects de l’adoption de l’IA sont en train d’absorber les gains de productivité promis.

Le paradoxe de la dépendance : accro à un outil qui ralentit

Le résultat le plus frappant psychologiquement est peut-être que les développeurs, même confrontés à ces données, refusent de travailler sans IA. Plusieurs médias ont rapporté que les participants à l’étude METR ont résisté à l’idée de revenir à un codage sans assistance, même après avoir vu leurs propres chiffres de ralentissement. Ceci a été décrit comme un « paradoxe de la dépendance à l’IA » — une fois habitués à l’assistance d’une IA, les développeurs perdent confiance en leur capacité à coder seuls, même quand l’outil les ralentit de manière démontrable.

Comme l’a dit un développeur, l’IA « gère les parties ennuyeuses — le code standard, la syntaxe, ce qui ressemble à du travail mais n’est pas là où se trouve la vraie difficulté ». L’outil donne l’impression que le codage est plus rapide, même quand le chronomètre dit le contraire, parce que la friction se déplace de la rédaction initiale vers l’examen méticuleux du code produit.

Ce que les experts recommandent maintenant

À travers les essais contrôlés de METR, l’analyse de pull requests de CodeRabbit et les données d’entreprise d’Entelligence.AI, un ensemble cohérent de recommandations a émergé :

• Traitez la sortie d’une IA comme le code d’un développeur junior. Relisez tout. Attendez-vous à des erreurs de logique, des cas limites manquants et des failles de sécurité. Ne déployez jamais du code d’IA non relu.
• Acceptez que l’IA accélère la rédaction mais amplifie la charge de relecture. L’outil écrit plus de code plus vite, mais le temps net pour que la tâche soit « terminée » dépend souvent de ce que le temps de relecture additionnel dépasse ou non le gain de rapidité à l’écriture.
• Mesurez le temps de cycle réel, pas la vitesse perçue. Les gains de productivité auto-déclarés sont systématiquement gonflés. METR a constaté que les développeurs affirmant des gains de vitesse de 2 à 3 fois avec l’IA ne correspondaient pas aux relevés de temps objectifs.
• Budgétez les coûts cachés. Si 44 % des dépenses en tokens financent la correction de bugs générés par l’IA, les organisations doivent modéliser le coût total de l’adoption de l’IA, et pas seulement la facture d’API.

Les nouvelles données ne suggèrent pas que les outils de codage par IA sont inutiles. Dans des contextes spécifiques — prise en main d’un codebase inconnu, génération de code standard, et là où les développeurs prédisaient une aide substantielle — des accélérations mesurables apparaissent. Mais sur la population plus large de développeurs expérimentés travaillant sur leurs propres codebases matures, l’effet net, de mi-2025 à 2026, a été des livraisons plus lentes, plus de défauts, et une dépendance qui résiste à la réalité des chiffres.