Les coding agents déplacent le coût du développement vers le calcul continu
Chez Google, l’agent ne se contente plus d’écrire du code : il modifie un script de fine-tuning, lance les jobs sur TPU, mesure le benchmark, garde les commits gagnants et annule les régressions. Une seule spécification peut ainsi déclencher des dizaines d’expériences nocturnes, transformant le temps humain en budget de calcul.
Augment décrit la même bascule à l’échelle du SDLC. En étendant les agents à la planification, la revue, la vérification et les incidents, l’entreprise mesure une hausse de 4,5× de l’output ajusté par développeur, avec un temps médian de merge réduit de 72 %. Le goulot devient la capacité à exécuter et absorber ces boucles.
WIRED rappelle le coût physique de cette économie : un agent peut s’auto-prompt des centaines de fois et mobiliser des helpers parallèles pendant des heures. Pour les développeurs, tokens, durée des runs, concurrence, routage et conditions d’arrêt deviennent donc des métriques d’architecture au même titre que latence, disponibilité et coût d’infrastructure.
Sources
Chaque onglet présente la publication d’origine et son lien direct.
Autonomous LLM post-training with Tunix on TPUs
Google décrit `autofinetune`, une boucle où un agent modifie `run.py`, lance des jobs de fine-tuning sur TPU, mesure les résultats, conserve les commits qui améliorent la métrique et annule les régressions. Le billet s’appuie sur Tunix, Gemma, Cloud TPU, Antigravity CLI et Gemini Flash 3.7.
Beyond AI Coding Agents: How We Built Augment's Software Factory
Augment décrit une software factory qui relie exigences, tickets, pull requests et production avec des agents spécialisés. Sur 17 200 pull requests, l’entreprise rapporte un output ajusté par développeur multiplié par 4,5, un temps médian de merge réduit de 72 % et un taux de revert à 14 jours passé de 1,9 % à 0,4 %.
AI Agents Are Thirsty for Power
WIRED examine la consommation énergétique des agents, qui peuvent s’auto-prompt des dizaines ou centaines de fois et mobiliser des helpers parallèles pendant des heures. L’article relie cette intensité de calcul à l’expansion des data centers et souligne le manque de données publiques précises sur le coût énergétique des workloads agentiques.