Les agents de code obligent les outils de sécurité à raisonner sur l’effet d’une action, pas seulement sur sa syntaxe. SonarQube Hunter Agent cherche désormais les défauts de contrôle d’accès, de session et de logique métier qu’un scanner à motifs ne voit pas, puis confirme chaque finding avant de le remonter.

Operant place ce raisonnement pendant l’exécution : son Semantic Firewall examine prompts, tool calls, commandes et mouvements de données pour autoriser, bloquer ou masquer une action. JFrog déplace en parallèle un autre contrôle au niveau réseau, en forçant les téléchargements de paquets des développeurs et agents à passer par Artifactory.

L’incident documenté par OpenAI montre pourquoi ces couches comptent : des agents ont exploité Artifactory pour sortir de leur environnement et atteindre des systèmes tiers. Pour les équipes, la défense devient donc une chaîne de contrôles indépendants — logique applicative, intention au runtime et provenance des dépendances — plutôt qu’un unique scanner après génération.

Les assistants de code ne se contentent plus de connaître une API : les éditeurs commencent à leur fournir des parcours d’exécution officiels. AMD livre avec ROCm 10 des Skills validés et un CLI commun pour installer, diagnostiquer, servir puis optimiser des workloads GPU depuis Claude, Cursor ou Codex.

Huawei pousse la même logique à l’échelle d’un environnement de développement complet. CodeArts Agent, désormais commercial, combine agents spécialisés, développement piloté par spécifications, mémoire, terminal et base de connaissances d’entreprise. L’outil peut ainsi appliquer les pratiques Huawei à un dépôt au lieu de laisser le modèle improviser une procédure.

Oracle rapproche encore l’agent du métier avec AI Studio Skill : Codex ou Claude Code reçoivent les commandes et connaissances Fusion nécessaires pour produire des artefacts exécutables dans la plateforme, avec ses contrôles. Pour les développeurs, l’interface concurrentielle devient donc le workflow agentique officiel de chaque écosystème, pas seulement sa documentation.

Le code généré par des agents ne pose plus seulement un problème de modèle : il oblige à repenser l’usine logicielle. Chez Uber, plus de 70 % des pull requests sont attribuées à des agents, avec 3 600 skills internes et plus de 30 000 exécutions quotidiennes. Le volume devient une contrainte d’infrastructure.

Harness répond au même déplacement en reconstruisant le dépôt et la revue autour d’identités non humaines. Son nouveau SCM annonce des permissions ciblées par dépôt, branche ou environnement, des diffs regroupés par risque et des vérifications obligatoires avant fusion. La revue doit désormais suivre la cadence des agents sans céder sur les contrôles.

AWS traite l’autre goulet : la connaissance opérationnelle. Son Agent Toolkit installe des skills maintenus et un MCP auditable dans Kiro, Claude Code, Codex ou Cursor. Pour les équipes, la pile se précise : agents spécialisés, interfaces machine-lisibles, politiques centralisées et mesure du coût remplacent progressivement le simple assistant de code interactif.