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.

Chez Microsoft Edge, l’augmentation des extensions produites avec l’IA a déjà mis la revue sous tension. L’équipe a automatisé les contrôles répétables de politique et de sécurité afin de réserver les humains aux cas ambigus. Le signal est concret : quand l’écriture accélère, le coût se déplace vers la capacité de validation.

CloudBees décrit le même déplacement à l’échelle de l’entreprise. Son enquête relie l’IA à davantage d’incidents en production, tandis que seulement 56 % des organisations appliquent toujours leur processus de revue. Surtout, 57 % placent désormais le goulot dans la revue, les tests et le déploiement, contre 35 % dans l’écriture.

OpenAI investit aussi dans cette couche aval en recrutant les fondateurs de Git AI, qui mesure quelle part du code vient des agents, leur coût et leur performance. Pour les développeurs, l’enjeu devient donc d’industrialiser le chemin après génération : contrôles automatiques, preuve de ce qui a été vérifié, responsabilité claire et capacité de livraison.

Le changement d’échelle se matérialise avec Projects : un coordinateur conserve le contexte sur des mois, délègue l’implémentation à des milliers de subagents et peut surveiller Slack, les pull requests ou un horaire. Chez Cursor, le développeur ne pilote plus chaque run ; il définit un chantier, puis vérifie les résultats produits en parallèle.

GitHub applique déjà ce modèle à une étape ciblée du SDLC. Copilot code review remplace le reviewer unique par un ensemble d’agents, chacun apportant sa lecture, puis combine leurs constats. Le système peut aussi exécuter builds, tests et scripts via des shell tools avant de rendre une revue consolidée.

Atlassian étend la coordination au backlog : ses agent loops repèrent le travail prêt, le délèguent, le testent et ouvrent des pull requests, tandis qu’un agent séparé applique les standards. Pour les équipes, l’agent harness devient donc un système de coordination durable : contexte partagé, rôles spécialisés, événements déclencheurs et validation humaine aux points de livraison.