Et si le problème n’était pas le code ?
Chez Theodo, l’IA réécrit des systèmes vieux de vingt ans trois fois plus vite. Son cofondateur raconte pourquoi il a d’abord cherché les endroits où l’IA ne servait à rien. Deuxième rendez-vous de notre rubrique consacrée à l’IA. Après le panorama dressé par le groupe X IA, nous descendons sur le terrain : qu’est-ce que l’IA change vraiment dans une entreprise qui la déploie ? Fabrice Bernhard (X02) a cofondé Theodo en 2009 avec Benoît Charles-Lavauzelle, camarade de sa promotion. Ce cabinet de conseil en technologie compte aujourd’hui sept cents personnes à Paris, Londres, Casablanca, Le Cap. Coauteur du Lean Tech Manifesto, il se fait accompagner en lean management depuis treize ans. Il a accepté de nous dire ce qu’il a décidé, ce qu’il mesure, ce qu’il ne sait toujours pas faire.
Ton métier, le développement logiciel, est l’un des plus exposés à l’IA. Quand elle arrive, tu fais quoi ?
Comme tout dirigeant, on s’est posé la question de notre évolution. Nous avons eu très vite conscience que notre industrie serait l’une des plus impactées. Nous avons donc pris le sujet par les deux bouts. Par le bas d’abord : les plus enthousiastes de la maison, forcément quelques-uns sur sept cents personnes, se sont mis à se réunir en communauté de pratique. Toutes les semaines, ils se filmaient en train d’utiliser l’IA, puis comparaient leurs vidéos pour voir ce qu’ils pouvaient s’apprendre les uns aux autres. Une communauté de pratique, c’est la réponse à une question toute bête : comment j’apprends quand il n’existe aucun manuel de formation ? On apprend sur le tas, mais collectivement. Cela ancre bien mieux les acquis, cela aligne tout le monde sur les dernières trouvailles de chacun.
Question de novice : ils se filmaient en train de faire quoi, exactement ?
Au tout début, ils testaient l’autocomplétion (prédiction d’un mot ou d’une requête semi-automatique) avec Copilot, donc avant même ChatGPT. Ils montraient comment, selon les fichiers ouverts, les commentaires écrits, la façon de nommer les fonctions, le résultat était plus ou moins bon. C’est ensuite devenu « comment je formule ma demande à ChatGPT », aujourd’hui « comment j’interagis avec mon Claude Code ». Il y a eu trois âges : l’autocomplétion améliorée, où la machine finit votre fonction au lieu de finir votre mot ; la fenêtre de dialogue, où vous demandez un bout de programme ; enfin l’assistant installé dans votre projet, à qui vous décrivez un problème, qui va lire seul tous les fichiers existants, jusqu’à l’historique des trois derniers mois de modifications, avant de vous annoncer ce qu’il va écrire.
Passons à l’autre bout, celui du dirigeant.
Là, il faut entendre la méfiance des équipes, parce qu’elle est justifiée. Nos développeurs les plus seniors étaient les plus sceptiques. Pourquoi ? Parce que la valeur qu’un ingénieur apporte se loge assez peu dans la production de code. La réalité, c’est qu’il passe une grande partie de son temps à débloquer des métiers qui ne savent pas ce qu’ils veulent, ou des services informatiques qui ne veulent pas ouvrir un accès à une base de données. Dans ces cas-là, le goulot d’étranglement n’est pas du tout au niveau du code. Alors, quand des gens s’excitent en disant qu’il faut mettre de l’IA partout, le terrain, qui n’est pas naïf, voit très bien que c’est plus compliqué que ça. Plutôt que de forcer une adoption par le haut, on a cherché la niche où l’IA apporterait tout de suite beaucoup de valeur.
« Le goulot d’étranglement n’est pas du tout au niveau du code. »
Cette niche, ce sont les vieux systèmes. Explique-nous pourquoi c’est le bon terrain.
Nous avons convergé vers les projets de migration technique. Par exemple, je suis en Java 1.4, je dois passer en Java 21. Ou bien je suis sous SAS, un outil statistique très répandu dont l’éditeur vient de multiplier le prix de ses licences par dix, donc je veux passer sous R. Ce sont des projets où ni le métier ni l’infrastructure ne sont bloquants, et donc où la réécriture de code est le véritable goulot d’étranglement. Or c’est précisément ce qu’un modèle fait extrêmement bien, bien mieux que les approches déterministes historiques.
| Parles-tu JavaScript, SAS, R ? JavaScript : langage de programmation utilisé principalement pour rendre les pages web interactives, s’exécute directement dans le navigateur, un des trois piliers du web, avec le HTML (structure) et le CSS (mise en forme), et l’un des langages les plus utilisés au monde du fait de sa polyvalence. SAS (Statistical Analysis System) : logiciel d’analyse statistique et de traitement de données réputé pour sa robustesse et sa fiabilité, mais coûteux et moins accessible que des solutions libres comme R (langage de programmation et environnement logiciel open source et gratuit) ou Python (langage de programmation généraliste, réputé pour sa syntaxe simple et lisible, proche du langage naturel). |
Le premier client, ça a donné quoi ?
C’était il y a plus de deux ans, une application mobile disponible sur iPhone et Android, qu’il fallait basculer sur une seule base de code en React Native, pour diviser par deux les coûts de développement avant un lancement au Royaume-Uni. Nous avions estimé la migration manuelle à douze mois ; or le métier n’en accordait que quatre. L’occasion de mettre en pratique notre R & D qui indiquait qu’on pouvait migrer trois fois plus vite avec l’IA. On a croisé les doigts, on a travaillé dur et on a migré en quatre mois et demi. Presque trois fois plus vite, sur un vrai projet. Aujourd’hui, cette offre représente déjà une dizaine de millions d’euros de chiffre d’affaires. Nous sommes l’un des rares acteurs du secteur en bonne croissance.
| React Native React Native est un logiciel-cadre à code source ouvert (framework open source dans le jargon) développé par Meta (Facebook) qui permet de créer des applications mobiles natives pour iOS et Android à partir d’un seul code écrit en JavaScript. |
Trois fois. Pourquoi pas dix ?
Parce que le goulot s’est déplacé. Il n’est plus dans l’écriture, il est dans la validation. Nous n’avons jamais produit autant de tests automatisés, nos projets en comptent des milliers, mais, tant qu’un humain vérifie au moins une fois, ça prend du temps. On automatise maintenant les tests d’équivalence, mais on fait face à un facteur très humain : moderniser coûte de l’argent, alors le métier en profite pour glisser « tant qu’à faire, tu ne pourrais pas me changer ça ? ». Tant qu’on introduit des modifications fonctionnelles qu’il faut valider manuellement, nous restons plafonnés à trois. Nous démarrons maintenant des projets où nous repoussons toute modification fonctionnelle à après la migration, pour automatiser la validation et migrer beaucoup plus vite.
Quel impact pour l’humain ?
Quand le métier du développeur devient la supervision de l’IA, ce n’est pas toujours enthousiasmant. Nous avons consacré un kaizen (ce terme vient du japonais kai, changement et zen, bon), un atelier d’une journée, à prendre du recul là-dessus. La découverte a été très belle : on a compris qu’on n’avait pas besoin de tout relire avec le même niveau d’attention. Quand l’IA pouvait s’inspirer d’un exemple équivalent existant, la qualité était presque toujours bonne ; quand elle partait de zéro, il y avait toujours à redire. Nous avons donc indexé tous les morceaux de code que nous jugeons exemplaires, avec une consigne explicite donnée à l’IA : avant d’écrire, va voir si tu ne peux pas t’inspirer de l’un d’eux ; si tu n’en trouves aucun, préviens-nous, pour qu’on décide s’il faut en créer un ou relire attentivement. L’idée de réutiliser de bonnes bibliothèques est vieille comme l’informatique ; ce qui est nouveau, c’est que l’IA sait adapter un exemple qui n’a rien de générique.
Comment as-tu convaincu les sceptiques ?
En créant de la valeur mesurée, puis en le faisant savoir. L’un des ingénieurs les plus sceptiques a été mis sur l’un des premiers projets de migration, parce qu’il avait fait plusieurs projets de migration sans IA. Il a apporté une vraie expertise complémentaire sur la gestion de projet. Et il est devenu l’un des plus gros avocats de la méthode avec IA, parce qu’il en a vu la valeur. La méthode scientifique, importante dans le lean, prend un peu de temps, mais elle marche. C’est sans doute pour cela qu’il y a tant de nos camarades dans le lean.
Quelle leçon un dirigeant qui te lit peut-il en tirer pour sa propre entreprise ?
Que la limite, aujourd’hui, n’est plus l’intelligence du modèle, mais la réflexion sur la façon de l’utiliser. La bonne question n’est pas : « Où est-ce que je peux mettre de l’IA ? », mais « où sont mes flux de valeur, à quels endroits le goulot d’étranglement peut-il être levé par l’IA ? » McKinsey estime que 90 % des entreprises ont adopté l’IA, mais que 6 % seulement en voient l’effet sur leur résultat. Ce qui est réjouissant, c’est que, en cartographiant ces flux chez nos clients, on découvre quantité de goulots sans aucun rapport avec l’IA, qu’on lève facilement : un défaut détecté à la douzième étape alors qu’il était visible à la deuxième, ce sont trois semaines gagnées. Une fois ces gains faciles obtenus, on comprend beaucoup mieux le flux ; on devient capable de trouver où placer l’IA pour créer de la valeur. Une réserve : cette cartographie doit se faire avec les gens du terrain, sinon vous cartographiez la théorie, pas la réalité.
« La limite, aujourd’hui, n’est plus l’intelligence du modèle, mais la réflexion sur la façon de l’utiliser. »
L’erreur classique, alors ?
Dire « je vous donne Claude, débrouillez-vous ». C’est renoncer à comprendre les systèmes de sa propre entreprise. Être ingénieur, c’est justement un avantage : on peut plonger dans les systèmes et soutenir les initiatives aux bons endroits.
Si les modèles finissent par découper les problèmes à notre place, que restera-t-il à l’ingénieur ?
Ce que nous apprend Toyota, c’est que, sans un humain qui comprend ce qui se passe, capable d’améliorer en continu, on va dans le mur à court ou à moyen terme : le monde bouge, le client dévie toujours du système qu’on lui a construit. Toyota a plafonné à 80 % de robotisation dans ses usines pour cette raison. Elon Musk avait promis des usines sans lumière ; il a reconnu publiquement s’être trompé, avec cette formule : Humans are underrated (« on sous-estime l’humain »). Je suis dans l’équipe des humains. Il faut piloter les IA, rendre des comptes à nos clients comme à la société, analyser chaque erreur pour améliorer le système.
Un mot pour nos camarades ?
Nous sommes mieux formés que d’autres à comprendre les systèmes ; les organisations ont besoin de gens comme nous pour y plonger. L’IA offre ainsi la possibilité de découvrir beaucoup d’endroits qu’il aurait fallu nettoyer depuis longtemps et où l’on peut apporter beaucoup de valeur avant même de mettre de l’IA.
Entretien retranscrit et corédigé avec l’IA.
Les propos et les idées sont ceux de Fabrice Bernhard (X02), cofondateur de Theodo.
Pour aller plus loin
Deux groupes X prolongent cette discussion. Le groupe X IA entre dans le détail technique, au cœur des modèles ; le groupe X IT Digital traite la mise en œuvre en entreprise, dont Fabrice Bernhard est venu parler en mai dernier. Complémentaires, ils comptent parmi les plus actifs de la communauté sur le sujet.

