Les agents de codage autonomes ont augmenté l'activité de commit des développeurs de 240 % en cumulé. Les livraisons — l'étape où le logiciel atteint un client — ont progressé de 30 % (Demirer, Musolff & Yang, NBER, 2026). Mêmes développeurs, mêmes outils, même étude, même fenêtre. Huit dixièmes du gain mesuré ne sont jamais sortis de l'entreprise.
Cet écart est la forme de la plupart des business cases IA rédigés cette année. Le pilote instrumente l'étape que l'outil accélère. Personne n'instrumente l'étape qui commande la livraison, parce qu'aucune redevance de licence n'y est attachée.
L'article s'intitule Writing Code vs. Shipping Code, et la distinction contenue dans le titre constitue tout le résultat. Les gains de productivité de l'IA sont réels, importants et mesurés au niveau de la tâche. Ils arrivent chez le client fortement décotés.
Ce qu'une étude sur 500 000 développeurs voit et qu'un pilote ne voit pas
Mert Demirer (MIT Sloan), Leon Musolff et Liyuan Yang ont apparié la télémétrie d'usage de l'IA à plus de 500 000 développeurs GitHub dans un dispositif d'event study apparié, puis suivi l'effet à travers les générations successives d'outils (NBER Working Paper 35275, 2026).
Les résultats par génération méritent d'être tenus séparément, car c'est la partie que la plupart des lecteurs voudront citer :
- Autocomplétion : +30 % d'effet cumulé sur les commits
- Agents de codage interactifs : +180 %
- Agents de codage autonomes : +240 %
Chaque génération est un véritable saut. Qui soutient que les outils agentiques ne déplacent pas le débit au niveau de la tâche argumente contre un très grand échantillon.
Puis l'atténuation. Cet effet de 240 % sur les commits tombe à 80 % pour le nombre de projets et à 30 % pour les livraisons effectives. Et lorsque les auteurs sont sortis de GitHub pour examiner quatre grandes places de marché logicielles, ils ont trouvé une forte hausse du nombre de nouvelles applications et aucune hausse de l'usage total.
Plus de code écrit. Un peu plus de projets lancés. Un peu plus livré. Rien de plus utilisé.
Le résultat sur les places de marché mérite un poids distinct, car il écarte une lecture confortable. Une explication par le seul goulot d'étranglement prédirait un arriéré — de la production en attente derrière une porte, récupérable une fois la porte élargie. Mais les nouvelles applications ont augmenté alors que l'usage total, non, ce qui pointe vers quelque chose au-delà de l'étape de livraison : le marché a absorbé plus d'offre sans produire plus de demande. Une partie du gain manquant patiente derrière la revue humaine. Une partie n'allait de toute façon jamais devenir de la valeur, car produire davantage d'une chose que personne n'a demandée n'est pas de la production. Les deux lectures devraient rendre un opérateur prudent face à un business case qui convertit la vitesse sur la tâche directement en chiffre d'affaires.
Pourquoi les gains de productivité de l'IA meurent avant la dernière étape
L'explication des auteurs est l'hypothèse du maillon faible, plus ancienne et mieux établie que tout ce qui est propre à l'IA : dans une chaîne de production à plusieurs étapes, la production totale est gouvernée par l'étape la moins améliorée, pas par la moyenne.
Écrire du code est une étape. La revue, les tests d'intégration, la validation sécurité, l'autorisation de livraison et le déploiement sont les autres — et aucune génération d'outil de codage ne les a touchées. La contrainte s'est donc déplacée. Elle n'a pas disparu : elle a migré vers la première porte humaine en aval de l'accélération.
Le chiffre de l'élasticité est l'argument
L'article y met un coefficient : une élasticité de substitution estimée à 0,23 entre l'IA et l'effort humain (Demirer et al., NBER, 2026).
À lire simplement. Une faible élasticité signifie une forte complémentarité. L'IA et les humains en aval ne sont pas des substituts se disputant le même travail : ce sont des intrants qui ont besoin l'un de l'autre dans des proportions voisines. Triplez l'un sans toucher à l'autre et vous n'obtenez pas le triple de production. Vous obtenez une file d'attente.
C'est le chiffre à poser devant quiconque a un plan qui suppose discrètement qu'un agent suffisamment bon finira par absorber aussi le relecteur. La meilleure estimation disponible dit l'inverse, et le dit avec une décimale.
Votre chaîne a la même forme
Le logiciel est le décor, pas le périmètre. La structure qui a produit ce résultat — étapes séquentielles, travail accélérable par la machine à l'entrée, portes de jugement humain à la sortie — est la structure de presque tout processus opérationnel dans une entreprise de 50 à 500 ETP.
Order-to-cash : la génération du devis est automatisable ; l'approbation du crédit et le traitement des exceptions ne le sont pas. Hire-to-onboard : le sourcing et la présélection sont automatisables ; la décision d'offre et les passations de la première semaine ne le sont pas. Ticket-to-resolution : le tri et la rédaction sont automatisables ; le jugement d'escalade ne l'est pas.
Dans chaque cas, le budget IA se pose sur l'étape d'entrée et le plafond de capacité se trouve sur celle de sortie.
Comment trouver votre maillon faible en un après-midi
Le diagnostic ne demande pas de nouvel outillage. Prenez un processus et écrivez ses étapes de bout en bout — six ou sept est typique. Pour chaque étape, notez deux choses : si l'IA l'a touchée au cours des douze derniers mois, et à quoi ressemble aujourd'hui la file d'attente devant elle.
Le maillon faible est presque toujours la première étape qui répond non à la première question et en croissance à la seconde. Ce sera en général une étape tenue par une ou deux personnes seniors qui étaient déjà le point d'escalade avant que tout cela ne commence, ce qui explique précisément pourquoi personne n'a proposé de l'automatiser et précisément pourquoi elle ne peut pas absorber plus de volume.
Posez ensuite la question qui reformule la conversation budgétaire : si cette étape traitait 20 % d'unités de plus par semaine, combien cela vaudrait-il ? Comparez au coût de la prochaine tranche de licences en amont. Dans la plupart des chaînes mid-market, la comparaison n'est même pas serrée.
Des données indépendantes indiquent que ce désalignement est quasi universel. La télémétrie comportementale portant sur 120 620 travailleurs n'a trouvé que 2 % au stade de maturité d'intégration au workflow — usage de l'IA à l'intérieur d'un processus redessiné plutôt qu'en consultation annexe, 27 % en restant à la simple assistance de recherche (ActivTrak Productivity Lab, 2026). Si 98 % de l'adoption se produit autour du processus plutôt qu'à l'intérieur, les étapes en aval n'ont jamais été dans le périmètre.
Les données de production pointent la même chose par l'autre bout. Une étude comparant l'usage d'un agent à celui de la recherche a trouvé des tâches appariées bouclées en 36 minutes contre 269, soit 87 % de temps en moins — pendant que le travail de suivi se déplaçait vers le haut, vers la vérification et l'extension, au lieu de disparaître (Perplexity & HBS, arXiv, 2026). Le travail humain n'est pas parti. Il a migré vers l'étape que vous ne mesuriez pas.
La porte que vous n'avez pas financée est aussi la plus chère
Deux résultats supplémentaires rendent l'étape aval plus difficile à ignorer qu'un simple problème de file d'attente.
Premièrement, elle coûte plus cher que l'outil. L'analyse de McKinsey QuantumBlack sur l'économie unitaire des agents montre que pour un agent de service client bancaire, le coût des tokens ne représente que 20–25 % des coûts variables d'exécution, tandis que la supervision humaine en représente 70–75 % (McKinsey QuantumBlack, 2026). L'étape que votre business case traite comme un frais généraux gratuit constitue la majorité du coût d'exécution.
Deuxièmement, elle se dégrade sous charge. Une enquête auprès de 2 500 travailleurs du savoir a trouvé que 42 % passent plus de temps à vérifier la production de l'IA qu'ils n'en économisent en l'utilisant, et que 52 % corrigent régulièrement du travail généré par l'IA produit par des collègues (Adaptavist, 2026). Poussez plus de volume à travers une étape de revue inchangée et les relecteurs l'absorbent en retouches — ce qui est exactement la façon dont un gain amont de 240 % se convertit en un gain aval de 30 %.
Le maillon faible n'est donc pas seulement lent. C'est le centre de coût, et il est déjà saturé.
L'objection honnête
Trois limites, énoncées avant que quelqu'un d'autre ne les énonce.
Les auteurs ont une relation déclarée avec un fournisseur. Demirer et Musolff ont tous deux occupé des postes postdoctoraux de recherche chez Microsoft et travaillent aujourd'hui comme consultants de recherche rémunérés pour l'entreprise — déclaré sur le working paper lui-même. Le résultat va à l'encontre de l'intérêt commercial (il plafonne l'effet de production revendicable pour les outils de codage), ce qui est la direction qui rend un conflit moins inquiétant. À noter tout de même.
Les estimations ont bougé entre les versions, et cela compte pour la façon de les citer. La version de mai 2026 rapportait un échantillon plus petit et des coefficients différents ; la révision de septembre 2026 rapporte plus de 500 000 développeurs, les effets générationnels de 30/180/240 % et l'élasticité de 0,23. Le schéma d'atténuation a tenu dans les deux. Si vous citez un chiffre de cet article dans un board deck, citez la révision courante et datez-la — les working papers ne sont pas des résultats établis, et ceux qui valent d'être cités sont ceux dont la forme survit à la révision.
Un secteur n'est pas tous les secteurs. Le logiciel a des frontières d'étapes exceptionnellement nettes et une télémétrie exceptionnellement bonne. Votre clôture comptable ou votre chaîne de fulfilment peuvent comporter une implication humaine plus profonde à chaque étape, ce qui comprimerait à la fois le gain amont et l'atténuation. La direction se transpose. Les ordres de grandeur ne sont pas les vôtres tant que vous ne les mesurez pas.
Que décider ce trimestre
Quatre mouvements. Trois ne coûtent rien d'autre que de l'attention.
- Nommez la dernière porte humaine d'un processus. Pas le process owner — l'étape précise d'approbation, de revue ou de signature que chaque unité de travail doit franchir avant de compter comme livrée. Si vous ne pouvez pas la nommer en une phrase, c'est cela, le résultat.
- Mesurez les deux étapes séparément. Votre métrique actuelle compte presque certainement l'activité sur l'étape accélérée : brouillons produits, tickets triés, devis générés. Ajoutez un compteur sur l'étape de livraison. Le rapport entre les deux est votre atténuation, et c'est le seul chiffre de cet article qui porte vraiment sur votre entreprise.
- Déplacez vers l'aval le prochain incrément de budget IA. Si le résultat du maillon faible tient dans votre chaîne, le rendement marginal d'un siège amont supplémentaire est proche de zéro et le rendement marginal du déblocage de la porte vaut tout ce que cette porte retient aujourd'hui. C'est une réallocation, pas une dépense nouvelle.
- Redessinez la porte avant d'élargir l'entonnoir. Augmenter le volume amont face à une étape de revue inchangée produit de la file d'attente et de la reprise, pas de la production. Inversez la séquence : réglez la porte, puis laissez passer le volume.
Vos gains de productivité de l'IA sont réels. L'étude le dit, à une échelle qu'aucun pilote interne n'atteindra jamais.
Ils sont aussi immobilisés dans une file, derrière une personne que personne n'a budgétée. La question de ce trimestre n'est pas de savoir à quelle vitesse votre équipe peut produire du travail. C'est de savoir quelle part de ce travail votre organisation parvient encore à terminer.
