Aller au contenu
Encyclopédie informatique Édition 2026

Programmer avec l'IA : assistants et agents de code

Partie 3 sur 3

Niveau de lecture :

7Ce que disent les études

L’effet réel de ces outils sur la productivité fait l’objet d’un débat nourri, et les résultats dépendent beaucoup du contexte :

  • en 2022, une expérience menée par GitHub montre que des développeurs équipés de Copilot écrivent un petit serveur Web environ 55 % plus vite qu’un groupe témoin ; la tâche était simple, isolée et identique pour tous ;
  • en 2025, une étude rigoureuse de l’organisme METR suit seize développeurs expérimentés travaillant sur de grands projets libres qu’ils connaissent bien : avec les outils d’IA de l’époque, ils mettent en moyenne 19 % de temps en plus pour accomplir leurs tâches, alors qu’ils estiment avoir gagné environ 20 % (anecdote) ;
  • les enquêtes annuelles auprès des développeurs, comme celle de Stack Overflow, montrent un usage devenu massif, plus de huit développeurs sur dix utilisant ou prévoyant d’utiliser ces outils en 2025, mais une confiance limitée : plus de répondants se méfient de l’exactitude des réponses qu’ils ne leur font confiance.

Ces résultats ne se contredisent pas autant qu’il y paraît. Les gains sont nets sur les tâches courantes, nouvelles ou bien délimitées, pour lesquelles on connaît moins bien le domaine ; ils sont plus faibles, voire négatifs, pour des experts sur un code qu’ils maîtrisent, où le temps passé à expliquer, attendre, relire et corriger dépasse le temps gagné à écrire. Les outils progressent vite, et les mesures de 2025 ne valent pas forcément pour 2026. Enfin, écrire plus de code n’est pas un objectif en soi : ce qui compte est la qualité du logiciel livré, sa sécurité et la facilité à le faire évoluer. Plusieurs analyses signalent d’ailleurs davantage de code dupliqué et de modifications rapidement réécrites dans les projets qui utilisent massivement l’IA.

8Apprendre à programmer à l’heure de l’IA

Si l’IA écrit du code, faut-il encore apprendre à programmer ? Oui, et peut-être plus que jamais : pour décrire précisément ce que l’on veut, pour juger si le résultat est correct, pour repérer une faille ou une erreur subtile, pour corriger quand l’IA tourne en rond, il faut comprendre ce que fait un programme. Ces compétences se construisent en programmant soi-même, en se trompant et en cherchant pourquoi.

Bien utilisée, l’IA est un excellent tuteur, disponible à toute heure : elle explique un message d’erreur, reformule une notion, propose des exercices, commente un programme ligne à ligne, donne un indice plutôt que la solution. Mal utilisée, elle devient une béquille : copier la solution d’un exercice donne l’illusion d’avoir compris, et l’on se retrouve démuni le jour où il faut raisonner seul, en examen, en entretien ou devant un bogue que l’IA ne sait pas résoudre (exercice 7). Une bonne règle pour les débutants : essayer d’abord seul, demander ensuite une explication ou un indice plutôt que le code, et être capable de réécrire de mémoire ce que l’on a appris.

Pour s’exercer

Exercice 7 : apprendre avec l’IA

Une étudiante bloque sur un exercice de boucles et demande à l’assistant : « Fais-moi l’exercice 3. » Proposez une meilleure façon de demander.

Voir la réponse

Par exemple : « Je débute en Python. Voici l’énoncé de l’exercice et mon code, qui affiche un résultat faux. Ne me donne pas la solution : explique-moi ce que fait ma boucle, ligne par ligne, puis donne-moi un indice pour trouver l’erreur. Ensuite, propose-moi un exercice du même type pour vérifier que j’ai compris. » L’IA devient un tuteur qui fait progresser, au lieu d’un raccourci qui empêche d’apprendre. Il est utile aussi de lui demander de vérifier une solution que l’on a écrite soi-même.

9Limites et enjeux

  • Le code plausible et faux : le code généré a l’air correct, compile souvent, mais peut ignorer un cas particulier, mal utiliser une bibliothèque ou appeler une fonction qui n’existe pas.
  • La dette technique : produire du code vite peut accumuler duplications, incohérences et complexité inutile, qui coûteront cher plus tard.
  • Les licences : les modèles sont entraînés sur du code public sous diverses licences et peuvent, rarement, en reproduire des passages ; des procès ont été intentés, et les outils proposent des filtres qui bloquent les suggestions identiques à du code public (voir le droit d’auteur et les licences libres).
  • La confidentialité : le code et les fichiers lus par un outil en ligne sont envoyés à ses serveurs ; il faut connaître les conditions du contrat, ou utiliser un modèle installé en interne (voir l’IA sur sa propre machine).
  • Les métiers : la demande évolue, avec moins de besoin d’écrire du code répétitif et davantage de besoin de concevoir, spécifier, vérifier et sécuriser ; la question de la formation des débutants, qui apprenaient justement en écrivant ce code répétitif, est ouverte.
Sécurité de l’information

Le coin cyber

Les assistants de code écrivent une part croissante des logiciels, et les agents de code disposent d’accès étendus : au code source, au terminal, parfois aux secrets et aux systèmes de déploiement. Ils sont donc à la fois une source possible de failles et une cible de choix. Les attaques sont décrites ici dans leur principe seulement.

C.1Du code vulnérable

Dès 2021, des chercheurs de l’université de New York ont soumis à Copilot des scénarios propices aux failles classiques : environ 40 % des programmes proposés contenaient une vulnérabilité. Les modèles ont progressé depuis, mais ils reproduisent toujours les erreurs fréquentes dans leurs données d’entraînement : injections (exercice 2), mots de passe et clés d’accès écrits dans le code, vérifications oubliées, cryptographie mal employée. Le code généré se traite comme tout code : relecture, analyse automatique de sécurité, tests, et formation des développeurs aux failles courantes (voir le développement sécurisé).

C.2Les paquets inventés

Les modèles suggèrent parfois d’installer des bibliothèques qui n’existent pas, mais dont le nom semble crédible. Une étude publiée en 2025 a mesuré qu’au moins 5 % des paquets recommandés par les modèles commerciaux testés, et plus de 20 % pour les modèles ouverts, étaient ainsi inventés, et que les mêmes noms revenaient souvent. Un attaquant peut enregistrer ces noms sur les dépôts publics de paquets et y placer du code malveillant, qui s’exécutera chez quiconque suivra le conseil de l’IA (figure 3). Cette technique a reçu le nom de slopsquatting, de slop, le contenu médiocre produit en masse par l’IA, et squatting, l’occupation d’un nom.

1. le modèle invente il suggère d’installer « requetes-faciles-pro », un paquet qui n’existe pas 2. l’attaquant observe il repère les noms inventés souvent et les enregistre lui-même 3. le développeur installe ou l’agent, sans vérifier ; le nom existe désormais 4. le code malveillant s’exécute à l’installation : vol de secrets, porte dérobée SE PROTÉGER vérifier qu’un paquet existe, qui le publie, depuis quand, combien l’utilisent ; figer les versions, analyser les dépendances, ne pas laisser un agent installer sans contrôle.
Figure 3. Un nom de paquet inventé par l’IA peut devenir un piège bien réel.

C.3Les agents, cibles de choix

Un agent de code lit beaucoup de textes qu’il n’a pas écrits : tickets, documentation, commentaires, pages Web, fichiers d’instructions de projets téléchargés. Des instructions malveillantes cachées dans ces contenus peuvent le pousser à modifier le code de façon dangereuse, à exfiltrer des secrets ou à exécuter des commandes : c’est l’injection de prompt (voir les agents d’IA). Des chercheurs ont aussi montré que des caractères invisibles pouvaient dissimuler de telles instructions dans des fichiers de règles partagés. Les outils eux-mêmes sont visés : en juillet 2025, une version piégée de l’extension d’un assistant de code d’un grand fournisseur de services en nuage a été publiée avec une consigne demandant d’effacer des fichiers et des ressources ; elle a été retirée rapidement. En août 2025, des versions piégées d’un outil JavaScript très utilisé ont même tenté de détourner les assistants de code installés sur les machines des victimes pour y chercher des secrets.

C.4Secrets et confidentialité

Un agent qui lit tout le projet lit aussi les fichiers de configuration, les clés d’accès aux services en nuage, les mots de passe des bases de données qui y traîneraient. Ces secrets n’ont rien à faire dans le code ; ils doivent être stockés dans un coffre-fort de secrets et exclus des fichiers accessibles à l’agent. Côté confidentialité, il faut savoir où part le code envoyé aux modèles, et si les conditions d’utilisation autorisent son emploi pour l’entraînement ; les offres professionnelles l’excluent généralement.

C.5Idée reçue

« Si les tests passent, le code généré est bon. » Faux. Les tests ne vérifient que ce qu’ils testent : un code peut les réussir et contenir une faille de sécurité, une fuite de données ou un cas limite oublié. Et quand l’agent a écrit lui-même les tests, il a pu les adapter à son code plutôt que l’inverse, voire les affaiblir pour qu’ils passent. Les tests sont nécessaires, la relecture humaine et l’analyse de sécurité aussi.

C.6Bonnes pratiques

Développeur

  • Relire et comprendre tout code avant de l’intégrer ; se méfier des dépendances suggérées.
  • Ne jamais laisser de secrets dans le code ni dans les fichiers accessibles à un agent.
  • Refuser les commandes que l’on ne comprend pas ; préférer l’accord avant exécution.

Organisation

  • Faire tourner les agents autonomes dans des environnements isolés, sans accès à la production.
  • Imposer relecture, tests et analyse de sécurité automatique avant toute fusion.
  • Choisir des outils au contrat clair sur les données ; tenir l’inventaire des extensions et serveurs installés.

Référentiels : ANSSI, Recommandations de sécurité pour un système d’IA générative (2024) · OWASP, Top 10 for LLM Applications (2025) · ANSSI et BSI, l’office fédéral allemand de la sécurité de l’information, AI Coding Assistants (2024).

Références

  1. H. Pearce, B. Ahmad, B. Tan, B. Dolan-Gavitt, R. Karri, « Asleep at the Keyboard? Assessing the Security of GitHub Copilot’s Code Contributions », IEEE Symposium on Security and Privacy, 2022.
  2. C. Jimenez, J. Yang et al., « SWE-bench: Can Language Models Resolve Real-World GitHub Issues? », ICLR, 2024.
  3. S. Peng, E. Kalliamvakou, P. Cihon, M. Demirer, « The Impact of AI on Developer Productivity: Evidence from GitHub Copilot », 2023.
  4. J. Becker, N. Rush et al., « Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity », METR, 2025.
  5. J. Spracklen et al., « We Have a Package for You! A Comprehensive Analysis of Package Hallucinations by Code Generating LLMs », USENIX Security, 2025.

Voir aussi

Citer cet article

« Programmer avec l'IA : assistants et agents de code », Encyclopédie informatique, révision du 26 octobre 2026.