Sur du code neuf, l’IA fait gagner 35 à 40 % à vos développeurs. À l’échelle de la DSI, en revanche, le gain mesuré est de 20,75 % (CAST × Cigref, février 2026). L’écart n’est pas une déception. C’est un diagnostic.

Le plateau est mesuré, et sa cause est documentée

L’étude conduite par le Do Tank CAST × Cigref auprès de 83 DSI françaises place le gain moyen de productivité à 20,75 %, contre 11 % un an plus tôt. La progression est donc franche. Pourtant, elle reste loin des facteurs de deux à dix que visent les organisations les plus engagées, selon le Cigref lui-même.

Le rapport DORA d’avril 2026 explique une partie de l’écart. En effet, les travaux de Stanford qu’il cite, portant sur environ 100 000 développeurs, mesurent 35 à 40 % de gain sur des tâches simples en développement neuf, mais 10 % ou moins sur du code legacy complexe. Or l’essentiel du patrimoine applicatif d’un grand compte est du legacy. DORA en tire une formule qui mérite d’être affichée en COMEX : l’IA est un amplificateur, pas un transformateur. Autrement dit, elle amplifie les forces d’une chaîne saine et les dysfonctionnements d’une chaîne qui ne l’est pas. Par ailleurs, le rapport observe que la friction ne disparaît pas : elle se déplace.

C’est exactement ce que décrit la grille IT4IT. Le développement n’est qu’un segment de la chaîne de valeur Requirement to Deploy. En amont, Strategy to Portfolio arbitre la demande. En aval, Request to Fulfill et Detect to Correct livrent et exploitent. L’IA a comprimé un segment ; les trois autres tournent au rythme de 2019.

D’ailleurs, le Do Tank CAST × Cigref le formule sans détour : le SDLC actuel, bâti sur des sprints et des validations manuelles, est devenu le principal frein aux gains de productivité.

La cause n’est pas l’outil, c’est la dispersion

Regardez ce qui tourne aujourd’hui dans une DSI de grand compte. D’abord, des copilotes de code déployés équipe par équipe, chacune avec ses conventions. Ensuite, des LLM conversationnels côté produit et architecture, hors de tout référentiel. Puis des POC IA lancés par direction métier, jamais raccordés à une chaîne de livraison. Enfin, un comité IA qui produit une charte que rien n’exécute.

Quatre initiatives rationnelles prises isolément. Aucune ne traverse pourtant la chaîne. Le constat n’est plus marginal : Scaled Agile a publié en juin 2026 AI-Native SAFe en posant deux diagnostics explicites — le goulot d’étranglement s’est déplacé, et les organisations doivent sortir de pilotes IA fragmentés pour rejoindre un modèle opérationnel cohérent. Gartner dit la même chose autrement : en 2026, l’adoption de l’IA est façonnée par la maturité des processus organisationnels, pas par le seul niveau d’investissement.

Le schisme entre ceux qui produisent et ceux qui cadrent

J’ai travaillé en mission avec Claude Code, Gemini CLI et Antigravity, l’IDE agentique lancé par Google fin 2025. Ces outils planifient, écrivent, testent et vérifient : ils exécutent ainsi des tâches complètes. Pendant ce temps, les équipes en amont — architecture, product management, exigences — travaillent dans des interfaces conversationnelles génériques, sans accès aux règles que les agents appliqueront.

Deux populations, deux environnements, deux jeux de règles. Par conséquent, les règles d’architecture, de conception et de test restent écrites en prose, dans des documents que l’agent producteur ne lit jamais.

C’est là que se joue la partie. Une règle qu’aucune machine n’applique n’existe pas au moment où le code s’écrit. Elle tient tant qu’un humain y pense. Le jour où personne n’y pense, elle a disparu. Ajouter des copilotes sur une chaîne dont les règles ne sont pas exécutables ne produit donc pas de la vitesse. Cela produit du volume à vérifier, plus tard, par des humains qui n’ont pas accéléré.

Le cadre d’action : quatre principes, pas quatre outils

La réponse n’est pas un outil de plus, mais un SDLC agentique de bout en bout : un même atelier, un même contexte, les mêmes règles, de la demande jusqu’à la mise en production. Ainsi, quatre principes suffisent à tester où vous en êtes.

1. Un seul atelier. Le demandeur, l’architecte, le PM, le PO et le développeur travaillent-ils dans le même environnement, avec le même contexte partagé ? Ou chacun dans le sien ?
2. Des règles exécutables. Vos règles d’architecture et de sécurité s’appliquent-elles au moment de l’acte ? Ou sont-elles rappelées en revue, quand le travail est déjà fait ?
3. Un point de contrôle qui produit. Chaque étape se termine-t-elle par un artefact versionné, un décideur nommé et une mesure ? Ou par une réunion et un changement de statut ?
4. Une leçon payée une fois. Un incident traité sur un projet devient-il une règle appliquée automatiquement sur les suivants ? Ou une leçon que chaque équipe réapprend à ses frais ?

Si trois réponses sur quatre pointent vers la seconde option, alors vos gains continueront de s’évaporer entre les étapes.

Ce que ça change pour votre modèle opérationnel

Le SDLC agentique n’est pas un sujet d’outillage. C’est la traduction opérationnelle d’un Product Operating Model taillé pour l’IA. Il engage en effet la façon dont la demande est qualifiée, dont les règles d’architecture d’entreprise deviennent opposables, et dont la valeur livrée est mesurée. Le Cigref le dit d’ailleurs lui-même : cette transformation dépasse la DSI et engage le modèle opérationnel de l’entreprise.

Une question pour commencer : dans votre organisation, combien d’initiatives IA traversent aujourd’hui la chaîne complète, de la demande à la production ?

---

Sources : Do Tank CAST × Cigref, « Rupture structurelle dans l’ingénierie logicielle », février-mars 2026 · DORA / Google Cloud, « The ROI of AI-Assisted Software Development » (2026.1), avril 2026 · Scaled Agile, AI-Native SAFe, juin 2026 · The Open Group, référentiel IT4IT · Gartner, prévisions de dépenses IA 2026.