Qu’est-ce que l’ingénierie agentique ?

Avec le développement rapide de l’intelligence artificielle (IA) et des agents d’IA, l’utilisation de l’IA générative pour créer des logiciels est devenue une composante courante du workflow standard de développement logiciel. Selon l’enquête 2025 de Stack Overflow auprès des développeurs, 84 % des personnes interrogées utilisent ou prévoient d’utiliser la programmation assistée par l’IA dans leur processus de développement. ¹

Cette enquête montre toutefois que les développeurs sont plus nombreux à se méfier de l’exactitude des outils d’IA qu’à leur faire confiance : 46 % expriment leur scepticisme, contre 33 % qui se disent confiants dans les résultats obtenus.

Seule une faible proportion des personnes interrogées (3 %) déclare faire « entièrement confiance » aux résultats générés par l’IA. Les développeurs expérimentés se montrent particulièrement prudents : ils affichent le plus faible taux de confiance élevée, avec 2,6 %, et le plus fort taux de méfiance élevée, avec 20 %.¹ Cette tendance révèle une attente largement partagée : la supervision humaine demeure essentielle, notamment dans les fonctions impliquant d’importantes responsabilités.

Dans la pratique, les développeurs utilisent l’IA pour effectuer des tâches chronophages, mais présentant un risque relativement faible lorsqu’elles sont supervisées par une personne expérimentée. Il peut notamment s’agir de remanier du code, de générer du code standard et des tests, d’effectuer des examens de code simples, de rédiger de la documentation, de créer la structure initiale d’API et de réaliser d’autres tâches à faible risque.

En résumé, le vibe coding permet aux développeurs d’automatiser des tâches et de créer rapidement des prototypes au moyen de quelques prompts en langage naturel adressés à de grands modèles de langage (LLM) ou à des systèmes agentiques.

Le mot « vibe » confère au terme « vibe coding » une connotation décontractée et improvisée. Si cette formulation convenait bien à la première phase exploratoire de la programmation assistée par l’IA, elle cadre mal avec la méfiance que les développeurs manifestent aujourd’hui à l’égard des agents de codage fondés sur l’IA.

Sans disposer de l’expertise nécessaire pour utiliser les LLM à des fins d’ingénierie logicielle, le vibe coding peut produire ce que l’on appelle de l’« AI slop », c’est-à-dire du code inutile ou susceptible de casser le code existant. Ce code défectueux augmente souvent la dette technique des équipes d’ingénierie, qui doivent alors consacrer une grande partie de leur temps à le comprendre, à le déboguer et à le remanier.

Andrej Karpathy a présenté le terme « ingénierie agentique » sur X de la manière suivante :

• « Agentique » : une orchestration d’agents écrit le code, tandis que le développeur humain supervise et valide les résultats. À mesure que l’agent ou le système multi-agent exécute les différentes sous-tâches de manière itérative, un humain reste dans la boucle.
• « Ingénierie » : l’utilisation de workflows agentiques pour produire du code réellement exploitable sans en compromettre la qualité exige un certain niveau d’expertise. Cette compétence peut être acquise et améliorée.

L’ingénierie agentique permet de s’éloigner de la logique déterministe pour pénétrer dans le domaine plus nuancé du jugement probabiliste. Elle impose donc un changement fondamental dans la manière dont les entreprises envisagent leur activité et dont les équipes d’ingénierie travaillent.

Ce processus commence par la mise en place de cadres de gouvernance clairs, qui définissent dans quelles circonstances et de quelle manière les workflows agentiques doivent être utilisés, tout en veillant à ce que la supervision humaine reste au cœur du contrôle qualité. La formation des équipes d’ingénierie ne doit pas se limiter à la création de prompts, mais également porter sur la conception des systèmes. Il est essentiel d’apprendre à orchestrer des agents autonomes, à valider leurs résultats et à intégrer des boucles d’examen itératives aux pipelines CI/CD existants.

Les systèmes agentiques bien conçus décomposent les tâches en modules plus petits. Les agents peuvent ainsi générer en temps réel des composants autonomes qui s’intègrent proprement à la base de code existante sans augmenter la dette technique. De nombreuses entreprises adoptent également des architectures reposant sur la RAG. Les agents peuvent ainsi ancrer leurs résultats dans de véritables documents, spécifications et référentiels de code, ce qui réduit les hallucinations et améliore l’exactitude.

Les entreprises peuvent également élaborer des guides internes afin de normaliser les pratiques permettant d’utiliser les agents de manière sûre, notamment les exigences relatives à l’examen du code, les attentes en matière de tests et la configuration des garde-fous. La présentation aux ingénieurs d’exemples de systèmes d’IA agentiques déployés avec succès pour différents cas d’utilisation peut leur fournir un point de départ utile.

Enfin, la direction doit favoriser une culture encourageant l’expérimentation tout en maintenant la responsabilité de chacun : les systèmes agentiques doivent accélérer le développement, et non remplacer l’expertise en ingénierie logicielle. Les entreprises peuvent ainsi intégrer l’ingénierie agentique de manière à renforcer la productivité et à valoriser le travail des développeurs, sans compromettre la confiance ni la qualité du code.

À mesure que le paysage du développement logiciel assisté par l’IA continue d’évoluer, sa terminologie est également appelée à changer. Si l’expression « ingénierie agentique » fournit aujourd’hui une représentation plus mature et plus exacte de la collaboration entre les développeurs et les systèmes autonomes, les pratiques qu’elle désigne continueront à progresser à mesure que les agents d’IA gagneront en capacités. Dans les années à venir, les systèmes agentiques devraient être en mesure de prendre en charge des tâches de plus en plus complexes.

Parallèlement, le rôle des développeurs évoluera : au lieu de se contenter d’écrire du code, ils seront amenés à concevoir, superviser et façonner le comportement de ces systèmes d’IA. Que vous soyez ingénieur en IA, développeur full stack, data scientist ou que vous fassiez vos premiers pas dans le codage, certains principes fondamentaux demeureront indispensables : la supervision humaine, la compréhension de la conception des systèmes et la capacité à prendre des décisions exigeant un haut niveau de discernement.

Si vous ne savez pas vraiment par où commencer, commencez modestement. Explorez un workflow agentique, qu’il soit open source ou dédié aux entreprises, testez-le avec votre équipe et découvrez ce qu’il peut vous apporter.