L’AI-DLC : le cycle de développement piloté par l’IA

Le terme a été inventé par Raja SP d’AWS en 2025 et décrit dans son livre blanc intitulé « AI-Driven Development Cycle (AI-DLC) Method Definition »[x]. Cette méthodologie est présentée comme une collaboration entre machines et humains, par opposition aux méthodes précédentes telles qu’Agile et Scrum, qui étaient fondamentalement centrées sur l’humain. L’auteur compare cette évolution au remplacement des calèches tirées par des chevaux par l’automobile. Mais alors que le simple fait d’ajouter l’IA à l’Agile permet d’obtenir un « cheval plus rapide », pour reprendre une métaphore souvent attribuée à tort à Henry Ford, l’AI-DLC représente une évolution plus fondamentale.

Alors que les outils d’IA ont été intégrés au SDLC ces dernières années, l’AI-DLC marque une étape supplémentaire dans l’intégration de l’IA. En bref, l’IA n’est pas reléguée au rang de simple outil de génération de code. Elle ne constitue pas seulement une partie du développement, mais occupe désormais une place centrale. La collaboration entre l’IA et les humains est continue, et les ingénieurs humains endossent davantage un rôle de supervision.

Ce concept se distingue également du terme « cycle de vie de l’IA », qui décrit la manière dont les modèles d’IA sont eux-mêmes élaborés, plutôt que la façon dont ils sont utilisés pour faciliter le développement logiciel.

L’article de Raja SP définit dix principes qui constituent le fondement de l’AI-DLC.

L’IA ne doit pas se contenter d’être greffée sur les méthodologies existantes de développement logiciel. Bien plus qu’un simple outil de productivité, elle est un acteur central. Cette approche pose la question suivante : À quoi ressemblerait le SDLC si l’IA avait toujours existé ? Il en résulte un SDLC à la fois centré sur l’IA et natif de l’IA.

Le développement assisté par l’IA consiste traditionnellement à ce que les développeurs demandent en permanence à l’IA générative d’effectuer des tâches individuelles. Dans le nouveau paradigme, au lieu qu’un développeur demande de l’aide à l’IA et attende que celle-ci exécute la tâche, le développeur décrit son intention, et l’IA utilise ses capacités agentiques pour créer un plan, poser des questions, exécuter, valider et assurer la maintenance, tout en sollicitant de manière proactive l’approbation de son partenaire humain.

Les méthodologies précédentes laissaient aux équipes de développement le choix de leurs propres techniques de conception. L’AI-DLC centralise la conception et intègre les disciplines d’ingénierie au cœur même de la méthodologie. Des pratiques telles que la conception orientée domaine (DDD), le développement piloté par le comportement (BDD) et le développement piloté par les tests (TDD) font désormais partie intégrante du workflow. Cela permet de normaliser la qualité de l’ingénierie.

L’IA ne peut pas être autonome à 100 %. Le document encourage la validation et la supervision des décisions de l’IA par un intervenant humain, afin que l’IA bénéficie du jugement humain.

Dans le domaine des logiciels d’entreprise, la complexité ne se limite pas à la simple écriture de code. Les grands systèmes sont constitués de multiples services et architectures, de différents types d’utilisateurs et de parties prenantes, et comportent inévitablement des années de dette technique complexe. L’un des atouts de l’AI-DLC réside dans le fait qu’il préserve l’ensemble de ce contexte tout au long du projet, permettant ainsi aux développeurs de bénéficier en permanence de cette compréhension holistique unique.

L’AI-DLC révolutionne le développement logiciel, tout en conservant la participation humaine là où elle est nécessaire. Une culture de retour d’information continu est maintenue tout au long des projets afin de garantir que le développement reste en adéquation avec les objectifs de l’entreprise. Ces points de contact sont automatisés et documentés, ce qui permet aux humains de se concentrer sur la recherche des meilleures décisions.

L’auteur reconnaît que les entreprises ne peuvent pas adopter une nouvelle méthodologie du jour au lendemain. Le processus est progressif et s’intègre aux concepts existants et aux workflows qui leur sont déjà familiers, de sorte que son adoption perturbe le moins possible leurs activités.

L’IA étant capable d’effectuer des tâches et de maintenir le contexte entre les différentes disciplines, les missions qui nécessitaient auparavant des équipes de spécialistes distinctes peuvent désormais être menées à bien par des équipes plus intégrées, dotées d’une compréhension plus globale. Il en résulte une réduction de la fréquence des transferts de tâches.

Le SDLC traditionnel divise le travail en phases distinctes telles que la planification, la conception, la mise en œuvre, les tests et le déploiement. À la fin de chaque phase, les informations sont transmises à la suivante. L’AI-DLC estompe ces frontières en traitant ces phases comme un flux continu où les tâches s’exécutent simultanément et de manière non linéaire. Il en résulte des boucles de rétroaction plus courtes et une progression plus rapide.

L’AI-DLC n’impose pas de workflow rigide pour chaque projet : il est adaptatif. Les projets ne sont pas forcés de suivre un processus prédéfini. Dans chaque scénario, l’IA analyse les objectifs et les contraintes, puis génère un workflow sur mesure qui convient le mieux à ce projet particulier.

Ce cadre pose la question suivante : Et si le développement logiciel n’était pas conçu autour des limites humaines ? Les méthodologies antérieures, telles que Waterfall et Agile, ont été conçues pour aider les équipes humaines à coordonner leurs efforts. L’IA bouleverse fondamentalement ce postulat de base.

En s’appuyant sur une méthodologie de développement piloté par les spécifications (SDD), l’AI-DLC met l’accent sur les intentions plutôt que sur des processus rigides, et permet à l’IA de déterminer comment créer ce qui répond le mieux à ces spécifications. De ces intentions découlent des unités, c’est-à-dire des ensembles de tâches qui représentent le cheminement de l’IA vers la réalisation de l’intention. Un « bolt » est une itération au cours de laquelle les unités de travail sont exécutées.

Le travail progresse à travers plusieurs phases. La phase de lancement identifie les intentions et les traduit en unités au moyen de l’élaboration collective, un rituel de planification logicielle collaboratif au cours duquel une équipe interfonctionnelle et un système d’IA travaillent ensemble pour traduire des idées métier générales en récits utilisateur.

C’est ici que commence l’analyse des exigences. Les exigences non fonctionnelles (NFR) définissent les attributs essentiels, les garde-fous et les contraintes. Des évaluations des risques sont également menées à ce stade, mais tant les risques que les exigences sont vérifiés et réévalués en continu tout au long du cycle de vie.

Les fichiers de pilotage sont des documents au format Markdown stockés dans un référentiel qui définissent les règles, les contraintes, les normes architecturales et les workflows que les agents doivent respecter. Ils sont créés au cours de la phase de conception, mais interviennent dans les trois phases de l’AI-DLC. Ils constituent une source de référence permanente pour les agents d’IA tout au long du projet.

La phase d’écriture est celle où l’exécution a lieu. Au cours de l’écriture collective, l’équipe humaine et l’IA rédigent, testent et déploient le code ensemble.

Au cours de la phase finale d’exploitation, l’IA utilise les exigences métier issues de la phase de conception et les décisions techniques issues de la phase d’écriture pour gérer le déploiement, automatiser l’infrastructure et surveiller le système en production.

À chaque phase du SDLC, l’IA joue un rôle central.

Dans un SDLC traditionnel, ce sont les humains qui traduisent manuellement les objectifs métier en plans de projet. Les entreprises ont testé des workflows dans lesquels des assistants d’IA sont chargés de traduire les objectifs généraux en plans concrets. Dans l’AI-DLC, les agents d’IA posent des questions de clarification, identifient les ambiguïtés, formulent des suggestions et soulignent les opportunités potentiellement manquées. Ces éléments sont ensuite convertis en récits et en feuilles de route de projet. L’IA agentique conserve ce contexte tout au long du projet.

Dans l’AI-DLC, l’IA ne se contente pas de résumer les réunions. Elle analyse les e-mails, les tickets d’assistance, les transcriptions et la documentation afin d’identifier les conflits et les lacunes avant même que le développement ne commence. Si, lors d’une réunion, quelqu’un évoque un événement phare qui entre en conflit avec le calendrier du projet tel qu’il a été défini lors d’une autre réunion, l’agent peut signaler cette divergence potentielle et proposer une solution. Cela permet d’avoir une vision globale du projet du début à la fin, chose difficile à faire pour un individu ou une équipe seule.

L’intelligence artificielle transforme la conception logicielle en une collaboration itérative. Elle peut proposer des architectures d’application, des schémas de base de données, des API, des configurations d’infrastructure et des conceptions d’interface utilisateur, tout en expliquant les compromis entre les différentes approches. Elle peut rapidement générer des prototypes interactifs, comparer différentes conceptions et réviser la documentation architecturale au fur et à mesure que le projet évolue.

La tâche principale du génie logiciel, à savoir l’écriture de code, constitue le domaine le plus évident où l’IA s’avère utile dans le SDLC et où elle assume son rôle le plus autonome. Les agents d’IA comprennent le contexte du projet, les normes de codage et la logique métier, et peuvent développer de manière autonome en tenant compte de ces éléments. Les développeurs valident les décisions et peaufinent le code généré par l’IA.

Les tests sont remplacés par une phase de vérification plus large, puisque l’IA génère et exécute en continu des tests tout au long du développement, plutôt que d’attendre que celui-ci soit terminé. Elle analyse le code à la recherche de défauts, détecte les régressions et valide le respect des contraintes architecturales. Ce processus s’effectue en arrière-plan à chaque étape.

Au sein de l’AI-DLC, le déploiement est un autre processus optimisé en continu. Les agents préparent les plans de mise en production, valident les configurations d’infrastructure, génèrent la documentation, surveillent les déploiements en production et optimisent les pipelines CI/CD. L’IA contribue activement à garantir que les versions sont à la fois stables, sécurisées et alignées sur les objectifs opérationnels.

L’AI-DLC va au-delà de la maintenance logicielle traditionnelle en considérant les systèmes de production comme une source permanente de retours d’expérience. En préservant les connaissances tout au long du cycle de vie, l’IA permet à chaque version de tirer parti des enseignements tirés des cycles de développement précédents.

Le document encourage les entreprises à mettre en pratique les différents rituels et à intégrer l’AI-DLC dans leurs propres outils d’orchestration, dans le but de réduire au minimum la nécessité de refontes importantes.

Ce cadre est normalisé autour d’outils AWS tels que Kiro et Amazon Q Developer. Mais il peut également être utilisé avec des plateformes agentiques comme IBM Bob et Claude Code.

IBM Bob, par exemple, est un partenaire de développement agentique de bout en bout, structurellement optimisé pour l’AI-DLC. Les modes Ask et Plan permettent de transformer des intentions générales en une structure de conception initiale de l’application. Le mode Agent permet d’écrire, de modifier et de refactoriser du code, de corriger des bogues ou de créer de nouveaux fichiers. Les utilisateurs peuvent également personnaliser le comportement de Bob en créant des modes sur mesure avec des rôles spécialisés, des restrictions d’outils et des workflows d’équipe.