- Le développement logiciel interne entre désormais dans une ère où même des non-spécialistes peuvent créer des applications complètes en langage naturel grâce à l’IA générative
- Les anciens outils de low-code/no-code n’ont pas réussi à éliminer la dépendance aux ingénieurs en raison de limites d’intégration, de sécurité et de scalabilité
- Mais des constructeurs d’apps basés sur l’IA comme Replit, Lovable ou Vercel v0 permettent désormais un prototypage rapide et la mise en œuvre de workflows pilotés par les utilisateurs
- Comme le montrent les cas de Sears, Zillow et Intuit, des équipes non techniques développent déjà elles-mêmes des dizaines d’applications internes utilisées en conditions réelles
- Reste que la sécurité, la gouvernance et l’intégration demeurent des enjeux clés, tandis qu’un nouveau paradigme se dessine, où le prototype mène directement au système de production
L’histoire des outils internes
- Depuis longtemps, les entreprises ont besoin de logiciels internes tels que des tableaux de bord, workflows et bases de données
- Il y a eu des tentatives avec Lotus Notes, les macros Excel ou Access, mais elles ont buté sur des problèmes de maintenance et de scalabilité
- Dans les années 2010, avec l’essor du cloud et du SaaS, la fragmentation des données s’est aggravée, et les outils internes ont commencé à être perçus comme une infrastructure essentielle
- Facebook a réussi en investissant dans des tableaux de bord internes et des outils pour développeurs, mais la plupart des entreprises n’avaient pas les capacités nécessaires pour les construire elles-mêmes
- C’est dans ce contexte qu’ont émergé des plateformes de première génération comme Retool et Zapier, sans pour autant faire disparaître les limites existantes
Les limites du low-code/no-code
- Absence de vrai self-service : les automatisations simples sont possibles, mais une logique complexe exige encore des scripts
- Problèmes d’intégration et de sécurité : dans les grandes entreprises, manque de RBAC, de journaux d’audit et de certifications de sécurité
- Contraintes de scalabilité : limites sur les gros volumes de données, les interfaces hautes performances et l’accès aux API
- Frictions organisationnelles : documentation insuffisante, absence de gestion des permissions, risque de shadow IT
IA générative et text-to-apps
- Depuis 2023, une nouvelle génération d’outils capables de générer des applications en langage naturel a fait son apparition
- Lovable, Replit, Vercel v0, Figma Make, Bolt et d’autres automatisent désormais le design de l’UI, la logique, la base de données et le déploiement
- Avantages :
- Le temps de prototypage passe de plusieurs semaines à quelques heures
- Même des non-ingénieurs peuvent créer de véritables applications métier
- Les premiers cas d’usage couvrent des besoins business réels : tableaux de bord, gestion de tickets, automatisations basées sur API, etc.
Cas concrets
- Sears Home Services : plus de 50 applications internes créées par des non-spécialistes (système de tickets, alertes SMS, tableau de bord pour les commandes de pièces, etc.)
- Zillow : l’équipe stratégie a créé un tableau de bord commercial basé sur Three.js, utilisé pour la prise de décision de la direction
- Oscar Health : des ingénieurs ont créé avec des outils d’IA un outil de génération d’avatars de prestataires
- Ostro : mise en place d’outils pour classifier les logs du support client et organiser les pipelines de données
- Intuit : des product managers ont créé avec Replit des simulations réelles de campagnes et de tableaux de bord
Limites actuelles
- Les non-spécialistes ont du mal à corriger les erreurs, et les limites du re-prompting subsistent
- Lors de l’intégration avec des systèmes internes, les revues de sécurité, la complexité de l’authentification et le manque de connecteurs ralentissent les projets
- Le code généré nécessite malgré tout de la maintenance
- Gouvernance insuffisante : manque de contrôle d’accès, d’audit et de gestion de versions
- La plupart des usages restent encore centrés sur le prototype ; pour des systèmes de niveau production, des ingénieurs restent nécessaires
- Limites de qualité des prompts : des erreurs surviennent lorsqu’il faut gérer des designs ou des logiques non standard
Différence de priorités entre outils internes et prototypes
- Pour créer des outils internes, les priorités sont : sécurité, contrôle d’accès, intégration et gouvernance
- Pour créer des prototypes, on privilégie davantage : UI/design, flexibilité et itérations rapides
Perspectives
- Les outils d’IA générative ne remplacent pas encore les ingénieurs, mais ils transforment déjà la manière de concevoir, tester et partager les logiciels internes
- Axes d’évolution :
- Une transition fluide du prototype vers l’outil de production
- La capacité pour les équipes de terrain de créer immédiatement leurs propres applications
- La création directe de systèmes internes sur mesure optimisés pour les workflows de chaque équipe
- Certaines entreprises recrutent déjà des internal deployment engineers (IDE) pour accélérer cette transformation à l’échelle de l’organisation
Conclusion
- Si la première génération de no-code promettait surtout l’accessibilité, les outils basés sur l’IA apportent désormais vitesse et scalabilité
- Les outils internes, longtemps cantonnés au prototype, pourraient bientôt évoluer pour devenir une infrastructure clé des environnements de production
1 commentaires
À cause des enjeux de contrôle interne ou d’audit, cela aussi ne semble pas très facile à exploiter pour des non-développeurs. Comme il devient clair que les LLM actuels ne peuvent pas devenir une AGI et qu’ils ont aussi des limites en programmation, on a l’impression qu’il y a de plus en plus de déclarations du genre « non, mais ça, vraiment, ça marche ».