À l’ère de l’IA, comment faut-il faire la revue de code ?

• Un essai qui part de 15 ans d’expérience en tant que CTO et organise le débat sur la revue de code à l’ère de l’IA selon une synthèse thèse-antithèse-synthèse
• La revue de code a toujours été un problème — manque de temps, de personnes et de processus
• L’IA a fait exploser le volume de code produit, mais la capacité de revue est restée la même → le goulet d’étranglement s’est encore aggravé

Thèse — la revue humaine est indispensable

• Simon Willison : « Ne refilez pas à vos collaborateurs du code que vous n’avez pas vérifié »
• Kent Beck : à mesure que le coût de génération se rapproche de 0, la valeur se déplace de la génération vers la vérification
• Addy Osmani : « Le problème non résolu n’est pas la génération, mais la vérification »
• Même si l’IA devient excellente, la responsabilité reste humaine → il faut vérifier → il faut relire

Antithèse — la fin de l’ère de la revue humaine

• Bryan Finster : application du théorème de Nyquist-Shannon — si seule la fréquence de production augmente alors que la fréquence de feedback reste identique, on passe systématiquement à côté de choses
• Données SmartBear : au-delà de 400 lignes, le taux de détection des défauts chute fortement ; l’IA génère 600 lignes d’un coup
• StrongDM, « software factory » : les humains n’écrivent ni ne lisent le code. Ils ne font que définir l’intention et organiser les scénarios
• Stanford CodeX : « Si des agents produisent et testent, en quoi peut-on encore avoir confiance ? »
• Salesforce Prizm : le modèle de revue centré sur les diff lui-même ne fonctionne plus à l’ère de l’IA → reconstruction de l’intention

Synthèse — que faut-il réellement revoir ?

• latent.space : passer de la revue de code à la revue d’intention (Intent Review)
• La spec est la source de vérité, le code n’est qu’un artefact produit
• Construire la confiance en 5 couches (modèle du gruyère suisse)
• Pattern Qodo : contexte d’abord, gravité comme critère prioritaire, revue par agents experts
• Bryan Finster : les seuls blocages humains restants sont les lacunes de connaissance et le parcours réglementaire

En conclusion

• L’auteur ne relit plus directement le code produit par l’IA → il se repositionne en QA
• L’ingénieur AI-native doit assumer lui-même le rôle qu’avait le PM à l’époque précédente
• « Pouvez-vous assumer la responsabilité de votre code ? »