Beaucoup de dirigeants de PME font le même calcul : puisque l'IA écrit du code, une petite équipe de développeurs juniors équipés d'un bon agent devrait produire autant qu'une équipe chevronnée, pour moins cher. Les rapports publiés depuis le début 2026 racontent l'inverse. Plus une organisation adopte l'IA de code, plus l'écart de performance entre ses seniors et ses juniors se creuse.
Un écart qui se mesure
Opsera a publié en février 2026 son rapport AI Coding Impact 2026 Benchmark Report, construit à partir des données de plus de 250 000 développeurs répartis dans plus de 60 grandes organisations 1. Le rapport avance un chiffre marquant : les ingénieurs seniors captent près de cinq fois les gains de productivité des juniors. Les auteurs parlent d'un écart d'exécution qui se creuse au sein des équipes équipées d'IA.
Le même rapport rappelle que la vitesse brute ne dit pas tout. L'IA réduit le délai jusqu'à la pull request de 58 % au maximum, mais les pull requests générées par IA attendent 4,6 fois plus longtemps en revue et introduisent 15 à 18 % de vulnérabilités de sécurité en plus 2. Le temps gagné à la production se déplace donc vers la relecture, un phénomène que nous avons déjà documenté et que le rapport DORA 2026 nomme la « taxe de vérification ».
Pourquoi les seniors gagnent plus
Le mécanisme tient au jugement. Un développeur expérimenté sait quand une suggestion de l'agent est plausible mais fausse, quand elle ignore une contrainte du système, quand elle mérite d'être réécrite. Il pilote l'IA au lieu de la subir. Un profil junior, lui, a tendance à accepter ce que l'agent propose, faute de repères pour le contredire.
Une étude d'Anthropic publiée le 29 janvier 2026 documente ce mécanisme sur le terrain de l'apprentissage 3. Dans un essai contrôlé randomisé mené avec 52 ingénieurs qui apprenaient une bibliothèque Python nouvelle pour eux, le groupe utilisant l'IA a obtenu des scores 17 % inférieurs à ceux qui codaient à la main lors des tests de suivi, soit près de deux crans de notation. Le gain de vitesse, lui, n'atteignait pas le seuil de significativité statistique. Le groupe IA n'a pas fini nettement plus vite, alors qu'il a nettement moins compris.
L'écart le plus large portait sur le débogage, c'est-à-dire la capacité à reconnaître qu'un code est faux et à comprendre pourquoi. C'est précisément la compétence dont on a besoin pour superviser un agent. La façon d'utiliser l'IA compte aussi : les développeurs qui interrogeaient l'outil sur des questions conceptuelles obtenaient 65 % ou plus, ceux qui lui déléguaient la génération de code tombaient sous 40 % 4.
Ce que ça change pour une équipe de PME ou d'ETI
La première conséquence est directe. Remplacer les seniors par « des juniors plus un agent » revient à supprimer la couche qui rend l'agent utile. Le facteur limitant d'une équipe qui code avec l'IA n'est pas la vitesse de production, c'est la capacité de relecture qualifiée. Sans seniors, les pull requests s'empilent en file d'attente ou passent en production sans contrôle sérieux.
La deuxième conséquence concerne la manière dont vos juniors utilisent l'agent, qui mérite un cadrage explicite. Encourager les questions conceptuelles, sur le pourquoi d'une approche ou sur ses risques, construit la compétence. La délégation aveugle de la génération de code la freine. Ce cadrage n'a rien d'anecdotique : dans l'étude Anthropic, il sépare un score de 65 % d'un score inférieur à 40 %.
La troisième conséquence est plus encourageante. L'IA reste un très bon tuteur quand elle sert à apprendre plutôt qu'à livrer. Un junior qui s'appuie sur l'agent pour explorer une base de code inconnue ou une technologie qu'il ne maîtrise pas progresse vite. La difficulté apparaît le jour où la production remplace l'apprentissage.
Notre lecture
Dans notre pratique de studio, la donnée d'Opsera correspond à ce que nous observons chez nos clients. L'IA de code amplifie le niveau existant au lieu de le niveler. Un senior devient plus rapide sans perdre en fiabilité. Un junior produit davantage, mais sa production demande plus de relecture, et son apprentissage peut stagner s'il délègue tout à l'agent.
Pour une PME ou une ETI, la conclusion ne consiste ni à renoncer à l'IA ni à écarter les juniors. Elle consiste à garder au moins un profil senior capable de tenir la revue, et à traiter l'IA de vos juniors comme un outil de formation encadré plutôt que comme un substitut de compétence. Le retour sur investissement d'un agent de code dépend moins de l'outil que du niveau de la personne qui le pilote.
Sources
- Opsera, AI Coding Impact 2026 Benchmark Report : https://opsera.ai/resources/report/ai-coding-impact-2026-benchmark-report/
- Anthropic, How AI assistance impacts the formation of coding skills : https://www.anthropic.com/research/AI-assistance-coding-skills
- DORA, Balancing AI tensions : moving from AI adoption to effective SDLC use : https://dora.dev/insights/balancing-ai-tensions/
Footnotes
-
Opsera, AI Coding Impact 2026 Benchmark Report (février 2026), analyse de plus de 250 000 développeurs dans plus de 60 organisations. Le rapport situe à près de cinq fois l'écart entre les gains des seniors et ceux des juniors. ↩
-
Même rapport Opsera : réduction du délai jusqu'à la pull request de 58 % au maximum, pull requests générées par IA 4,6 fois plus longtemps en revue, et 15 à 18 % de vulnérabilités supplémentaires. ↩
-
Anthropic, How AI assistance impacts the formation of coding skills (29 janvier 2026), essai contrôlé randomisé sur 52 ingénieurs, scores de suivi 17 % plus bas pour le groupe assisté par IA. ↩
-
Même étude Anthropic : les questions conceptuelles étaient associées à des scores de 65 % ou plus, la délégation de la génération de code à des scores inférieurs à 40 %. ↩