Le boom du codage agentique de 2025 fait référence à une augmentation rapide de l'adoption et du développement d'agents de codage autonomes basés sur l'IA, tels que Devin et Claude Code. Ces agents, construits sur des grands modèles de langage, peuvent planifier, écrire, déboguer et exécuter du code sur plusieurs étapes avec une intervention humaine minimale, marquant un changement par rapport aux assistants IA antérieurs, de type outil, qui ne suggéraient que des extraits de code. Le boom a été alimenté par les avancées dans le raisonnement des modèles, la publication de protocoles standardisés comme le Model Context Protocol (MCP) d'Anthropic fin 2024, et l'investissement croissant du capital-risque dans les outils de développement logiciel basés sur l'IA.
Contrairement aux chatbots traditionnels qui répondent à des invites, les agents de codage agentiques opèrent avec un comportement orienté vers un objectif, utilisant des outils externes tels que des interfaces en ligne de commande, des navigateurs Web et des référentiels de code. Ils peuvent modifier des fichiers, exécuter des tests et itérer sur des solutions, souvent avec un utilisateur fournissant uniquement des instructions de haut niveau. D'ici mi-2025, ces agents étaient intégrés dans les principaux environnements de développement, y compris ceux d'OpenAI, d'Anthropic et de startups comme Cursor, et étaient de plus en plus utilisés dans des tâches d'ingénierie logicielle en production.
Contexte historique
Le concept d'agents IA a des racines dans la cybernétique et la recherche en intelligence artificielle du milieu du XXe siècle. L'article de 1958 d'Oliver Selfridge, « Pandemonium: A Paradigm for Learning », proposait une architecture orientée agent. Des implémentations pratiques d'agents ont émergé dans les années 1990 avec le modèle logiciel croyance-désir-intention (BDI) et la programmation orientée agent. Les premiers agents utilisaient une logique simple de type « si-alors » qui s'est développée en de grands arbres de décision. Au début des années 2010, des produits de consommation comme Siri et Alexa étaient parfois appelés agents IA, mais ils manquaient de raisonnement à usage général.
L'étude académique des agents basés sur les grands modèles de langage a commencé vers 2018. Le déploiement s'est accéléré fin 2023 après qu'OpenAI a introduit son API d'appel de fonctions, permettant aux modèles d'invoquer des outils externes. L'introduction par Anthropic du Model Context Protocol fin 2024 a standardisé la façon dont les agents acquièrent une conscience contextuelle et agissent sur le monde, permettant une interopérabilité plus large. Le terme « agentique » a gagné en popularité en 2024, en partie grâce au plaidoyer du chercheur Andrew Ng.
Acteurs clés et technologies
Les principaux laboratoires d'IA ont mené le boom. OpenAI a publié des agents de codage comme Codex et plus tard Operator pour les tâches de navigateur. Claude Code d'Anthropic, lancé début 2025, est devenu un agent en ligne de commande largement utilisé. Google DeepMind et d'autres entreprises ont également introduit des agents de codage. Des startups comme Cognition (créateur de Devin), Cursor et Replit ont levé des fonds substantiels. Les modèles sous-jacents, y compris GPT-4, Claude 3.5 et Gemini, se sont améliorés dans la génération de code et la planification en plusieurs étapes, rendant les flux de travail agentiques réalisables.
Les fournisseurs d'infrastructure se sont adaptés au boom. AWS, Microsoft Azure et Google Cloud ont offert des services spécialisés de calcul et d'orchestration d'agents. TSMC et Nvidia (bien que non inclus dans la liste fournie, Nvidia est un acteur clé) ont fourni du matériel optimisé pour l'inférence des grands modèles de langage. Les modèles open source de Meta et d'autres ont également permis le déploiement local d'agents de codage.
Comment fonctionne le codage agentique
Les agents de codage agentiques utilisent une architecture cognitive qui comprend un modèle de fondation, des opérations de données, des cadres d'agents, une infrastructure de déploiement, une évaluation, une sécurité et une interface d'écosystème. Le harnais d'agent, une couche logicielle entourant le grand modèle de langage, gère les invites, le contexte, l'utilisation d'outils, la mémoire, l'état d'exécution, les sandbox et les permissions. Il connecte le modèle à des ressources internes et externes telles que des systèmes de fichiers, des bases de données, des navigateurs Web et des API.
Les modèles d'orchestration régissent la façon dont les agents exécutent les tâches. Les modèles courants incluent le chaînage d'invites, où la sortie d'une étape alimente la suivante; le routage, qui dirige les entrées vers des outils spécialisés; la parallélisation, pour les tâches simultanées; le traitement séquentiel, pour des pipelines fixes; et le planificateur-critique, où un agent propose et un autre évalue. Ces modèles permettent aux agents de gérer des projets de codage complexes et multi-étapes.
Impact sur le développement logiciel
Le boom a transformé les flux de travail des développeurs. D'ici mi-2025, des enquêtes indiquaient qu'un pourcentage significatif de développeurs professionnels utilisaient quotidiennement des agents de codage IA, certains rapportant que les agents écrivaient jusqu'à 40 % du nouveau code dans leurs organisations. Ce changement a réduit le temps consacré aux tâches de routine, aux tests automatisés et à la correction de bogues, mais a également soulevé des préoccupations concernant la qualité du code, les vulnérabilités de sécurité et le déplacement d'emplois. Des entreprises comme Apple, Samsung Electronics et Intel ont commencé à intégrer des outils agentiques dans leurs processus de développement internes.
Les startups et les entreprises ont adopté les agents pour des tâches telles que la refactorisation de code hérité, la génération de tests unitaires et la gestion des dépendances. Les outils OpenAI Deep Research et Anthropic ont étendu les capacités agentiques à la recherche et à l'analyse, mais le codage est resté l'application la plus mature.
Défis et limites
Malgré le boom, les agents de codage agentiques ont rencontré des limitations. Ils produisaient parfois du code incorrect ou non sécurisé, en particulier dans des bases de code inconnues. Ils nécessitaient un sandboxing minutieux pour empêcher des actions non intentionnelles, comme la suppression de fichiers ou l'exécution d'appels réseau non autorisés. Le Financial Times a comparé l'autonomie des agents aux niveaux de conduite autonome de la SAE, notant que la plupart des agents de codage fonctionnaient aux niveaux 2 ou 3, avec le niveau 4 dans des contextes étroits et le niveau 5 théorique.
La sécurité et la conformité sont devenues critiques. Les agents avaient besoin de systèmes de permissions robustes, de pistes d'audit et de scans de vulnérabilités. Le Bhabha Atomic Research Centre et d'autres institutions ont exploré le déploiement sécurisé d'agents. En avril 2025, l'Associated Press a rapporté peu d'applications réelles au-delà du codage, mais le domaine a évolué rapidement.
Écosystème plus large et applications
Au-delà du codage, l'IA agentique s'est étendue à d'autres domaines. The Information a identifié sept archétypes : agents de tâches commerciales, agents conversationnels, agents de recherche, agents d'analyse, agents développeurs de logiciels, agents spécifiques à un domaine et agents de navigateur Web. D'ici mi-2025, les agents étaient utilisés dans le développement de jeux vidéo, les jeux d'argent, les portefeuilles de cryptomonnaies et les médias sociaux. Des entreprises comme Waymo et Tesla ont appliqué des principes agentiques à la conduite autonome, bien qu'avec des contraintes différentes.
Les institutions de recherche, y compris MIT CSAIL, Stanford AI Lab et BAIR (Berkeley AI Research), ont étudié les architectures et la sécurité des agents. Le University of Toronto et la Carnegie Mellon University ont contribué à des travaux fondamentaux sur les transformers et les réseaux neuronaux. Le boom a également stimulé l'investissement dans AI21 Labs, Inflection AI et d'autres startups.
Perspectives d'avenir
Fin 2025, le boom du codage agentique montrait des signes de maturation. Les analystes prévoyaient que les agents deviendraient plus fiables, avec de meilleurs modèles du monde et des environnements d'apprentissage par renforcement pour la formation, comme observé dans Minecraft et des environnements de sites Web répliqués. L'intégration de modèles vision-langage et d'agents multimodaux, tels que ceux de Microsoft et Nvidia, promettait d'étendre les agents de codage à des tâches visuelles et robotiques.
Cependant, des défis subsistaient en matière d'évaluation, d'observabilité et de sécurité. L'Open Panel et d'autres initiatives cherchaient à standardiser les benchmarks d'agents. L'impact à long terme sur les emplois en ingénierie logicielle était incertain, mais le boom avait déjà remodelé l'industrie, faisant du codage autonome une partie centrale du paysage de l'IA.