Un assistant de codage IA est un outil de développement qui utilise un modèle de langage de grande taille pour aider à écrire, compléter, expliquer, déboguer ou refactoriser du code source, généralement intégré à un éditeur de code, un IDE ou une interface en ligne de commande. Les premières versions offraient une autocomplétion ligne par ligne ; au milieu des années 2020, la catégorie s'est élargie pour inclure des outils agentiques capables de lire l'ensemble d'un codebase, de planifier des modifications multi-fichiers, d'exécuter des tests et d'itérer avec une supervision limitée, une capacité rendue possible par l'utilisation d'outils.
Historique
La catégorie remonte à l'autocomplétion statistique et basée sur des règles dans les anciens IDE, mais l'ère moderne a commencé avec GitHub Copilot, annoncé par GitHub et OpenAI en juin 2021 et construit sur un descendant de GPT-3 spécialisé dans le code. La sortie publique de Copilot en 2022 a popularisé les suggestions fantômes en ligne, entraînées sur des dépôts de code publics, et son modèle sous-jacent Codex a été évalué sur le benchmark HumanEval introduit par OpenAI en parallèle. Les concurrents ont rapidement suivi, notamment CodeWhisperer d'Amazon, Tabnine et Ghostwriter de Replit. Une deuxième vague a déplacé l'accent de l'autocomplétion vers des éditeurs agentiques complets et des outils en ligne de commande : Cursor (2023), un éditeur dérivé de VS Code avec un chat conscient du codebase et une édition multi-fichiers, et Claude Code d'Anthropic (2025), un agent en ligne de commande avec un accès direct au système de fichiers et au shell. D'ici 2025, des benchmarks tels que SWE-bench étaient devenus un moyen standard de mesurer la capacité de ces agents à résoudre seuls des problèmes GitHub réels.
Fonctionnement
La plupart des assistants combinent un modèle spécialisé dans le code avec un contexte d'éditeur : le fichier ouvert, la position du curseur, les fichiers associés, et parfois un dépôt entier indexé pour la récupération. Les variantes agentiques ajoutent l'utilisation d'outils, permettant au modèle de lire des fichiers, d'exécuter un linter ou une suite de tests, de lancer des commandes shell ou de consulter de la documentation, puis d'utiliser les résultats pour réviser son étape suivante, une boucle qui applique la génération augmentée par récupération et le raisonnement étape par étape à un environnement de développement en direct. Certains produits exposent cela via le protocole de contexte de modèle, permettant à un assistant de se connecter à des outils externes et à des sources de données via une interface standardisée.
Impact et critiques
Des études sur les utilisateurs de Copilot, y compris des recherches internes de GitHub et des suivis académiques, ont rapporté des gains de productivité sur les tâches routinières, certaines études randomisées trouvant que les développeurs accomplissaient des tâches plus de 50 % plus rapidement, bien que les effets varient considérablement selon le type de tâche et le niveau d'expérience. Les critiques ont soulevé des préoccupations concernant la qualité du code et la sécurité, car les modèles peuvent reproduire des schémas non sécurisés appris à partir des données d'entraînement ; concernant la propriété intellectuelle, car les suggestions ont parfois reproduit de près du code sous licence, alimentant des litiges plus larges sur le droit d'auteur de l'IA ; et concernant l'atrophie des compétences, la crainte que la dépendance au code généré affaiblisse la capacité des programmeurs à déboguer et à concevoir de manière indépendante. Les partisans rétorquent que les assistants libèrent les développeurs du code répétitif et leur permettent de se concentrer sur l'architecture et la revue. D'ici 2025, le débat s'était étendu à la pratique plus radicale du vibe coding, où un utilisateur dirige un assistant presque entièrement en langage naturel avec peu de revue manuelle du code.