Apple entraîne ses IA à coder seules : est-ce la fin du métier de développeur ?
Prédiction de bugs, automatisation des plans de test et même correction autonome du code : Apple forme ses IA pour qu’elles s’attaquent aux tâches les plus chronophages du métier du développeurs.
Apple Intelligence n’est que la partie visible de l’iceberg des efforts fournis par Apple dans le secteur de l’intelligence artificielle. En parallèle du développement de sa suite d’outils destinés au grand public, la firme travaille sur des IA à vocation technique, entraînées à comprendre et à corriger du code. Trois études récemment publiées par ses chercheurs détaillent cette autre facette, moins exposée médiatiquement.
La première concerne un modèle d’IA qui prédit les bugs avant qu’ils ne se produisent, baptisée Software Defect Prediction using Autoencoder Transformer Model. La seconde, Agentic RAG for Software Testing with Hybrid Vector-Graph and Multi-Agent Orchestration traite d’une une autre qui automatise les tests. Enfin, la troisième, Training Software Engineering Agents and Verifiers with SWE-Gym, présente un modèle d’IA qui apprend à réparer le code tout seul. Si l’on met de côté le débat simpliste sur la disparition annoncée des développeurs, prophétisée par de nombreux acteurs de la tech, n’assiste-t-on pas plutôt à une délégation des tâches les plus ingrates et chronophages inhérentes au développement logiciel ?
ADE-QVAET : le testeur prédictif de code
Contrairement à un LLM classique comme ChatGPT ou Gemini, ce modèle, baptisé ADE-QVAET, ne lit pas le code ligne par ligne. Il évalue les métriques structurelles de chaque projet (taille, complexité, organisation interne) afin d’identifier statistiquement où les erreurs ont le plus de chances d’apparaître. C’est comme si un médecin identifiait les zones à risques d’un corps humain, en analysant uniquement sa forme générale ou sa posture.
Sur le plan technique, ADE-QVAET est aidé par quatre modules d’apprentissage complémentaires. Le premier, Adaptive Differential Evolution, ajuste les paramètres internes du modèle pour qu’il explore les données de façon plus efficace et évite de se bloquer sur de mauvaises pistes. Le deuxième, Quantum Variational Autoencoder, examine la structure statistique des données pour en extraire les régularités les plus marquées. Le troisième module, appelé Transformer, aide l’IA à comprendre comment les différentes parties d’un code interagissent entre elles. Enfin, le quatrième, Adaptive Noise Reduction and Augmentation, épure les données d’entrée pour limiter les biais et assurer la régularité des prédictions.
Selon les chercheurs d’Apple, comme il est conçu, ADE-QVAET atteint 92,45 % de précision et son score F1 est de 98,12 % (mesure de la capacité du modèle à repérer les vrais bugs sans en inventer). Ce qui signifie que le modèle identifie correctement la quasi-totalité des vrais bugs, tout en se trompant rarement sur de faux positifs. Ce qui fait de lui un ingénieur qualité informatique (presque) parfait !
Les tests logiciels automatisés par IA
La deuxième étude présentée par Apple porte sur un autre pan du développement logiciel, perçu par de nombreux développeurs comme trop chronophage : la création et la maintenance des plans de test. Selon les chercheurs, ces tâches « occupent 30 à 40 % du temps des ingénieurs qualité ».
Un temps qui pourrait être occupé par des activités plus stimulantes intellectuellement ; pour y remédier, l’équipe de recherche a conçu une IA multi-agents (utilisant plusieurs LLMs) capable de générer et de gérer automatiquement les différents éléments du processus. Plans, scénarios, scripts et rapports de validation.
Le système garantit ainsi une traçabilité complète, en faisant le lien entre les spécifications de départ (ce que le logiciel doit faire), la logique métier et les résultats finaux des tests. Pour chaque fonction ou élément du logiciel, l’IA s’assure que le plan de test est fidèle à la logique métier attendue et que le rapport de validation confirme le respect de cette logique par le code final.
D’après Apple, le système permet de réduire de 85 % le temps nécessaire aux tests, d’améliorer la précision de 65 % à 94,8 % et de diminuer les coûts d’environ 35 %. Soit un gain de deux mois sur la mise en production pour les projets d’entreprise testés pour l’occasion, notamment sur les grands projets internes, comme les migrations de systèmes SAP.
SWE-Gym : comprendre avant de coder
Dans la troisième publication, les chercheurs d’Apple présentent une autre étape du développement logiciel : l’entraînement d’IA pouvant intervenir sur du code réel. Plutôt que de conduire ses IA à produire du code comme un humain, Apple préfère leur apprendre à le comprendre et à l’entretenir, comme le ferait un développeur chargé de faire de la maintenance.
Pour y parvenir, les chercheurs ont développé un environnement spécialisé pour l’entraînement (SWE-Gym), composé de 2 438 exercices de programmation en Python issus de dépôts open source. Chacun est accompagné d’un scénario d’exécution et d’un ensemble de tests pour valider les corrections proposées, comme si elles codaient en conditions réelles.
Les résultats obtenus sont plus qu’encourageants, puisque les agents formés grâce à SWE-Gym ont réussi 72,5 % des tâches qu’on leur donnait, alors que les précédents plafonnaient à près de 52 %. Ils ont même développé une version plus légère de cet environnement (SWE-Gym Lite), qui réduit le temps d’entraînement de moitié, avec le même taux de fiabilité. Son seul point faible réside dans le fait qu’il se limite à des tâches moins complexes.
Il est inévitable que les entreprises s’emparent de ces outils, la tentation de réduire les coûts humains sur des tâches si peu appréciées étant immense. Plus ces IA se fiabiliseront, plus la pression économique sur les postes junior sera dure, eux qui peinent déjà à sortir la tête de l’eau dans un marché saturé. Pour autant, il ne faut pas croire que les développeurs intermédiaires/expérimentés seront épargnés, les mêmes entreprises attendront d’eux une plus grande productivité et qu’ils puissent endosser un rôle plus transversal de « superviseur ». Le développement restera un métier humain, mais d’humains qui travailleront en collaboration avec ces outils automatisés, qui, à défaut de les remplacer, changeront leur quotidien plus abruptement que n’importe quelle technologie ayant émergé sur la dernière décennie.
- Apple développe des intelligences artificielles destinées à assister les ingénieurs, capables de repérer les bugs, automatiser les tests et corriger du code sans le réécrire.
- Ces outils visent à délester les développeurs des tâches répétitives, tout en améliorant la fiabilité et la rapidité du cycle de production logicielle.
- Leur généralisation pourrait profondément transformer le métier, en renforçant la pression sur les juniors et en redéfinissant le rôle des profils expérimentés vers la supervision et l’intégration de ces systèmes
