accueilinsightsIA et SDLC : conjuguer vitesse et confiance
quality assurance & testing

IA et SDLC : conjuguer vitesse et confiance

Alexandre Thibaud, Senior Consultant chez Itecor · novembre 19, 2000

L’IA ne réduit pas le besoin de qualité. Elle modifie simplement les domaines où la qualité est la plus importante tout au long du cycle de développement logiciel (SDLC). Les équipes consacrent moins de temps à la création d’artefacts et davantage à vérifier que ce qui est généré répond véritablement aux besoins métier, respecte les exigences attendues et n’introduit pas de nouveaux risques.

La promesse est séduisante. Mais comment exploiter l’IA sans perdre ni maîtrise ni confiance ? S’appuyant sur son expérience de terrain, notre expert partage les avantages observés, les écueils les plus courants et les changements de pratiques qui permettent aux équipes de tirer parti de l’IA tout en maintenant des normes de qualité élevées.

Pour aller au-delà des promesses et nous concentrer sur les réalités concrètes, nous avons rencontré Alexandre Thibaud, consultant senior en ingénierie qualité et tests. Depuis plus de vingt ans, il aide les organisations à améliorer leurs pratiques en matière de qualité logicielle, de l’automatisation des tests à la transformation à grande échelle de l’assurance qualité.

Son point de vue est clair : l’IA accélère la livraison des logiciels, mais elle renforce également la nécessité d’une approche rigoureuse en matière de qualité, de gestion des risques et de gouvernance.

 Avant l’arrivée des outils d’IA, à quoi ressemblait une semaine type ? À quoi consacriez-vous la majeure partie de votre temps ?

Honnêtement, une grande partie était consacrée à la production et à la maintenance des artefacts : rédiger et réécrire des cas de test, tenir à jour les matrices de traçabilité, établir manuellement des rapports d’état à partir des exportations d’outils, et relancer les gens pour clarifier les exigences. Le travail d’automatisation consistait souvent davantage à de la maintenance qu’à de la création : corriger les localisateurs, stabiliser les tests instables. La partie véritablement analytique (analyse des risques, stratégie de test, remise en question d’un besoin lors d’un atelier) représentait peut-être un quart de la semaine, et c’était toujours la première chose à passer à la trappe lorsque les délais se resserraient.

Ce qui a changé, phase par phase

En quoi l’IA a-t-elle transformé la rédaction et la maintenance des tests automatisés ? Combien de temps permet-elle réellement de gagner ?

Pour la rédaction, le gain est réel : la mise en place d’un test Playwright, d’un page object ou d’un workflow d’intégration continue (CI) est deux à trois fois plus rapide.

Une fois les corrections prises en compte, je dirais 30 à 50 % sur la création, bien moins sur la maintenance. Le code généré utilise souvent des localisateurs fragiles, des délais d’attente codés en dur ou des assertions qui se contentent de vérifier que la page est chargée. Corriger cela prend du temps, et si vous ne le faites pas, vous venez simplement de produire plus rapidement des tests instables. Le véritable gain de temps intervient lorsque vous fournissez au modèle un cadre solide et des conventions à respecter, et non lorsque vous lui demandez de partir de zéro.

Les nouveaux risques

Les développeurs produisent désormais beaucoup plus de code grâce à l’IA. Quel a été l’impact sur le volume et la nature des défauts ?

Plus de code signifie plus de changements par sprint, donc un risque accru de régression, et la capacité de test ne s’adapte pas au même rythme. Les défauts que je constate s’éloignent des fautes de frappe et des plantages évidents, que l’IA commet rarement, pour se diriger vers des problèmes plus subtils : une logique plausible mais inadaptée à cette activité, une gestion incohérente entre des fonctionnalités similaires et une gestion des erreurs défaillante. Le code se compile, passe ses propres tests unitaires, mais continue de fonctionner de manière incorrecte.

Le processus et l’équipe

Certaines entreprises pensent que l’IA leur permettra de réduire les tests ou de remplacer les testeurs. Que s’est-il réellement passé ?

Dans les entreprises où j’ai travaillé, les équipes qui ont réduit leurs effectifs de testeurs ont vu le nombre de tests augmenter et leur niveau de confiance baisser. Les développeurs utilisant l’IA produisent beaucoup de tests, mais ceux-ci servent principalement à confirmer ce qu’ils ont construit, et non à le remettre en question ; le regard indépendant du testeur disparaît. Ce qui fonctionne, c’est un nombre adapté de testeurs plus expérimentés, axés sur la stratégie, les risques et la revue, tandis que l’IA prend en charge le travail de production répétitif. Il s’agit d’un changement de profil, et non d’une suppression.

Le métier

Quelles compétences des testeurs ont gagné en valeur, et lesquelles ont perdu de leur importance ?

Les plus précieuses sont  l’analyse des risques, la connaissance du domaine, la revue critique, les techniques de conception de tests (indispensables pour évaluer les propositions de l’IA) et la capacité à expliquer un risque lié à la qualité à un responsable. Une nouvelle compétence est également apparue : savoir former et encadrer un modèle, en lui fournissant un contexte, des règles et des exemples. Moins importantes : la rédaction manuelle des étapes de test, la mise en forme manuelle des rapports et la mémorisation de la syntaxe des outils. Le paradoxe est que les fondamentaux, comme l’analyse des limites, ont plus d’importance, et non l’inverse, car on ne peut pas valider ce que l’on ne comprend pas.

Que diriez-vous à un responsable qui souhaite introduire l’IA dans les tests dès demain ?

Premièrement : choisissez un problème épineux et mesurable (qualité des stories, temps de conception des tests, triage des défaillances) et mesurez la situation de référence avant de commencer. Deuxièmement : définissez d’emblée la gouvernance des données : où vont les données, quel modèle utiliser, sous la responsabilité de qui. Troisièmement : conservez une étape de révision humaine et formez les personnes à cette tâche. À éviter : acheter un outil avant d’avoir défini le problème, mesurer le succès au nombre de tests générés, et adapter les postes de testeurs au cours du même trimestre où vous introduisez l’IA. Vous risqueriez de perdre les personnes capables de juger de la qualité des résultats.

Perspectives

Y a-t-il un exemple tiré de votre propre expérience qui résume la manière dont l’IA transforme la qualité ?

Lors du développement d’un outil de reporting assisté par l’IA pour Azure DevOps, le résumé exécutif généré d’une campagne de tests indiquait « la qualité globale est satisfaisante » juste au-dessus d’un verdict « NO-GO » calculé à partir des résultats réels. Chaque phrase était bien rédigée. Mais c’était tout simplement faux, et un responsable débordé qui n’aurait lu que le résumé aurait donné son feu vert. Nous avons corrigé cela afin que le texte ne puisse jamais contredire les données.

Pour moi, c’est là tout l’essentiel : l’IA écrit avec aisance, et le travail du testeur consiste à s’assurer que cette aisance s’accompagne de la véracité.

L’un des principaux enseignements à retenir, c’est que l’IA ne réduit en rien l’importance de la qualité. Elle en modifie simplement le centre de gravité. Alors qu’auparavant les équipes consacraient une part importante de leur temps à la production de code, de tests ou de documentation, elles doivent désormais s’attacher à garantir que ce qui est généré soit pertinent, cohérent et véritablement en adéquation avec les besoins métier.

Le risque ne réside plus dans un manque de contenu ou une couverture de test insuffisante. Le véritable risque consiste à accorder trop rapidement sa confiance à des résultats qui semblent convaincants. Comme le souligne Alexandre Thibaud, un résultat fluide, bien rédigé ou techniquement valable n’est pas nécessairement le bon.

L’IA permet d’aller plus vite. La qualité permet d’avancer en toute confiance. C’est précisément en trouvant le juste équilibre entre accélération, maîtrise des risques et assurance qualité qu’Itecor apporte de la valeur ajoutée.

plus d'insights

Tricentis Transform London 2026 : l’IA agentique redéfinit les frontières de l’ingénierie de la qualité


company newsdata & AIquality assurance & testing

octobre 30, 2026

Prochain Itecor Testing Breakfast – L’IA au service de la qualité logicielle et de la création de valeur


data & AIquality assurance & testing

octobre 12, 2026

Rejoignez Itecor au Swiss IT Forum(s) 2026


digital solutionsgovernance & service managementquality assurance & testing

août 24, 2026