● Silicon.fr Télécom 📅 24/03/2026 à 16:16

Cybersécurité 👤 Clément Bohic

🏷️ Tags : log4j llm vulnérabilités bouygues telecom edf olt pm rag

Moderniser les applications, automatiser les tests, optimiser le support… L’IA générative appliquée au domaine de l’ingénierie logicielle, c’est un peu de tout cela, entre autres. Le Cigref coanime un think tank qui se consacre à ce thème depuis 2024. À sa naissance, il comprenait 5 groupes de travail : Développeur augmenté Automatisation des tests Rétrodocumentation et modernisation des applications Optimisation du support Passage à l’échelle (thème transverse) En 2025, il est passé à 6 groupes de travail (fusion de « développeur augmenté » et de « passage à l’échelle » ; ajout de « design des applications » et de « vibe coding / serveur MCP ». Et s’est doté d’un copil de 12 directeurs informatiques : Pierre-Yves Bollard Crédit Agricole CIB Global Head of IT Ekbel Bouzgarrou Air France-KLM DSI Jean-Paul Bouchon Michelin DSI adjoint Lionel Chaine Bpifrance DSI Marion Charles Euro-Information DGA (anciennement directrice informatique) Pascal Faucillon EDF Directeur des opérations Olivier Heitz Bouygues Telecom DSI Pierre Houlès Kering (ex-Renault, qu’il représentait au copil) Directeur digital et IA (Kering) Était directeur informatique adjoint chez Renault Sylvain Jacob Amadeus Directeur associé de l’ingénierie Vincent Lauriant Veolia Eau DSI adjoint et CTO Arnaud Méjean MGEN DSI Philippe Toulorge Crédit Agricole Assurances DSI Il y a quelques semaines, le think tank a fait le bilan de ses travaux 2025. En voici quelques morceaux choisis. Lire aussi : ROI de l'IA générative : la tentation du prisme court-termiste Passage à l’échelle / développeur augmenté Ce groupe de travail a réuni 15 membres. Ayant constaté des gains de 0 à 20 %, les participants affirment que la promesse d’un « développeur 10x » n’est pas d’actualité. Ils dégagent trois formations types pour aider les développeurs à monter en compétences. Formations Contenu Fondations (développeurs juniors) – Essentiels du prompt engineering – GitHub Copilot pour les devs – Bonnes pratiques sécurité et conformité avec l’IA – Comprendre et auditer le code généré par IA Productivité avancée (développeurs seniors) – Workflow IA pour le développement – Génération automatisée de tests unitaires et intégration – Optimisation IA du code legacy – Documentation augmentée par IA Leadership IA (développeurs seniors) – Construire des guidelines IA d’équipe – Industrialiser l’usage d’assistants IA – Intégrer l’IA dans la CI/CD – Mentoring IA pour les devs Vibe coding / serveurs MCP Ce groupe de travail a réuni 8 membres. Au premier semestre 2025, le vibe coding fut associé à des cas d’usage simples et rapides. De plus complexes sont apparus au deuxième semestre. Une dizaine d'outils sont dans le radar de ce groupe de travail : Identification Évaluation Essais Adoption Tabnine Mistral Vibe - Antigravity - Context7 - Cursor - GitHub Copilot coding agent - Kiro - Windsurf GitHub Copilot Entre autres questions en suspens à propos du vibe coding : Est-ce une alternative au modèle de licence des gros fournisseurs SaaS ? Faut-il recoder ses grosses licences en local ? Les sociétés de services, notamment offshore ou centrées sur la seule production de code, sont-elles viables désormais ? Les modèles coûtant de plus en plus cher, quel sera le coût du vibe coding à l'avenir ? Modernisation des applications Ce groupe de travail a réuni 8 membres. Il dégage 5 champs d'utilisation de l'IA. 1 - Amélioration ponctuelle de la qualité Exemples Méthodes employées Outils mobilisés Amélioration de code existant Correction de code smell (mauvaises pratiques de conception) Résolution de bug Optimisation / Amélioration ponctuelle Prompt engineering simple pour guider l'IA dans la correction ciblée Fichiers de contexte limités aux modules concernés Retesting régulier Validation humaine systématique Revue des golden rules GitHub Copilot avec modèle premium (Claude Sonnet, etc.) Context7 (optionnel) Linters (SonarQube, Checkstyle, PMD) Les outils mentionnés se révèlent capables de réaliser ces actions en autonomie, de mettre à jour les tests en fonction et de les rejouer. Les gains sont de l'ordre de quelques heures. Lire aussi : IA générative : comment la vision du Cigref s'affine 2 - Amélioration de la sécurité, conformité et mise à niveau des composants Exemples Méthodes employées Outils mobilisés Mise à jour de dépendances Log4j pour corriger des vulnérabilités connues Remplacement de code custom LDAP par l'utilisation d'une librairie open source dédiée Montées de version (migration log4j 1.x vers Logback, montée de version de Jackson-Databind, etc.) Déploiement progressif et par étape : d'une version à l'autre, etc. Demande de mise à jour des librairies et prise en compte des impacts sur le code existant Vérification des métriques qualité/sécurité à chaque étape, idéalement via MCP GitHub Copilot avec modèle premium (Claude Sonnet, etc.) Context7 Outils d'analyse de la composition logicielle : Xray, Renovate, etc. Les outils listés s'avèrent capables de réaliser ces actions en autonomie, de mettre à jour les tests en fonction et de les rejouer. 3 - Modernisation des frameworks et des langages Exemples Méthodes employées Outils mobilisés Upgrade d'un framework open source (Spring Boot 2.x vers Spring Boot 3.x, Angular X vers Angular Y, etc.) Migration Java par paliers (6 > 8 > 17 > 21 > 25) Remplacement de frameworks legacy (CXF, etc.) Découpage en sous-tâches par l'expert qui pilote le bot Génération par le bot d'un upgrade plan pour diviser le problème en sous-tâches Modernisation de la stack de test en priorité GitHub Copilot avec modèle premium (Claude Sonnet, etc.) Github Copilot App Modernization OpenRewrite (lorsqu'il existe des recettes) Les résultats sont probants avec GitHub Copilot lorsque l'expert définit un plan d'action en sous-tâches. Ils sont prometteurs mais partiels avec GitHub Copilot App Modernization (à n'utiliser que pour des cas simples). 4 - Modernisation de frameworks « maison » Exemples Méthodes employées Outils mobilisés Mise à jour complète d'une application utilisant un framework maison Mise à jour du code applicatif pour supprimer les dépendances ou middleware « legacy » Modernisation d'une application manuelle et génération d'un fichier différentiel (avant/après) pour guider les futures modernisations Utilisation d'un fichier Markdown « guide » qui documente les impacts connus GitHub Copilot avec modèle premium (Claude Sonnet, etc.) AWS Custom Transform OpenRewrite (lorsqu'il existe des recettes) Les résultats sont intéressants avec le fichier différentiel, qui permet de produire des recettes OpenRewrite. Ils le sont aussi avec le fichier Markdown. Actuellement pour des cas simples. Mais des exemples avec des modèles frontières s'annoncent prometteurs pour 2026. 5 - Réécriture Exemples Méthodes employées Outils mobilisés Migration d’un framework maison vers des technologies modernes (Spring Boot, Angular, K8s, ...) Migration d’une application complète legacy cobol vers des technologies modernes (Spring Boot, Angular, K8s, ...) Spec-Driven Development : rétrodocumentation par IA de l’application, puis développement à partir de ces spécifications pivot GitHub Copilot avec modèle premium (Claude Sonnet, etc.) Spec Kit Amazon Q:Developer Transform Kiro (mode Spec) AWS Transform custom Les résultats sont intéressants avec AWS Transform (potentiel de faire une majorité du travail de réécriture, sous la supervision d'un expert). Kiro est facilitant mais ne peut pas faire une réécriture complète d'application. Les résultats sont partiels via GitHub Copilot et Spec Kit, qui fonctionnent uniquement avec un contexte de taille modeste. Les approches décrites fonctionnent pour des applications allant jusqu'à 50 000 lignes de code. Au-delà, il faut segmenter. Les IA peuvent être sollicitées pour générer elles-mêmes les consignes qu'elles doivent suivre, à partir d'exemples. Un agent IA peut faciliter la relecture de code généré par un autre. La nécessité d'avoir un contexte à jour invite à gérer la documentation interne comme du code. Six outils sont dans le radar : Identification Évaluation Essais Adoption Amazon Q Developer GitHub Spec Kit - AWS Transform - GitHub Copilot App Modernization - GitHub Copilot Java Upgrade GitHub Copilot Design des applications Ce groupe de travail a réuni 10 membres. Il a identifié une quizaine d'opportunités sur les activités de spécification : Niveau d'IA / Phase UX / UR Recherche Expression des besoins Spécifications détaillées Evaluation Assistance ponctuelle par IA Collecte des données (enquêtes) Analyse des besoins utilisateurs Restitution et partage Analyse d'impact, identification de la valeur Automatisation partielle, avec validation humaine Cadrage du projet Capture du besoin issu d'interviews Priorisation des besoins Rédaction des spécifications Évaluation technique et sécurité de la documentation Automatisation autonome avec supervision Analyse et synthèse des données Mise à jour de base de connaissances UX Rédaction de user stories et critères d'acceptation Définition des exigences non fonctionnelles Modélisation des données Définition des contrats d'interface Analyse de dépendances Estimation macro de l'effort Sur les activités de design, de planification et d'implémentation : Niveau d'IA / Phase Architecture UX Design Plan Interactions client Assistance ponctuelle par IA Analyse des retours clients Automatisation partielle, avec validation humaine Design des patterns et flux Wireframing Prototypage et UI UX writing & Contenu Estimation de l'effort humain à fournir Identification des bloqueurs Détection de besoins émergents à partir de feed-back Automatisation autonome avec supervision Rédaction des architecture decision records Sélection / conception des composants Visualisation de l'architecture (C4, UML, etc.) Revue d'accessibilité Découpage technique (WBS – Work Breakdown Structure) Douze outils sont dans le radar : Identification Évaluation Essais Adoption - ChatPRD - Code Wiki - Bolt - Lovable - Replit - Antigravity - Balsamiq - Figma - Kiro - Miro - GitHub Copilot - Microsoft Copilot De nouvelles pratiques d'organisation du développement logiciel émergent autour de la documentation produite par les IA. Parmi elles, l'AI-DLC (AI-driven development lifecycle) d'AWS, qui repose sur des itérations de développement de l'ordre de quelques heures (les « bolts »). Les sociétés membres du groupe de travail ne l'avaient pas encore mise en œuvre au moment de présenter leurs travaux. Lire aussi : IA générative : les tuyaux du Cigref Automatisation des tests Ce groupe de travail a réuni 8 membres. Malgré l'engouement du marché, il n'y a toujours pas de solution éditeur opérationnelle : il faut intégrer plusieurs outils spécialisés. Phases Outils Génération de cas et de données de test - GitHub Copilot for QA - Test Planner (Cognizant) - Tonic Génération de scripts de test - Applitools - Codeium - GitHub Copilot for QA - Playwright Maintenance des ressources de test (génération de données, de serveurs de bouchons et d'IaC) - Ansible Lightspeed - Gretel - Pact - Postman - Spacelift - Tonic Analyse de causes racines - Launchable - Testim Maintenance du corpus de tests (détection des redondances et des tests obsolètes après suppression de code) - Applitools - Functionize - Mabl Le groupe de travail propose une feuille de route à horizon de 18 mois, avec 4 jalons. Échéances Actions 3 mois Intégrer Copilot/Codeium dans l'IDE pour aider à l'écriture des tests unitaires 6 mois Adopter une plate-forme de test de bout en bout avec des capacités d'autoréparation (Mabl, Testim) 12 mois Mettre en place une solution de génération de données de test synthétiques (Tonic) 18+ mois Intégrer une plate-forme d'intelligence de test (Launchable) pour optimiser l'exécution Optimisation du support Ce groupe de travail a réuni 5 membres. Ci-dessous, les cas d'usage en cours de déploiement chez les participants (en vert) et ceux envisagés (en bleu). 0. Avant la création du ticket 1. Création 2. Qualification & triage 3. Diagnostic 4. Résolution 5. Clôture Faciliter l'accès à une réponse Faciliter l'affectation à la création d'un ticket Résumé d'un ticket long (synthèse des actions, personnes ayant déjà routé le ticket, etc.) Renseigner la solution dans le ticket clôturé Proposer une solution d'un ticket complété Enrichissement d'un ticket Faciliter l'accès à une réponse Aide à la clôture de tickets similaires Regroupement de tickets similaires Aide au diagnostic Analyse de cause racine post-incident Aide à la priorisation (visualisation, etc.) Aide au routage d'un ticket Pour la mise en œuvre, trois méthodes se dégagent : IA intégrée à l'ITSM Déploiement simple et intégration native. Mais peu de maîtrise, des coûts importants et des risques de dépendances. LLM centralisé avec RAG Maîtrise, confidentialité, scalabilité. Mais complexité et coût en développement et maintenance. Système d'agents décentralisés Spécialisation, scalabilité et périmètre d'action. Mais grande complexité et manque de maturité. Illustration principale générée par IA

🔗 Lire l'article original 👁️ 1 lecture