Bien que l’IA ait fait des progrès remarquables dans la génération de fragments de code, une nouvelle étude du MIT révèle d’importants obstacles à l’atteinte d’une ingénierie logicielle véritablement autonome.
La recherche, intitulée « Défis et voies vers l’IA pour l’ingénierie logicielle », a été menée par une équipe dirigée par le professeur Armando Solar-Lezama du MIT et le premier auteur Alex Gu. Publiée le 16 juillet 2025, l’étude sera présentée à la Conférence internationale sur l’apprentissage automatique (ICML 2025) à Vancouver.
« Tout le monde parle du fait qu’on n’a plus besoin de programmeurs et que l’automatisation est désormais partout », explique Solar-Lezama. « D’un côté, le domaine a fait d’énormes progrès. Nous avons des outils beaucoup plus puissants que tout ce que nous avons vu auparavant. Mais il reste encore beaucoup à faire pour réaliser pleinement la promesse de l’automatisation à laquelle on s’attend. »
Les chercheurs soutiennent que les systèmes d’IA actuels excellent dans la génération de petites fonctions, mais éprouvent des difficultés avec des tâches d’ingénierie logicielle plus larges, comme le refactoring à grande échelle, la migration de code et le débogage de systèmes complexes. Les bancs d’essai populaires comme SWE-Bench ne testent que des correctifs pour des problèmes GitHub impliquant quelques centaines de lignes de code, sans refléter les scénarios réels où des millions de lignes doivent être optimisées ou migrées à partir de systèmes hérités.
La communication humain-machine représente un autre défi majeur. Gu décrit l’interaction actuelle comme « une ligne de communication très mince », où les outils d’IA produisent souvent de gros fichiers non structurés avec des tests superficiels, sans la capacité d’utiliser efficacement les outils de débogage et les analyseurs statiques sur lesquels les développeurs humains comptent.
Plutôt que de proposer une solution unique, les chercheurs appellent à des efforts collectifs : développer des ensembles de données plus riches qui capturent la façon dont les développeurs écrivent et refactorisent le code au fil du temps; créer des suites d’évaluation partagées qui mesurent la qualité du refactoring et la durabilité des corrections de bogues; et bâtir des outils transparents qui exposent l’incertitude des modèles et favorisent la guidance humaine.
« Les logiciels sont déjà à la base de la finance, du transport, de la santé et d’innombrables autres systèmes critiques », souligne Solar-Lezama. L’équipe de recherche imagine un avenir où l’IA prendra en charge les tâches de développement routinières, permettant aux ingénieurs humains de se concentrer sur les décisions de conception de haut niveau et les compromis complexes qui nécessitent un jugement humain.