Coder une IA ne veut pas dire la même chose pour tout le monde. Derrière cette requête, deux questions cohabitent. La première : comment construire soi-même un modèle d’intelligence artificielle, l’entraîner sur ses propres données et le mettre en production. La seconde, aujourd’hui la plus fréquente : comment coder avec une intelligence artificielle, c’est-à-dire utiliser un assistant de génération de code intégré à l’éditeur de code ou au terminal.
Cet article traite les deux. Il commence par la seconde, parce que c’est celle qui change déjà le quotidien des développeurs, puis revient sur la création d’un modèle au sens strict. Vous y trouverez ce que font réellement ces outils, ce qu’ils ne font pas, et comment les intégrer sans transformer votre base de code en zone grise.
- Coder une IA au sens strict, c’est définir un problème, réunir des données, entraîner un modèle et le déployer. Python reste le langage de référence, avec Java et JavaScript en périphérie.
- Coder avec une IA, c’est utiliser des outils de génération de code : complétion dans l’IDE, agent de terminal, IDE agentique, revue automatisée.
- GitHub Copilot, Claude Code, Gemini Code Assist, Gemini CLI, Cursor et Google Antigravity couvrent des usages différents, pas les mêmes.
- Le vibe coding désigne le fait d’accepter le code produit sans le relire. C’est utile pour un prototype, risqué pour tout ce qui touche à des données réelles.
- La génération de tests unitaires est l’usage où le rapport effort/bénéfice est le plus net.
- Aucun de ces outils ne dispense d’un processus de développement logiciel : revue, tests, versionnage, environnement isolé.
Les deux questions derrière la requête
La confusion vient du mot lui-même. Un modèle d’intelligence artificielle est un programme qui apprend une règle à partir d’exemples au lieu de la recevoir écrite. Le coder, c’est donc surtout préparer des données et choisir une architecture, pas écrire des milliers de lignes de code. À l’inverse, un assistant de codage est un logiciel qui écrit du code à votre place à partir de prompts en langage naturel. Lui faire générer du code ne crée aucune intelligence artificielle : cela en consomme une.
Les deux sujets se rejoignent sur un point pratique. Dans les deux cas, la valeur ne vient pas de l’outil mais de ce que vous savez vérifier. Un modèle mal évalué produit des prédictions fausses avec assurance. Un assistant mal encadré produit du code qui compile et qui ne fait pas ce que vous croyez.
Ce que font réellement les outils de génération de code
Un assistant de codage repose sur un modèle de langage entraîné sur du code public et sur du texte. Il prédit la suite la plus probable à partir de ce qu’il voit : votre fichier ouvert, les fichiers voisins, parfois l’ensemble du dépôt. C’est la raison pour laquelle la qualité de la sortie dépend autant de la clarté de votre code existant que du modèle employé. Sur une base bien nommée et bien découpée, les suggestions tombent juste. Sur une base confuse, l’assistant reproduit la confusion. La complétion s’affiche directement dans l’IDE, le code proposé s’insérant à l’endroit du curseur.
Ces outils reposent sur le traitement du langage naturel, le même domaine que celui des assistants conversationnels. La différence tient au contexte : au lieu de répondre à une question isolée, ils lisent une arborescence de fichiers, exécutent des commandes et observent le résultat. Certains vont plus loin et pilotent un navigateur pour vérifier ce qu’ils viennent d’écrire.
Un point de vigilance revient dans toutes les documentations : un agent qui exécute des commandes doit le faire dans un bac à sable. Conteneur, machine virtuelle dédiée, session cloud isolée, peu importe la forme, mais il s’exécute dans une machine virtuelle ou un environnement équivalent, jamais directement sur un poste qui détient des accès de production.
Les grandes familles d’outils
| Famille | Où ça vit | Ce que ça apporte | Point de vigilance |
|---|---|---|---|
| Complétion en ligne | Dans l’éditeur, pendant la frappe | Écrit la suite d’une fonction, les cas répétitifs, les signatures | Suggère du plausible, pas du vérifié |
| Assistants de code conversationnels | Panneau latéral de l’IDE | Expliquent un fichier, proposent un remaniement, génèrent des tests | Ne voient que ce que vous leur donnez |
| Agents de terminal | Ligne de commande | Enchaînent lecture, édition, exécution et commit | Doivent tourner dans un environnement isolé |
| IDE agentiques | Application complète | Coordonnent éditeur, terminal et navigateur | Plus d’autonomie signifie plus de relecture |
| Revue de code automatisée | Pull request, IDE, intégration continue | Signale bugs et failles avant la fusion | Ne remplace pas une revue humaine |
| Entraînement sans code | Navigateur ou application de bureau | Crée un petit modèle de classification sans programmation | Périmètre volontairement limité |
GitHub Copilot : complétion, mode agent et revue
GitHub Copilot est l’outil que la plupart des équipes rencontrent en premier. Il a commencé par la complétion, il couvre aujourd’hui trois usages distincts : suggérer du code pendant que vous écrivez, exécuter une tâche complète en mode agent, et relire des modifications.
La revue mérite qu’on s’y arrête, car c’est la fonction la plus mal comprise. La documentation officielle indique qu’elle peut être déclenchée depuis une pull request GitHub, depuis Visual Studio Code, depuis les IDE JetBrains, depuis Visual Studio, depuis Xcode et depuis la ligne de commande GitHub. Elle produit des commentaires sur les bugs, les vulnérabilités et le style, avec des suggestions de modification applicables directement.
Deux limites sont écrites noir sur blanc dans cette même documentation. Copilot dépose toujours une revue de type commentaire et jamais une approbation : ses remarques ne comptent pas dans les approbations requises et ne bloquent aucune fusion. Et lors d’une nouvelle revue, il peut répéter des commentaires que vous aviez déjà écartés. Autrement dit, c’est un filet supplémentaire, pas un relecteur.
Claude Code : un agent qui lit le dépôt
Claude Code, d’Anthropic, appartient à la famille des agents. Sa documentation le décrit comme un outil de codage agentique qui lit votre base de code, modifie des fichiers, exécute des commandes et s’intègre à vos outils de développement. Il est disponible dans le terminal, dans Visual Studio Code, dans les IDE JetBrains, dans une application de bureau et sur le web.
Ce qui le distingue d’une complétion, c’est l’enchaînement des tâches. Vous décrivez un objectif en langage naturel, il planifie, écrit le code sur plusieurs fichiers, lance les tests et corrige les échecs. Il travaille aussi directement avec git : il prépare les modifications, rédige les messages de commit, crée des branches et ouvre des pull requests. Un fichier de consignes placé à la racine du projet lui donne vos conventions, vos bibliothèques préférées et vos règles de revue au démarrage de chaque session.
Il se connecte enfin à des sources externes via le protocole MCP, un standard ouvert de connexion entre outils d’intelligence artificielle et systèmes tiers. C’est le mécanisme qui permet à un agent d’aller lire un ticket ou un document de spécification au lieu de deviner.
Gemini Code Assist et Gemini CLI, côté Google
Google décline son assistance au développement en plusieurs produits. Gemini Code Assist s’installe dans l’environnement de travail : il est disponible par défaut dans Cloud Shell, Cloud Workstations et Android Studio, et s’ajoute par extension à Visual Studio Code ainsi qu’aux IDE JetBrains, dont IntelliJ IDEA, PyCharm, WebStorm, GoLand, PhpStorm, CLion, Rider, RubyMine et DataGrip.
La documentation officielle publie la liste des langages pour lesquels la qualité de l’assistance a été vérifiée : Bash, C, C++, C#, Dart, Go, GoogleSQL, Java, JavaScript, Kotlin, Lua, MATLAB, PHP, Python, R, Ruby, Rust, Scala, SQL, Swift, TypeScript et YAML. L’outil aide également sur Gemini CLI, sur la ligne de commande Google Cloud et sur le modèle de ressources Kubernetes. Un abonnement Gemini Code Assist existe en versions destinées aux équipes et aux entreprises, avec des conditions publiées sur le site de l’éditeur.
Gemini CLI est le second volet : un agent open source, publié sous licence Apache 2.0, qui amène Gemini dans le terminal. Son dépôt officiel documente une fenêtre de contexte d’un million de tokens sur les modèles Gemini 3, des outils intégrés pour le système de fichiers, le shell, la récupération de pages web et la recherche Google, ainsi que la prise en charge du protocole MCP. L’installation passe par npm, Homebrew ou une exécution directe sans installation, et trois modes d’authentification sont proposés, dont un adossé à Vertex AI pour les charges de travail d’entreprise.
Google Antigravity : la plateforme agentique
Annoncé le 18 novembre 2025, Google Antigravity va un cran plus loin. Google le présente comme une plateforme de développement agentique, disponible en préversion publique gratuite pour les utilisateurs individuels sur macOS, Linux et Windows.
Deux éléments le caractérisent. D’abord la possibilité de choisir le modèle : Gemini 3, mais aussi Claude Sonnet 4.5 et GPT-OSS. Ensuite l’orchestration de trois surfaces qui fonctionnent simultanément et de façon autonome : un éditeur, un terminal et un navigateur pour les tests. La plateforme matérialise le travail des agents sous forme d’artefacts, c’est-à-dire de livrables vérifiables comme des listes de tâches, des plans d’implémentation, des captures d’écran et des enregistrements vidéo du navigateur. Cette notion répond au principal défaut des agents : sans trace, on ne sait pas ce qu’ils ont fait.
Cursor et les éditeurs dérivés
Cursor appartient à une troisième catégorie : celle des éditeurs dérivés de Visual Studio Code, refondus autour de l’assistance par modèle de langage. L’intérêt est la continuité. Vous retrouvez vos extensions, vos raccourcis et vos thèmes, avec une couche de génération de code et d’édition multi-fichiers intégrée nativement plutôt qu’ajoutée par-dessus.
Dans la pratique, beaucoup d’équipes combinent : Cursor, Claude Code et un assistant de complétion cohabitent dans la même journée, chacun sur le type de tâche où il est le plus à l’aise. Ce n’est pas une incohérence, c’est le signe que ces outils ne font pas le même métier.
Le vibe coding, et ce qu’il coûte
Le terme a été popularisé par Andrej Karpathy en février 2025. Il décrit une façon de programmer où l’on accepte les suggestions du modèle sans relire ni modifier le code produit, en se fiant au résultat visible. La formule d’origine, restée célèbre, parle de se laisser porter et d’oublier que le code existe.
Pour un prototype jetable, une démonstration interne ou un script personnel, la méthode fait gagner un temps considérable. Pour tout le reste, MIT Technology Review documente deux risques précis : du code généré qui contient des failles de sécurité, et une inadaptation aux systèmes critiques qui exigent une vérification rigoureuse. Le magazine cite le cas d’une application construite de cette manière et attaquée immédiatement après sa mise en ligne.
La règle de tri est simple. Si l’application manipule des données réelles, des paiements ou des comptes utilisateurs, le code passe par une relecture. Si elle ne sort jamais de votre machine, faites-vous plaisir.
La génération de tests unitaires
Parmi tous les avantages de la génération de code, la création de tests unitaires est celui qui se défend le mieux. Écrire des tests est fastidieux, répétitif, et systématiquement repoussé. Un assistant qui lit une fonction et produit une batterie de cas, y compris les valeurs limites auxquelles personne ne pense, remplit exactement le créneau.
Deux précautions. Un test généré à partir du code testé reproduit les bugs du code : il vérifie que la fonction fait ce qu’elle fait, pas ce qu’elle devrait faire. Le test doit donc être confronté à la spécification, pas seulement au code. Et un test qui passe du premier coup sur une fonction complexe mérite d’être cassé volontairement une fois, pour vérifier qu’il échoue quand il doit échouer.
Coder une IA au sens strict : créer un modèle
Passons à l’autre lecture de la question. La création d’une intelligence artificielle sur mesure suit une séquence stable, quelle que soit la technologie retenue. Le code, outils de codage compris, n’intervient qu’en milieu de parcours : l’essentiel du travail porte sur les données.
| Étape | Ce qui se joue | Erreur fréquente |
|---|---|---|
| 1. Définir la tâche | Classification, régression, génération, regroupement | Lancer un projet sans savoir ce qui sera mesuré |
| 2. Réunir les données | Jeu représentatif, étiqueté, souvent un simple fichier CSV | Des exemples trop homogènes par rapport au réel |
| 3. Préparer | Nettoyage, normalisation, découpage train / test | Laisser fuiter des données de test dans l’entraînement |
| 4. Choisir l’architecture | Modèle simple, réseau de neurones, modèle pré-entraîné | Prendre le plus gros modèle par réflexe |
| 5. Entraîner et évaluer | Calcul sur processeur ou sur GPU, mesure sur données jamais vues | Confondre bon score d’entraînement et bonne généralisation |
| 6. Déployer et surveiller | Mise à disposition par une interface de programmation, suivi dans le temps | Oublier que les données réelles dérivent |
Le découpage train / test est le point où les projets échouent le plus souvent en silence. Un modèle évalué sur des données qu’il a déjà vues affiche des résultats flatteurs et s’effondre en production. C’est aussi la raison pour laquelle un modèle d’intelligence artificielle ne se juge jamais sur une démonstration : il se juge sur un jeu de données mis de côté au départ et jamais touché.
Entraîner un modèle sans écrire de code
Pour une intelligence artificielle personnalisée et de périmètre restreint, il existe une voie sans programmation. Google Teachable Machine permet d’entraîner un modèle depuis un navigateur, à partir d’images, de sons ou de poses, en fournissant simplement des exemples. Google précise que l’entraînement se déroule entièrement dans le navigateur et que les données restent sur la machine, sauf si l’utilisateur choisit d’enregistrer son projet en ligne. Le modèle obtenu s’appuie sur TensorFlow.js et s’exporte vers un site web, une application ou un objet connecté.
Le même registre existait chez Microsoft avec Lobe, une application de bureau d’entraînement sans code. Microsoft Lobe n’est plus référencé comme actif par les annuaires spécialisés depuis fin 2024 : vérifiez sa disponibilité avant de fonder un projet dessus.
Ces outils ont un intérêt réel pour valider une idée en une après-midi. Ils ne remplacent pas un développement sur mesure dès que le volume de données, la latence ou l’intégration à un système existant entrent en jeu.
Appeler un modèle plutôt que l’entraîner
Pour la majorité des applications d’entreprise, la question ne se pose même plus. Il est plus rapide d’appeler par interface de programmation un modèle déjà entraîné, qu’il s’agisse d’un modèle GPT, de Google Gemini ou d’un modèle concurrent, que de réunir les données nécessaires à un entraînement maison.
Ce choix a des conséquences à peser. Vous dépendez d’un fournisseur, de sa disponibilité et de ses évolutions de version. Vos données transitent par un service tiers, ce qui impose de vérifier les conditions de traitement avant d’y envoyer quoi que ce soit de sensible. En contrepartie, vous évitez l’achat ou la location de GPU et vous vous concentrez sur la partie qui vous appartient : le produit. Les principaux hébergeurs proposent des plateformes dédiées, de Vertex AI chez Google aux services d’Amazon sur AWS, avec des mécanismes d’ajustement fin pour spécialiser un modèle généraliste sur vos propres exemples.
Quels langages, quel matériel
Parmi les langages de programmation, Python domine l’apprentissage automatique pour une raison simple : les bibliothèques de référence y sont écrites. Les langages Python et JavaScript se partagent ensuite l’intégration applicative, JavaScript prenant le dessus dès que le modèle doit tourner dans un navigateur. Java reste très présent dans les systèmes d’entreprise où le modèle s’insère dans une chaîne existante.
Côté matériel, la distinction est nette. Utiliser un modèle demande peu de ressources. En entraîner un demande du GPU, en location horaire chez un fournisseur cloud ou en achat si le besoin est permanent. Beaucoup d’équipes découvrent ce poste de coût trop tard, après avoir validé une preuve de concept sur un échantillon minuscule.
Se former, et à quoi ça mène
La demande de compétences suit. Les cabinets d’analyse comme Gartner publient régulièrement des prévisions sur la part de code produite avec l’aide de l’intelligence artificielle. Elles varient d’une publication à l’autre et ne constituent pas une base de décision : ce qui compte, c’est que la relecture, la sécurité et l’architecture prennent proportionnellement plus de place dans le métier.
Côté parcours, deux voies coexistent. La formation technique classique mène aux métiers de l’intelligence artificielle proprement dits, du data engineer au machine learning engineer. La formation courte, elle, vise l’usage : savoir rédiger des consignes précises, cadrer un agent, relire ce qu’il produit. C’est l’objet des parcours de type formation de prompt engineer. Une partie de ces formations est finançable, via le compte personnel de formation (CPF) pour les particuliers ou via un OPCO pour les salariés d’une entreprise adhérente. Vérifiez la certification et l’organisme sur les registres officiels avant de vous engager : l’intitulé d’une formation ne dit rien de sa reconnaissance.
Intégrer ces outils dans une équipe
Trois règles suffisent à éviter les dégâts les plus courants. La première : le code généré passe par la même revue que le code écrit à la main, sans exception et sans voie rapide. La deuxième : l’agent travaille dans un environnement isolé, sans accès aux secrets de production. La troisième : chaque modification reste traçable, ce qui suppose des commits lisibles et des messages qui disent ce qui a changé et pourquoi.
Côté produit, un dernier point est trop souvent oublié. Un site ou une application générés rapidement héritent rarement des bases techniques qui les rendent visibles : structure des URL, temps de chargement, balisage, contenus réels. Un assistant produit du code ; outils de mesure et arbitrages éditoriaux viennent ensuite, et personne ne les générera à votre place.
Un projet web ou une application à mettre en ligne ?
Oscar Black est une agence parisienne SEO et Google Ads. Nous travaillons avec des équipes techniques sur la partie qui décide de la visibilité : structure du site, performance, contenus et acquisition. Sans promesse de classement, parce que personne ne peut la tenir.
Nous intervenons aussi sur la création de site web et d’application quand le projet part d’une page blanche.
FAQ
Quel langage utiliser pour coder une IA ?
Python, dans l’immense majorité des cas. Les bibliothèques d’apprentissage automatique et les modèles pré-entraînés y sont publiés en premier, la documentation y est la plus fournie et les exemples les plus nombreux. JavaScript devient pertinent quand le modèle doit s’exécuter dans le navigateur, Java quand il s’insère dans un système d’entreprise existant. Le choix du langage n’est jamais le facteur limitant : la qualité des données l’est.
Faut-il beaucoup de données ?
Cela dépend de la voie choisie. Entraîner un modèle de bout en bout demande un volume important d’exemples étiquetés. Spécialiser un modèle déjà entraîné sur un domaine précis en demande nettement moins. Appeler un modèle existant par interface de programmation n’en demande aucune, mais vous ne maîtrisez alors ni son comportement ni ses évolutions.
Quelle différence entre Gemini Code Assist et Gemini CLI ?
Gemini Code Assist s’intègre à l’éditeur de code et aux environnements Google Cloud, avec des extensions pour Visual Studio Code et les IDE JetBrains. Gemini CLI est un agent open source qui vit dans le terminal, sous licence Apache 2.0, avec des outils pour lire des fichiers, lancer des commandes et interroger le web. Les deux s’appuient sur les mêmes modèles ; ils ne se rangent simplement pas au même endroit dans votre flux de travail.
Un assistant de code peut-il remplacer un développeur ?
Non, et la question est mal posée. Ces outils réduisent le temps passé sur les tâches répétitives : écrire un test, traduire une structure de données, produire une première version d’une fonction. Ils ne décident pas de l’architecture, n’arbitrent pas entre deux compromis techniques et ne savent pas ce que votre entreprise a promis à ses clients. Le travail se déplace vers la spécification et la vérification.
Le code généré par une IA pose-t-il un problème juridique ?
Le sujet n’est pas tranché de manière uniforme et dépend du contrat de l’éditeur, de la licence des sources d’entraînement et du droit applicable. Deux réflexes valent dans tous les cas : lire les conditions d’utilisation de l’outil avant de le déployer dans une équipe, et faire valider par un juriste tout projet où la propriété du code est un enjeu commercial. Sur un dépôt open source, vérifiez aussi la compatibilité des licences.
Par où commencer concrètement ?
Installez un assistant dans votre éditeur habituel et confiez-lui d’abord une tâche sans risque : la génération de tests unitaires sur un module existant. Vous mesurerez très vite la qualité de ses suggestions sur votre propre base. Si le sujet vous intéresse au-delà de l’outillage, notre article sur l’IA appliquée au codage détaille les usages par type de tâche, et celui consacré à l’outil Tabnine montre le cas d’un assistant de complétion déployable sur une infrastructure maîtrisée.