L’IA générative change la donne pour le codage (partie 3)

Les projets de modernisation font évoluer les systèmes hérités pour répondre aux exigences des technologies actuelles tout en restant suffisamment agiles pour innover. Les développeurs sont confrontés à une réalité complexe de dette technique, d’inefficacités de code et d’attentes croissantes à livrer plus rapidement sans compromettre la qualité. Pour de nombreuses organisations, le processus ressemble à la navigation dans un labyrinthe de délais croissants et de coûts en hausse.

Lorsque nous parlons avec nos clients, il est très clair que l’Intelligence Artificielle Générative (Gen AI) est rapidement devenue un facteur de changement qui redéfinit notre approche de la modernisation. Elle transforme le flux de travail des développeurs et les libère des tâches lourdes pour se concentrer sur la créativité. Elle amplifie leurs compétences artisanales.

Pour les organisations, la Gen AI offre une voie plus intelligente et plus rapide vers la modernisation, et permet aux équipes de multiplier leurs efforts avec précision et collaboration. Les entreprises disposant d’un portefeuille d’applications utilisent la Gen AI pour permettre aux développeurs de rédiger un meilleur code plus rapidement, ce qui accélère les efforts de modernisation des applications.

La scène est prête pour une nouvelle ère de développement plus intelligent.

La Gen AI dynamise les organisations prêtes à innover

Le succès de la Gen AI se réalise lorsque les organisations abordent son adoption avec une perspective stratégique et l’intègrent dans un parcours de maturité plus large :

• Standardisation : Documenter et définir les meilleures pratiques.
• Industrialisation : Mettre en œuvre des outils pour améliorer la cohérence.
• Automatisation : Utiliser des outils avancés pour gérer les tâches répétitives.
• Gen AI : Élever les capacités grâce à une automatisation contextuelle qui permet la génération, la transformation et la remédiation de code à grande échelle.

Atteindre ce niveau de maturité débloque le véritable potentiel de la génération de code par la Gen AI, ce qui permet à la modernisation des applications de devenir un avantage compétitif, plutôt qu’un goulot d’étranglement. La Gen AI aide à automatiser les tâches chronophages, à combler les lacunes de compétences et à simplifier les complexités des systèmes hérités, ce qui conduit à l’autonomisation des équipes de développement pour innover et évoluer avec une plus grande efficacité. Cela permet d’obtenir des résultats cohérents et de haute qualité qui suivent le rythme des exigences d’un paysage numérique en constante évolution.ifier les complexités des systèmes hérités, ce qui conduit à l’autonomisation des équipes de développement pour innover et évoluer avec une plus grande efficacité. Cela permet d’obtenir des résultats cohérents et de haute qualité qui suivent le rythme des exigences d’un paysage numérique en constante évolution.

Les défis du codage d’aujourd’hui

Nous codons pour créer, réparer et évoluer. Le codage est la manière dont nous gardons les applications pertinentes et fiables. C’est le moyen par lequel nous innovons avec de nouvelles fonctionnalités et résolvons les problèmes dans les outils et les plateformes que nous utilisons.

Dans la partie 2, nous avons examiné le deuxième des trois objectifs principaux du codage dans le contexte de la modernisation des applications, et les défis uniques auxquels les équipes de développement sont confrontées dans chaque scénario :

• Développer une nouvelle fonctionnalité pour répondre aux besoins de l’entreprise ou créer des avantages compétitifs.
• Remédier aux problèmes – bugs, vulnérabilités ou goulots d’étranglement de performance qui perturbent les opérations.
• Moderniser les systèmes hérités pour tirer parti des évolutions technologiques ou réduire la dette technique.

Pour la partie 3 et notre scénario final, nous explorerons pourquoi la modernisation du code hérité en raison des évolutions technologiques et de la dette technique est urgente. La migration vers le cloud utilisant PaaS fait face à des défis de compatibilité et des risques de sécurité. Et comment la Gen AI simplifie les mises à jour, rendant la modernisation stratégique et efficace.

Scénario 3 : Moderniser le code existant en raison des évolutions technologiques et de la dette technique

Considérez un exemple de migration vers le cloud utilisant PaaS. Les applications héritées qui passent au cloud en utilisant des services PaaS, comme les applications web sans serveur ou les bases de données gérées, rencontrent souvent des défis de compatibilité, comme des dépendances anciennes intégrées dans le code nécessitant des mises à jour ou des remplacements pour assurer un fonctionnement fluide dans le nouvel environnement. Les applications doivent également fréquemment mettre à jour des packages logiciels obsolètes pour atténuer les risques de sécurité et prévenir les violations.

Il y a un thème d’urgence critique ici : la dette technique et les paysages de sécurité en évolution exigent une action immédiate.

Les initiatives de modernisation créent les conditions pour que les développeurs et les responsables informatiques se posent des questions telles que :

• Comment identifier l’impact complet de ces changements avant de commencer ?
• Le retour sur investissement vaut-il le temps, l’effort et la perturbation que nécessite la modernisation ?
• Comment assurer la cohérence des mises à niveau à grande échelle ?

Pour beaucoup, le manque d’outils et d’un plan clair a rendu ces efforts prohibitifs dans le passé. Sans une forte justification pour investir du temps et de l’énergie, les efforts de modernisation stagnent souvent ou progressent de manière incohérente.

Pourquoi la Gen AI est un facteur de changement

La Gen AI rend la modernisation gérable et, de plus, stratégique. Les outils augmentés par la Gen AI peuvent évaluer l’ampleur des changements nécessaires, identifier les dépendances, les composants obsolètes et les zones de risque.

Ils simplifient le processus de remédiation en automatisant les corrections directement dans l’IDE. Des plateformes comme GitHub Copilot et Amazon Q Developer permettent aux développeurs de faire des changements efficacement tout en réduisant l’effort manuel.

Avec l’aide de la Gen AI, la modernisation va au-delà de la mise à jour du code – nous parlons de planifier et d’exécuter des mises à niveau avec précision, y compris développer un plan de mise à niveau clair, mettre en œuvre le processus de remédiation et tester les changements.

Les applications précédemment jugées inadaptées à la modernisation en raison de contraintes de ressources peuvent maintenant être mises à jour avec moins d’effort, offrant de nouvelles opportunités aux entreprises pour débloquer de la valeur.

Nos recommandations

La modernisation des systèmes hérités exige un équilibre entre effort, stratégie et innovation. Lorsque nous parlons de transformer des applications obsolètes en systèmes sécurisés et efficaces, nous devons adopter une approche claire et s’équiper des bons outils.

• Ingénierie inverse des actifs modernes à partir du code hérité.
• Pour le code hérité comme COBOL/ASP.NET, les outils de Gen AI peuvent utiliser l’ingénierie inverse pour générer la documentation, créer des user stories, puis les convertir en actifs correspondant à la langue et au cadre modernes cibles. Pour Python, le code de l’application peut être écrit dans les cadres Flask ou Streamlit.
• Comme les cadres et les modèles modernes sont significativement différents des cadres de code hérités, l’approche doit aller au-delà de la cartographie un-à-un. Nous devons prendre en compte les attributs spécifiques non seulement de la langue de codage cible, mais aussi du cadre web et des modèles.

La fonctionnalité de chat des outils de Gen AI peut également être utilisée pour suggérer des orientations de conception comme les cadres et les modèles de conception.

Lorsque les tâches sont répétables, faire appel à des experts.

Les tâches répétables, telles que les mises à niveau de logiciels, la gestion des dépendances ou les transformations de code spécifiques, bénéficient grandement de l’apport d’experts dès le début du processus. Les experts en la matière (SMEs) peuvent :

• Définir des cadres de transformation standardisés qui minimisent la variabilité.
• Établir des lignes directrices et des processus clairs pour les tâches susceptibles de se répéter dans les projets ou les équipes.
• Évaluer les domaines où la cohérence apporte des avantages à long terme, tels que la réduction des coûts de maintenance ou l’amélioration de l’évolutivité.

Les SMEs jouent également un rôle crucial dans la définition des capacités des agents IA en fournissant les connaissances fondamentales qui rendent l’automatisation efficace. Par exemple, un agent de mise à niveau de langue ou de cadre formé avec des normes définies par les SMEs garantit que certaines transformations clés adhèrent aux meilleures pratiques organisationnelles.

Passer de l’initiative dirigée par les développeurs à l’approche dirigée par les agents IA.

Bien que les initiatives dirigées par les développeurs puissent produire des gains rapides, les étendre à l’ensemble de l’organisation nécessite un passage à des approches dirigées par les agents IA.

· Identifier les tâches répétitives et sujettes à l’incohérence, telles que la mise à niveau de plusieurs sites web ou la modernisation des dépendances des applications. Développer des agents IA avec des invites claires et réutilisables adaptées à des tâches spécifiques, garantissant une exécution cohérente.

· Lorsque ces agents sont utilisés par plus de membres de l’équipe à travers l’organisation, ces « agents de mise à niveau de code » deviennent encore plus puissants. Imaginez la valeur d’un système multi-agents : un « agent de planification de code », utilisé par tous vos développeurs avec des « agents de mise à niveau de code », suivi par des « agents de révision de code » avec de multiples interactions autonomes à travers les points de contact pour la meilleure solution.

Les SMEs conserveraient la propriété de la révision finale et de la validation de ces résultats. C’est le meilleur des deux mondes

Combiner l’expertise de nos SMEs avec l’assistant de mise à niveau GitHub Copilot pour Java ou .NET offre une voie de migration plus rapide, plus fiable et plus rentable en automatisant les mises à niveau de code, en réduisant l’effort manuel et en tirant parti des connaissances des experts pour garantir une qualité et des performances de code optimales.

Figure 1 – Assistant de mise à niveau GitHub Copilot pour Java

“GitHub reconnaît Sogeti comme un partenaire innovant dans ‘faire fonctionner la technologie’ – permettant aux clients d’embrasser la productivité des développeurs, d’accélérer la mise sur le marché des produits, de moderniser les applications et de réduire la dette technique – en tirant parti de leurs experts sur nos technologies de pointe “
Patrick Thomas, Sr. Directeur, Global Microsoft & Partner Solution Sales @GitHub

En bref : partager les agents IA et les apprentissages entre les équipes pour construire un écosystème interne d’outils et de pratiques. Transformer les efforts isolés en une stratégie de modernisation cohérente.

Préserver la supervision des développeurs

Bien que les agents IA automatisent de nombreux aspects de la génération et de la remédiation de code, les étapes finales – révision, affinage et validation – doivent rester entre les mains des développeurs. Cette supervision garantit le contrôle de la qualité et la responsabilité, ainsi qu’un cycle d’amélioration continue avec leurs retours.

Une approche programmatique pour l’évolutivité

L’un des principaux pièges des efforts de modernisation est l’incohérence. Si 10 sites web sont mis à niveau en utilisant des méthodes différentes par plusieurs développeurs, le manque de standardisation crée des défis pour la maintenance et l’évolutivité futures.

La Gen AI peut soutenir la cohérence avec des agents IA orientés vers des objectifs technologiques. Les agents peuvent être conçus pour se spécialiser dans des tâches spécifiques – telles que les mises à niveau de langue ou de cadre – avec des invites matures et réutilisables qui garantissent une exécution uniforme à travers l’organisation. Si les organisations partagent ces agents et leurs capacités en interne, elles peuvent capitaliser sur leurs apprentissages et étendre des processus cohérents à l’échelle de l’entreprise.

L’impact plus large de la Gen AI vient de sa capacité à étendre ces types de processus à travers les équipes et les organisations. Une approche programmatique garantit que les équipes adoptent des pratiques cohérentes, en utilisant les outils de Gen AI comme partie intégrante de leurs flux de travail standard. Les développeurs peuvent être soutenus par des sprints structurés, du coaching d’équipe et des boucles de rétroaction pour maximiser la valeur des outils de Gen AI. Et les progrès sont mesurés et affinés au fil du temps, créant une culture d’amélioration continue.

L’intégration est importante. Grâce à l’IDE, GitHub Copilot peut intégrer un ‘agent’ Atlassian pour tirer parti du contexte ‘in-app’ des informations et des connaissances d’Atlassian Jira et Confluence.

Figure 2 – Intégration des agents Atlassian dans GitHub Copilot Chat dans l’IDE

Avec une intégration intentionnelle et structurée des outils, des flux de travail et des pratiques à travers les équipes ou l’organisation, la Gen AI devient une partie standard du cycle de vie du développement. De cette manière, le développement de fonctionnalités ou la remédiation passent de processus ad hoc à des cadres évolutifs et répétables qui apportent de la valeur de manière cohérente.

Embrasser l’avenir avec la génération de code alimentée par l’IA

Les outils de génération de code alimentés par la Gen AI sont véritablement un facteur de changement pour le développement logiciel moderne. Ils rationalisent les processus de codage, augmentent la productivité des développeurs et débloquent de nouvelles possibilités pour la modernisation des applications.

La Gen AI n’est bien sûr pas sans ses limitations. Par exemple, la transformation de code de langages comme COBOL vers Java n’est pas encore entièrement prise en charge par les outils existants. Dans de tels cas, les organisations peuvent avoir besoin de développer des solutions de transformation de code sur mesure pour atteindre leurs objectifs.

Adopter les outils de Gen AI n’est que la première étape. Pour réaliser pleinement leur potentiel, les organisations doivent élever leur niveau de discipline – en intégrant la Gen AI dans les flux de travail de manière réfléchie et structurée. Cela nécessite plus que des capacités techniques ; cela demande une méthodologie qui combine technologie, processus et personnes. Les organisations modernisant leurs applications doivent créer des agents IA adaptés à des objectifs techniques spécifiques, pour fournir des résultats répétables et cohérents. Et elles doivent assembler une chaîne d’outils complète pour aborder tous les aspects du codage, y compris les activités en dehors de la base de code.

En fin de compte, le succès réside dans votre capacité à évaluer et à prioriser les scénarios où ces outils peuvent apporter le plus de valeur. J’espère que cette série de perspectives servira de point de départ pour explorer ces scénarios et vous aider à identifier où la Gen AI peut transformer vos processus de développement.

Selon GitHub, Capgemini et Sogeti sont les seuls GSIs avec lesquels ils ont collaboré pour les assistants de mise à niveau .NET et Java. En combinant l’expertise de nos SMEs avec GitHub Copilot, nous offrons une voie de migration plus rapide, plus fiable et plus rentable, en automatisant les mises à niveau de code, en réduisant l’effort manuel et en garantissant une qualité et des performances de code optimales.

L’avenir du codage consiste à travailler plus intelligemment, avec des processus évolutifs et une innovation durable au cœur. Il est maintenant temps de faire ce pas en avant.

Cet article est une adaptation de“Gen AI is a Game Changer for Coding (Part 3)”