Nous cherchons à comprendre comment les progrès des modèles d’IA modifient la façon dont les développeurs travaillent. Plus précisément, dans quelle mesure les développeurs effectuent-ils davantage de tâches qu’ils réalisaient déjà, et dans quelle mesure de meilleurs modèles rendent-ils possible un travail qui était auparavant hors de portée ?

Pour répondre à cette question, nous avons collaboré avec le professeur Suproteem Sarkar de l’University of Chicago Booth School of Business afin d’étudier les habitudes de travail des développeurs dans 500 entreprises utilisant Cursor, de juillet 2025 à mars 2026. Cette période de huit mois a couvert les lancements d’Opus 4.5 et de GPT-5.2, deux modèles qui ont marqué une avancée majeure des capacités de codage de l’IA.

Notre article montre que de meilleures IA entraînent une demande accrue en IA. Cela correspond à un effet de type Jevons, où les gains d’efficacité augmentent la consommation totale au lieu de la réduire. L’utilisation de l’IA, définie comme le nombre moyen hebdomadaire de messages par utilisateur, a augmenté de 44 % pendant la période de l’étude.

Cette hausse n’a été ni immédiate ni uniforme. Nous avons observé que les développeurs ont d’abord utilisé de meilleurs modèles pour accomplir davantage de travail d’une complexité comparable, avant de commencer, plus tard, à s’attaquer à des tâches plus complexes. De plus, cette évolution s’est surtout concentrée dans des secteurs comme la finance, les médias et la publicité, où les dynamiques concurrentielles et les opportunités inédites ont pu stimuler l’adoption.

#Les médias, le logiciel et la finance en tête

L’utilisation a augmenté dans tous les secteurs que nous avons étudiés, mais les progressions ont été plus marquées dans certains que dans d’autres. En particulier, les médias et la publicité ont enregistré la plus forte hausse, avec une augmentation de 54 % du nombre de messages par utilisateur, suivis du logiciel et des outils pour développeurs (+47 %), puis de la finance et de la fintech (+45 %).

Nous supposons que, dans la finance, une IA plus performante peut créer une dynamique de course à l’armement : dès lors qu’une entreprise utilise l’IA pour obtenir un avantage en trading, les autres subissent une pression concurrentielle pour suivre. Dans les médias et la publicité, le mécanisme est peut-être différent, des modèles plus performants ouvrant de nouvelles opportunités encore inexploitées dont les entreprises profitent.

#Un glissement vers une plus grande complexité

Au départ, les développeurs continuaient surtout à faire les mêmes choses avec les modèles d’IA améliorés, mais après un délai de 4 à 6 semaines, nous avons observé qu’ils commençaient à utiliser les modèles pour des tâches plus complexes. Dans l’ensemble, le nombre de messages de « faible complexité » a augmenté de 22 % sur la période de l’étude, tandis que le nombre de messages de « forte complexité » a progressé de 68 %, l’essentiel de cette croissance ayant eu lieu au cours des six dernières semaines.

Dans l’article, nous émettons l’hypothèse que ce décalage reflète à la fois le temps nécessaire aux développeurs pour découvrir ce qu’un modèle plus performant peut faire, et la nécessité pour les entreprises de réorienter leurs workflows autour de nouvelles capacités.

#Une répartition des tâches en évolution

À mesure que l’IA progresse en génération de code, le travail des développeurs se déplace vers la gestion de ce qu’elle produit. Ce changement apparaît clairement dans nos données, où nous pouvons mesurer l’évolution de l’utilisation selon les catégories de tâches. Les plus fortes hausses concernent la documentation (+62 %), l’architecture (+52 %), la revue de code (+51 %) et l’apprentissage (+50 %), tandis que des tâches plus délimitées, comme l’interface utilisateur et le style, ont beaucoup moins progressé (+15 %).

Cela indique qu’à mesure que le code généré par l’IA accroît la taille de la base de code, le besoin de documenter, de comprendre et de relire ce code augmente proportionnellement. Des bases de code plus vastes et qui évoluent plus rapidement augmentent aussi la complexité de l’ensemble, ce qui peut expliquer la forte croissance des tâches transversales comme l’architecture et le déploiement. Des modèles plus performants peuvent aussi rendre les développeurs plus enclins à utiliser des agents pour ces tâches transversales.

#Expansion de l’activité économique

Une question centrale autour de l’adoption de l’IA est de savoir si elle se contente de faciliter le travail existant ou si elle ouvre aussi de nouvelles opportunités productives. Notre étude montre qu’elle fait les deux, mais que cette expansion pourrait à terme devenir le phénomène le plus marquant.

Lire l’article complet.