# Les agents IA de codage nécessitent encore souvent des retouches

> Un nouveau test montre que le meilleur outil de codage par IA réalise sans correction manuelle à peine un quart des tâches demandées.

Oossa · 2026-11-08 · https://oossa.com/fr/ai-coding-agents-still-need-human-cleanup-on-most-real-world-tasks

Des chercheurs d’Alibaba et de plusieurs universités asiatiques ont publié Co‑Design Bench, un test qui demande à des agents de codage de modifier des applications web en service à partir de demandes réelles d’utilisateurs. Il comprend des contenus multimodaux, comme des images, des extraits audio, des vidéos et des documents, pour refléter les conditions de travail concrètes des développeurs. Dix modèles ont été évalués, de GPT‑6 Astra, dans la lignée d’OpenAI, à Claude Opus 5 et Qwen 3.8‑Max.

GPT‑6 Astra arrive en tête : il satisfait en moyenne à environ 70 % des exigences de chaque tâche. Malgré cela, il ne produit une application entièrement correcte que dans 26,4 % des cas. Pour la plupart des tâches, l’IA réalise l’essentiel du travail, mais laisse au moins un détail inachevé. Un humain doit donc encore corriger le code avant sa mise en ligne.

Des tests plus anciens, comme WebCompass‑edit, attribuent des scores proches de la perfection aux mêmes modèles, mais Co‑Design Bench révèle un écart de plus de 35 points de pourcentage. Selon les chercheurs, les anciens tests sont devenus trop faciles : les agents peuvent exécuter, vérifier et corriger leur propre code en boucle fermée, ce qui gonfle leurs scores.

Les résultats chutent nettement lorsqu’une même tâche combine trois ou quatre types de changements — mise en page, design, interactions et contenu. Tous les modèles, y compris le plus petit, Qwen 3.8‑27B, peinent dans ces conditions. Augmenter les ressources de calcul aide peu : GLM‑5.2 a utilisé six fois plus de jetons que GPT‑6 Astra pour des modifications simples, tout en obtenant un moins bon score.

## Ce que révèle le test

L’étude souligne que l’environnement d’exécution d’un agent de codage — le programme qui lui fournit le code et exécute ses résultats — peut influer sur les scores autant que le modèle lui-même. Pour des refontes importantes, le même modèle a obtenu 75 % dans un environnement et 56 % dans un autre. Les auteurs recommandent aux entreprises d’évaluer ensemble le modèle et son environnement d’exécution avant d’adopter un outil.

Les chercheurs relèvent aussi certaines limites : chaque tâche comporte une seule demande prédéfinie, et le test n’évalue donc pas les échanges de suivi. Par ailleurs, les systèmes d’IA chargés de noter les applications peuvent se tromper. Une étude antérieure de METR a constaté que, dans des situations réelles, les taux d’acceptation du code généré par l’IA étaient inférieurs d’environ 24 % aux scores obtenus sur des tests populaires comme SWE‑bench Verified.

## Les faits

- Co‑Design Bench évalue dix agents de codage à partir de demandes réelles d’utilisateurs, avec notamment des contenus multimodaux.
- GPT‑6 Astra satisfait en moyenne à environ 70 % des exigences, mais ne résout entièrement que 26,4 % des tâches.
- Sur les anciens tests, les agents obtiennent plus de 99 %, tandis que le meilleur modèle accuse un retard de plus de 35 points sur Co‑Design Bench.
- Tous les modèles obtiennent de moins bons résultats lorsqu’une tâche comporte trois ou quatre types de changements.
- Pour les refontes importantes, un même modèle peut obtenir 75 % ou 56 % selon l’environnement d’exécution utilisé.

## Pourquoi c'est important

Pour les développeurs qui envisagent d’utiliser des assistants de codage par IA, ces résultats montrent qu’il faudra encore vérifier et corriger la plupart des changements avant de publier un logiciel. Les entreprises devraient tester à la fois le modèle d’IA et son environnement d’intégration, plutôt que de se fier à des scores de benchmark susceptibles de surestimer les performances en conditions réelles.

## Sources et références

1. [AI coding agents still need human cleanup on nearly three out of four tasks in a real-world test](https://the-decoder.com/ai-coding-agents-still-need-human-cleanup-on-nearly-three-out-of-four-tasks-in-a-real-world-test/) – The Decoder, 2026-11-08

Dernière mise à jour: 2026-11-08