48 blips IA : ce que révélait le Technology Radar Vol. 32
Le volume 32 du Technology Radar de Thoughtworks, publié en avril 2025, comptait 48 blips liés à l'IA, un peu moins de la moitié du total. Au moment de sa préparation, ses auteurs s'interrogeaient eux-mêmes : leur attention était-elle détournée par le battage médiatique ambiant ?
Avec le recul de 2026, la réponse est claire : ce volume ne surestimait pas l'IA, il photographiait un basculement. L'IA imprègne désormais pratiquement tout le logiciel, de la façon de construire à ce qui est construit, et les volumes suivants du Radar, jusqu'au Vol. 34 d'avril 2026, n'ont fait qu'amplifier le mouvement. À mesure que le domaine s'intègre aux pratiques, on parle d'ailleurs de moins en moins d'« IA » comme terme générique et de plus en plus d'approches spécifiques, agents, RAG, evals, exactement comme l'industrie a cessé de parler du « cloud » en général.
Relire le Vol. 32 aujourd'hui est un exercice utile : ses regroupements, développement assisté, modèles, observabilité, frameworks LLM, récupération d'information, données synthétiques, restent la meilleure grille de lecture de l'IA telle qu'elle se pratique réellement dans l'industrie, au-delà des gros titres. C'est cette grille que nous parcourons ici, en signalant ce que 2026 a confirmé, nuancé ou dépassé.
Développement assisté par IA : des assistants aux agents de code
Le Vol. 32 élargissait le paysage au-delà de GitHub Copilot en plaçant Cursor, Cline et Windsurf en Trial, tous dotés de capacités agentiques. Prudents face au vibe coding naissant, les auteurs se montraient enthousiastes sur les workflows agentiques, une intuition confirmée : en 2026, les agents de codage en terminal comme Claude Code et les modes agents des IDE sont devenus l'outillage standard des équipes de développement.
Le vocabulaire lui-même a suivi : on ne parle plus d'assistants mais d'agents capables de planifier une tâche, de modifier plusieurs fichiers, d'exécuter les tests et d'itérer jusqu'au résultat. Le Vol. 32 capturait précisément ce point de bascule où l'autocomplétion cédait la place à la délégation supervisée.
Les anti-patterns signalés dès 2025
Le Radar plaçait en Hold la complaisance envers le code généré par IA et le remplacement du pair programming par l'IA, tout en mettant en avant la conception de code compatible IA (Assess) et l'idée que l'IA doit produire des gains d'équipe, pas seulement individuels. Il se méfiait aussi des assistants de codage locaux, limités par leur fenêtre de contexte et leur incapacité à déclencher des appels d'outils, un jugement que l'évolution du matériel n'a que partiellement démenti depuis.
Le recul 2026 : mettre les agents de code en laisse
Ces alertes ont pris de l'ampleur : le Vol. 34 consacre un thème entier à « mettre les agents de codage en laisse » et alerte sur la dette cognitive, l'écart croissant entre les humains et des systèmes dont une part massive du code est générée par l'IA. Le message de fond n'a pas changé, il s'est durci : la vigilance sur le code généré, hier simple bonne pratique, est devenue une discipline d'ingénierie à part entière, avec revues systématiques, garde-fous outillés et retour assumé aux fondamentaux.
Modèles IA : DeepSeek R1 et la fin du « plus grand est meilleur »
Côté modèles, l'événement du Vol. 32 était l'émergence de DeepSeek R1 (Assess). Au-delà du bruit financier et géopolitique, le travail de l'équipe DeepSeek était hautement innovant : ses gains d'efficacité signalaient qu'il existe des alternatives à la philosophie un peu grossière du « plus grand est meilleur ». Le Radar saluait aussi Claude Sonnet (Trial) pour ses résultats en codage, les modèles de raisonnement (Assess), les petits modèles de langage exécutables sur des dispositifs edge (Trial) et ModernBERT, successeur encodeur de BERT pour les tâches de traitement du langage.
Fine-tuning, distillation et course à l'efficience
DeepSeek avait aiguisé l'intérêt pour l'optimisation des modèles : le volume signalait la distillation (Trial), qui transfère les connaissances d'un grand modèle vers un plus petit et plus efficace, et torchtune, bibliothèque Python de post-entraînement des LLM.
Le recul de 2026 valide l'analyse. Le raisonnement est devenu une capacité standard des modèles frontière, les générations actuelles comme Claude Sonnet 5 ou la famille GPT-5.6 raisonnent nativement, sans catégorie à part, tandis que la course à l'efficience, portée par les petits modèles spécialisés, la distillation et la quantization, s'est imposée comme l'axe économique dominant du secteur. Exactement ce que la percée de DeepSeek annonçait.
Observabilité, evals et guardrails : l'IA à l'épreuve de la production
À mesure que les systèmes IA partaient en production, l'observabilité et l'évaluation de leur fiabilité devenaient critiques. Le Vol. 32 promouvait NeMo Guardrails d'Assess vers Trial après une large adoption sur les projets des équipes Thoughtworks, et signalait des alternatives à Langfuse : Arize Phoenix, Weights & Biases Weave et Helicone, tous en Assess, ainsi que Humanloop, jugé particulièrement utile dans les domaines régulés où la gestion des risques est critique.
Ce foisonnement traduisait une prise de conscience : un système LLM ne se recette pas comme un logiciel déterministe. Sans traces détaillées des prompts, des réponses, des latences et des coûts, impossible de diagnostiquer une dérive de qualité ou une explosion de facture, les outils cités comblaient précisément ce vide.
De l'observabilité à l'interprétabilité
Le volume distinguait déjà l'interprétabilité, valider les résultats pour garantir leur fiabilité et leur précision, de l'observabilité, en pointant Gemma Scope comme outil à examiner.
C'est sans doute la section la plus prémonitoire du Vol. 32 : en 2026, les evals sont devenues une discipline d'ingénierie centrale, le Vol. 34 en fait le cœur de son thème sur l'évaluation des technologies dans un monde agentique, et aucun système agentique sérieux ne part en production sans suite d'évaluation versionnée, tracing LLM et guardrails testés, au même titre qu'une suite de tests pour du code classique. Les équipes qui l'avaient compris dès 2025 ont abordé le virage agentique avec une longueur d'avance mesurable.
Frameworks LLM et RAG : de PydanticAI à GraphRAG
Sans atteindre le boom des frameworks JavaScript du milieu des années 2010, l'écosystème des frameworks LLM croissait rapidement. Après les réserves exprimées de longue date sur LangChain, le Vol. 32 mettait en avant PydanticAI, framework d'agents Python léger, doté d'une gestion intégrée de la sortie structurée et d'une abstraction par graphes pour les workflows agentiques complexes. 2026 a tranché : les workflows agentiques se construisent aujourd'hui sur des frameworks arrivés en version stable, LangGraph 1.0, Microsoft Agent Framework, successeur unifié d'AutoGen et de Semantic Kernel, et s'interconnectent via le Model Context Protocol, devenu le standard de facto de la connexion des agents aux outils.
Le R de RAG : les graphes de connaissances à la rescousse
La récupération d'information était un thème du volume, « R in RAG » : GraphRAG (Trial) et Fast GraphRAG exploitaient les graphes de connaissances pour améliorer la précision de la récupération, aux côtés de Graphiti, qui construit des graphes dynamiques temporellement conscients, et de VectorChord, extension PostgreSQL de recherche vectorielle haute performance. Ces techniques sont depuis passées dans la boîte à outils courante des équipes data : la recherche hybride combinant graphes, vecteurs et mots-clés s'est imposée comme l'architecture de référence des systèmes de récupération, y compris pour alimenter la mémoire des agents.
Le contraste avec 2025 tient en un mot : consolidation. Là où le Vol. 32 recensait des candidats, 2026 aligne des standards, protocoles d'interconnexion, frameworks stables, patterns de récupération documentés, sur lesquels les équipes peuvent bâtir sans craindre l'obsolescence à trois mois.
Données synthétiques et préparation à l'IA
Le volume présentait enfin Tonic et Synthesized (Assess), au service de ce que Thoughtworks appelle la préparation à l'IA, disposer de données exploitables, représentatives et conformes avant de construire quoi que ce soit dessus.
Le marché a suivi : entre les exigences réglementaires sur les données personnelles et l'appétit des modèles pour des données d'entraînement et de test de qualité, la génération synthétique s'est installée dans les pipelines de test, l'entraînement de modèles spécialisés et la validation des systèmes agentiques, où tester un agent sur des données de production réelles est rarement acceptable.
Pour les équipes QA et data, l'usage le plus concret reste la génération de jeux de données de test fidèles aux distributions de production mais dépourvus de données personnelles, un prérequis devenu incontournable avec le durcissement des contrôles RGPD et les exigences de l'AI Act européen sur les données d'entraînement.
Du Vol. 32 au Vol. 34 : lire le Radar avec le recul de 2026
Dire que le paysage IA évolue à un rythme vertigineux est banal ; le mesurer l'est moins. Deux volumes plus tard, le Vol. 34 d'avril 2026 articule ses thèmes autour de l'évaluation des technologies dans un monde agentique, de la sécurisation d'agents avides de permissions, de l'encadrement des agents de codage et du retour aux fondamentaux d'ingénierie face à la dette cognitive, la suite logique, durcie, des signaux du Vol. 32.
La leçon méthodologique vaut d'être retenue : le Radar vaut moins pour chaque blip que pour ses trajectoires. Suivre le mouvement d'un outil d'Assess vers Trial, ou l'apparition d'un Hold sur une pratique en vogue, en dit davantage sur la maturité réelle d'une technologie que n'importe quelle annonce marketing. L'IA reste un domaine complexe et fragmenté qui n'a pas fini de se stabiliser, si tant est qu'il le fasse un jour.
Ce recul rappelle aussi une évidence : aucun volume ne prédit l'avenir. Le Vol. 32 n'avait anticipé ni la vitesse de standardisation de MCP ni l'ampleur du virage agentique de 2026 ; il en avait en revanche identifié toutes les conditions, la maturité des modèles, l'outillage d'évaluation, la pression sur les coûts et la discipline d'ingénierie nécessaire pour en tirer parti.
Chez Adservio, nous utilisons cette lecture par trajectoires pour conseiller nos clients dans leurs choix d'outillage IA : adopter ce qui a fait ses preuves en production, expérimenter ce qui monte avec un cadre d'évaluation, et éviter les anti-patterns que le Radar documente volume après volume. Cette veille outillée évite deux écueils symétriques : s'équiper trop tôt sur des technologies immatures, ou attendre si longtemps que l'avantage compétitif s'est évaporé.
Avertissement : les déclarations et opinions exprimées dans cet article sont celles de l'auteur ou des auteurs et ne reflètent pas nécessairement les positions d'Adservio.
RÉCUPÉRER CET ARTICLE
Téléchargez l'article complet en PDF pour le lire hors ligne ou le partager.
RESTER INFORMÉ
Recevez nos prochaines analyses et retours d'expérience directement dans votre boîte mail.
