SDLC : les phases du cycle de développement logiciel augmenté par l’IA
Par Anis Bessa, directeur général de Harington
Qu’est-ce que le SDLC ?
Le SDLC (Software Development Life Cycle) ou cycle de vie du développement logiciel, est l’ensemble des étapes qui transforment un besoin en produit logiciel en production, puis le font évoluer. Il décrit qui fait quoi, dans quel ordre et ce qui doit être validé avant de passer à l’étape suivante.
- Le recueil du besoin, c’est à dire les bénéfices que doit apporter le produits pour quels usages.
- La spécification, les différentes fonctionnalités et les règles à respecter.
- La conception de l’architecture et les choix techniques.
- Le développement, à savoir l’écriture du code.
- Les tests pour vérifier que le logiciel fait ce qui était prévu, sans effet de bord.
- La mise en production, c’est à dire le déploiement auprès des utilisateurs.
- La maintenance pour les corrections et les évolutions.
Ces étapes peuvent s’enchaîner une seule fois, comme dans le cycle en V, ou se répéter à chaque itération comme en agilité et en DevOps. L’objectif du SDLC lui ne change pas, à savoir livrer un produit logiciel conforme au besoin.
Qu’est-ce qu’un SDLC augmenté par l’IA ?
Un SDLC augmenté par l’IA est un cycle de développement logiciel dans lequel des agents IA produisent le code, les tests et la documentation à partir de spécifications validées par des humains, avec un contrôle à chaque transition entre les phases.
Contrairement à l’utilisation de l’IA par les développeurs, ce qui le distingue est que :
- L’IA intervient sur tout le cycle et pas seulement lors de l’écriture du code.
- La spécification est le point de départ du travail des agents. L’agent exécute un dossier déjà validé.
- Chaque transition est contrôlée. Il est nécessaire de valider chaque étape pour passer à la suivante et chaque décision est tracée.
On parle aussi de SDLC agentique ou de SDLC IA. C’est l’un des cinq critères qui font une ESN AI-Augmented, être en capacité de couvrir tout le cycle de développement logiciel et pas seulement le code.
Pourquoi le cycle de développement change avec l’IA
Le code n’est qu’une partie du cycle.
Selon le cabinet de conseil Bain, écrire et tester du code représente entre 25 à 35 % du temps passé entre la phase d’idéation et le lancement d’un produit. En utilisant des assistants de code, on gagne entre 10 et 15 % de productivité alors que l’on peut atteindre 25 à 30 % en associant l’IA générative à une transformation complète du processus (Bain, Technology Report 2025). Accélérer le code sans changer le reste du cycle déplace simplement le goulot d’étranglement vers le cadrage, la revue et les tests.
L’IA amplifie l’organisation telle qu’elle est.
Le rapport DORA 2025 de Google le résume ainsi : « L’IA ne répare pas une équipe, elle amplifie ce qui existe déjà » (Google Cloud, rapport DORA 2025). L’étude observe que l’adoption de l’IA augmente le débit de livraison mais qu’elle reste associée à une plus grande instabilité des mises en production.
Les développeurs utilisent l’IA mais ne lui font pas confiance.
Selon l’enquête Stack Overflow 2025, 84 % des développeurs utilisaient ou prévoyaient d’utiliser des outils d’IA. Ils étaient pourtant 46 % à se méfier des résultats contre 33 % à lui faire confiance (Stack Overflow Developer Survey 2025). Le contrôle ne peut donc pas reposer sur la seule vigilance de chaque développeur, il doit être intégré dans le cycle de développement.
Conséquence ? Quand un agent produit en quelques minutes ce qui prenait des jours, la valeur se déplace vers de nouvelles compétences. La précision de la spécification car sans, l’agent interprète. Et la rigueur de la vérification.
SDLC classique vs SDLC avec copilote vs SDLC augmenté par l’IA
Un copilote accélère une phase alors qu’un SDLC augmenté par l’IA réorganise tout le cycle.
| Critère | SDLC classique | SDLC avec un copilote de code | SDLC augmenté par l’IA |
|---|---|---|---|
| Rôle de l’IA | Aucun | Assiste un développeur sur une tâche | Produit le code, les tests et la documentation sur tout le cycle |
| Point de départ | Une story | Un prompt | Un dossier validé : PRD, stories, critères d’acceptation, invariants |
| Contexte | La mémoire de l’équipe | Le fichier ouvert | Une base de connaissance du SI, partagée par les humains et les agents |
| Contrôle | Revue de code humaine | Relecture laissée au développeur | Une gate à chaque transition, humaine ou automatique |
| Preuve | Les tests passés | La déclaration de l’outil | Le résultat réel des tests, capturé à chaque exécution |
| Traçabilité | Variable | Faible | Piste d’audit : sources, décisions, approbations et coûts |
| Coût de l’IA | Sans objet | Licences par utilisateur | Budget plafonné par projet |
Les phases du SDLC augmenté par l’IA
Chez Harington, le cycle de développement logiciel augmenté par l’IA compte six phases. Les trois premières s’effectuent dans l’Atelier où les équipes cadrent avec un assistant IA. Les trois suivantes se déroulent dans l’Usine où les agents produisent et où les équipes valident.
De l’idée à la production
Six phases, aucune sans contrôle.
- 01
Cadrage
Product owner (PO)
Validation humaine
Le PRD de la fonctionnalité - 02
Spécification
Business analyst (BA)
Validation humaine
Stories et critères d’acceptation - 03
Conception
Tech lead
Validation humaine
Spec technique et invariants - 04
Implémentation
Agent IA ou développeur
Scan de secrets et CI
Code, tests et documentation - 05
Validation
Plateforme et relecteurs
Revue humaine
PR confrontée aux specs - 06
Release
L’équipe
Approbation explicite
Merge, doc, post-mortem
Aucun code n’est intégré sans l’approbation explicite de l’équipe.
Phase 1. Le cadrage, le PO écrit le PRD
Le Product Owner décrit le besoin dans un PRD (Product Requirements Document), à savoir le problème à résoudre, la valeur attendue, le périmètre et les exclusions. L’assistant IA connaît le projet. Il propose une première version, signale les ce qui reste à préciser et rappelle les décisions déjà prises.
Gate : Le PO valide le PRD. Un besoin mal exprimé est stoppé.
Phase 2. La spécification, le BA découpe en stories
Le Business Analyst découpe le besoin en user stories, chacune avec ses critères d’acceptation, c’est-à-dire les conditions vérifiables qui vérifions que la story est bien terminée. L’IA aide à repérer les cas limites oubliés et les incohérences entre stories.
Gate : Le BA valide les stories, qui restent dans les outils du client (Jira ou Azure DevOps).
Phase 3. La conception, le tech lead fixe les invariants
Le tech lead rédige les spécifications techniques et les invariants. Il définit les règles que le code devra toujours respecter, par exemple "aucune donnée personnelle dans les logs" ou "toute écriture en base passe par le service X". Ce sont ces invariants qui encadrent les agents.
Gate : Le tech lead valide. À la sortie de l’atelier, chaque story part vers l’usine avec un dossier structuré.
C’est le principe du Spec-driven development, ou développement piloté par les spécifications.
Phase 4. L’implémentation, l’agent produit avec les mêmes règles qu’un développeur
Un agent IA produit le code, les tests et la documentation de la story. Un développeur peut aussi la prendre en charge ou travailler avec l’agent. Dans les deux cas, ils disposent du même contexte, des mêmes outils et des mêmes règles.
Gate automatique : Le scan de secrets et l’intégration continue s’exécutent à chaque fois. Le résultat réel des tests est capturé, un agent n’est jamais cru par défaut.
Phase 5. La validation, une revue confrontée au contrat
La plateforme confronte la pull request au contrat défini en amont : Spécifications, critères d’acceptation et invariants. Elle présente aux équipes uniquement les points à vérifier. Chaque point s’appuie sur une source, et aucune supposition n’est présentée comme un fait.
Gate : La revue humaine.
Phase 6. La release, rien n’est intégré sans approbation
L’équipe approuve explicitement le merge. La documentation est mise à jour et un post-mortem est rédigé. Les enseignements enrichissent la base de connaissance pour qu'une erreur déjà rencontrée devienne une règle pour les cycles suivants.
Gate : l’approbation explicite. Aucun code n’est intégré sans l’accord de l’équipe.
Le contexte comme prérequis
Un agent sans contexte produit du code générique. Pour qu’il produise du code adapté au SI du client, il doit en connaître l’architecture, les conventions, l’historique et les décisions. C’est le rôle du Brain de Harry SDLC : une base de connaissance construite à partir des dépôts de code, de Jira et de Confluence. Elle couvre huit domaines : Usage, produit, architecture, dépôts, configuration, CI/CD, exploitation et observabilité.
Chaque note y est sourcée et datée. Le Brain sert les six phases. Le PO y retrouve les décisions passées, l’agent y trouve les conventions du projet et le relecteur y vérifie les invariants. On parle de context engineering, une discipline à laquelle nous consacrerons un prochain article.
La gouvernance du SDLC augmenté
Un prototype n’exige pas le même niveau de contrôle qu’un système bancaire. Harry SDLC applique donc trois modes de gouvernance, en fonction du type de projets et appliqués par la plateforme.
- POC pour explorer vite
- Standard, pour produire
- Régulé pour les secteurs soumis à DORA, NIS2 ou à l’AI Act avec des validations humaines sur les transitions choisies et une piste d’audit consultable
Quel que soit le mode, un socle ne se désactive jamais. Le scan de secrets et la pull request sont systématiques. Le budget IA est plafonné par projet, avec des coûts ventilés par agent et par exécution. Au-delà du seuil, l’exécution s’arrête et attend un arbitrage humain.
La sécurité, elle, se prolonge après la release. Avec Harry Sec, sa plateforme DevSecOps de gestion des vulnérabilités, Harington détecte les failles en continu sur le parc applicatif, produit les correctifs dans ce même cycle et fournit les preuves de conformité.
Ce que le SDLC augmenté par l’IA ne fait pas
- Il ne supprime pas les équipes. Le PO, le BA et le tech lead passent plus de temps à cadrer et à décider. Les développeurs et les testeurs valident et arbitrent.
- Il ne s’applique pas partout de la même façon. Les gains sont les plus nets sur la TMA, la modernisation du legacy et les tests de non-régression. Ils sont plus limités sur les projets exploratoires, où le besoin n’est pas assez stable pour être spécifié.
- Il ne remplace pas l’humain sur les systèmes critiques. Sur les systèmes certifiés (santé, aéronautique, ferroviaire, paiement) ou sur des données non gouvernées, les agents aident à analyser, documenter et tester mais ne produisent pas le code de production.
Résultats : le SDLC augmenté par l’IA chez nos clients
- −90 %d'effort de non-régressionTests end-to-end automatisés, couverture en hausse à chaque release
- +40 %de vélocitéNouvelles applications livrées du cadrage au déploiement
- 32 000rapports BI migrés par agents IAModernisation d'un patrimoine BI pour un groupe international
- −30 %sur le budgetMigration legacy menée application par application
Chiffres issus de réalisations Harington, 2025-2026.
"Les agents IA écrivent du code en quelques minutes. Ce qui fait la différence, c’est la qualité du cadrage en amont et la rigueur du contrôle en aval. C’est pour cela que nous avons construit Harry SDLC autour des six phases du cycle, et pas autour du seul code."
Anis Bessa, directeur général de Harington
Par où commencer ?
- VoirUne démo live de 45 minutes sur un projet réel, du besoin cadré à la pull request produite.
- EssayerUn pilote en mode POC sur une fonctionnalité de votre backlog, avec vos outils et vos équipes.
- IndustrialiserLe passage en mode Standard ou Régulé avec la Harington Academy pour accompagner les équipes.
Harry SDLC est inclus dans les contrats au forfait et en centre de services de Harington, sans licence ni surcoût outil.
Découvrir Harry SDLCQuestions fréquentes sur le SDLC et l’IA
Le SDLC (Software Development Life Cycle), ou cycle de vie du développement logiciel, est l’ensemble des étapes qui transforment un besoin en logiciel en production : Recueil du besoin, spécification, conception, développement, tests, mise en production et maintenance.
On retrouve généralement sept étapes : Le recueil du besoin, la spécification, la conception, le développement, les tests, la mise en production et la maintenance. Le SDLC augmenté par l’IA de Harington les organise en six phases, du cadrage à la release, avec une gate de contrôle à chaque transition.
C’est un cycle de développement logiciel dans lequel des agents IA produisent le code, les tests et la documentation à partir de spécifications validées par des humains, avec un contrôle à chaque transition entre deux phases.
Un copilote assiste un développeur sur l’écriture du code, qui ne représente qu’environ 25 à 35 % du temps entre l’idée et le lancement d’un produit. Un SDLC augmenté par l’IA réorganise tout le cycle : cadrage, spécification, conception, production, revue et mise en production.
Une gate est un point de contrôle entre deux phases. Elle peut être humaine (le PO valide le PRD) ou automatique (le scan de secrets et l’intégration continue). Rien ne passe à la phase suivante sans l’avoir franchie.
Oui, si le contrôle humain est tracé et appliqué par la plateforme. Chez Harington, le mode Régulé de Harry SDLC pose des validations humaines sur les transitions choisies et garde une piste d’audit de chaque décision, consultable sans reconstitution.
Pour aller plus loin : Qu’est-ce qu’une ESN AI-Augmented ?, Harry SDLC, la software factory agentique de Harington, Harry Sec, la plateforme DevSecOps
En savoir plus
Qu'est-ce que le SDLC, et comment l'IA change-t-elle le cycle de développement logiciel ? Définition, différences avec un copilote de code, et les 6 phases d'un SDLC augmenté par l'IA, avec une gate de contrôle à chaque transition.
Qu’est-ce qu’une ESN AI-Augmented ? Une ESN qui intègre l’IA générative et des agents IA dans toutes ses expertises et sur tout le cycle de développement logiciel, sous contrôle humain, et qui s’engage sur le résultat. Définition, différences avec une ESN classique et 5 critères pour la reconnaître.
Harington publie son bilan carbone 2025 sur l'ensemble de ses activités en France : 548 tCO2e, soit 38 % de moins qu'en 2022, alors que les effectifs ont progressé de 23 % et le chiffre d'affaires de 64 %. Les émissions par collaborateur baissent de 49 %, à 4 tCO2e.