Statistiques sur les assistants de codage IA.

Les assistants de codage IA ne sont plus une expérience secondaire pour les développeurs curieux. En 2026, la meilleure question est de savoir quel type d’adoption vous entendez : utilisation des enquêtes, habitudes quotidiennes, postes payants, déploiement en entreprise, suggestions de code acceptées, performances de référence ou code révisé qui est réellement livré.

Cette distinction est importante car les chiffres d’en-tête sont importants. Stack Overflow indique que 84 % des répondants utilisent ou prévoient d’utiliser des outils d’IA dans leur processus de développement, tandis que 50,6 % des développeurs professionnels les utilisent quotidiennement. JetBrains indique que 90 % des développeurs professionnels dans son enquête AI Pulse de janvier 2026 utilisaient régulièrement au moins un outil d’IA au travail, et 74 % avaient adopté des outils de développement d’IA spécialisés. Microsoft indique que GitHub Copilot compte plus de 4,7 millions d’abonnés payants et est utilisé par près de 140 000 organisations.

Mais les grands nombres peuvent induire en erreur lorsqu’ils sont placés dans le mauvais compartiment. Un score de référence n’est pas un nombre d’utilisateurs. Un abonné payant n’est pas un développeur actif quotidien. Une ligne de code générée n’est pas un logiciel révisé, sécurisé et déployé. La véritable histoire de 2026 est que les outils de codage IA sont courants, commerciaux et de plus en plus autonomes, tandis que le travail difficile s’est déplacé en aval vers la révision, la gouvernance, la traçabilité et la mesure de la capacité des équipes à livrer de meilleurs logiciels.

Les assistants de codage IA en un coup d’œil

Les chiffres d’en-tête utilisent des dénominateurs différents, il faut donc les lire comme des signaux distincts d’enquête, commerciaux, de capacité et de gouvernance plutôt que comme un seul chiffre.

Lire attentivement les chiffres d’adoption

La manière la plus sûre de lire les statistiques des assistants de codage IA est de les considérer comme une échelle. Au sommet se trouvent les signaux d’enquête généraux : si les développeurs ont essayé les outils d’IA, les utilisent quotidiennement ou prévoient de les utiliser bientôt. Le chiffre de 84 % « utilisent ou prévoient d’utiliser » de Stack Overflow est un signal d’adoption fort, mais ce n’est pas la même métrique que son chiffre de 50,6 % d’utilisation quotidienne chez les développeurs professionnels.

Le niveau suivant est l’utilisation spécifique au travail. L’enquête AI Pulse de JetBrains de janvier 2026 est utile car elle sépare les outils d’IA généraux des outils de développement spécialisés. Elle rapporte 90 % d’utilisation régulière des outils d’IA au travail pour le codage et le développement, et 74 % d’adoption d’outils de développement d’IA spécialisés. Il s’agit toujours de preuves d’enquête, mais elles sont plus proches du flux de travail professionnel qu’un sondage générique « les développeurs aiment l’IA ».

L’échelle commerciale est un niveau différent. Microsoft donne des chiffres publics pour les utilisateurs de GitHub Copilot, les abonnés payants et les organisations : plus de 26 millions d’utilisateurs, plus de 4,7 millions d’abonnés payants et près de 140 000 organisations. Ce sont parmi les indicateurs publics les plus solides pour un assistant de codage IA nommé, mais chacun répond à une question différente.

En dessous se trouvent les métriques d’interaction produit. La propre documentation des métriques d’utilisation de GitHub définit un utilisateur actif de Copilot par le nombre d’interactions initiées par l’utilisateur, et définit le taux d’acceptation de la complétion de code comme l’activité de code accepté divisée par l’activité de génération. Ces définitions évitent une erreur courante : une suggestion acceptée n’est pas la même chose qu’une demande de tirage fusionnée, et une demande de tirage fusionnée n’est pas la même chose qu’un logiciel de production fiable.

Les benchmarks se situent sur une branche distincte. Les 500 instances validées par l’homme de SWE-bench Verified aident à comparer les agents de codage sur les tâches d’ingénierie logicielle, et la famille SWE-bench plus large est utile pour comprendre les progrès des capacités. Mais les taux de réussite des benchmarks ne sont pas des nombres d’utilisateurs, des nombres de clients ou le ROI d’entreprise.

Adoption par les développeurs : l’IA est devenue une partie normale du flux de travail

Les preuves d’enquête les plus solides vont dans la même direction : l’assistance IA est désormais normale dans le développement logiciel. L’enquête 2025 de Stack Overflow rapporte 47,1 % d’utilisation quotidienne des outils d’IA parmi tous les répondants, 17,7 % hebdomadaire, 13,7 % mensuelle ou peu fréquente, 5,3 % prévoient d’utiliser bientôt, et 16,2 % n’ont pas l’intention de les utiliser. Parmi les développeurs professionnels, le chiffre d’utilisation quotidienne monte à 50,6 %.

JetBrains raconte une histoire similaire avec une conception d’enquête différente. Son rapport 2025 sur l’écosystème des développeurs est basé sur 24 534 développeurs après nettoyage des données, avec une pondération par géographie, emploi, langues et utilisation des produits, ainsi qu’une mise en garde explicite selon laquelle les utilisateurs de JetBrains pourraient être plus susceptibles de répondre. Dans ce cadre, JetBrains rapporte 85 % d’utilisation régulière de l’IA pour le codage et 62 % de dépendance à au moins un assistant, agent ou éditeur de code IA.

La mise à jour de l’AI Pulse de janvier 2026 rend la carte du marché plus granulaire. Elle a couvert plus de 10 000 développeurs professionnels dans le monde, localisée en huit langues, pondérée pour s’aligner sur les distributions de l’écosystème des développeurs 2025. Dans cette enquête, 90 % utilisaient régulièrement au moins un outil d’IA au travail, 74 % avaient adopté des outils de développement d’IA spécialisés, GitHub Copilot était utilisé au travail par 29 %, et Cursor et Claude Code étaient chacun utilisés par 18 %.

DORA ajoute une perspective d’organisation technologique. Le résumé DORA 2025 de Google indique que le rapport s’est appuyé sur près de 5 000 professionnels de la technologie dans le monde, 90 % déclarant utiliser l’IA au travail et une moyenne de deux heures par jour passées à travailler avec l’IA. DORA indique également que 65 % dépendent fortement de l’IA pour le développement logiciel et plus de 80 % signalent des gains de productivité.

La mise en garde est que ces populations ne sont pas identiques. Stack Overflow interroge une large communauté de développeurs. JetBrains interroge les développeurs et fournit des détails de pondération. DORA interroge les professionnels de la technologie et étudie les systèmes d’équipe, pas seulement les assistants de codage. Le fait que les trois indiquent une adoption élevée est significatif ; le fait qu’ils utilisent des dénominateurs différents est la raison pour laquelle ils ne devraient pas être regroupés en un seul chiffre.

GitHub Copilot est le point d’ancrage le plus clair de l’adoption payante

GitHub Copilot n’est pas l’ensemble du marché des assistants de codage IA, mais c’est le point d’ancrage commercial le mieux documenté. Microsoft a déclaré au T1 de l’exercice 26 que GitHub Copilot comptait « désormais plus de 26 millions d’utilisateurs » et que GitHub lui-même comptait plus de 180 millions de développeurs. Le même appel a indiqué que 80 % des nouveaux développeurs sur GitHub commencent avec Copilot au cours de leur première semaine et que plus de 500 millions de demandes de tirage avaient été fusionnées au cours de l’année précédente.

Le nombre payant est plus clair que le nombre d’utilisateurs. Au T2 de l’exercice 26, Microsoft a déclaré que Copilot comptait plus de 4,7 millions d’abonnés payants, soit une augmentation de 75 % d’une année sur l’autre, et que les abonnements Copilot Pro+ pour les développeurs individuels avaient augmenté de 77 % d’un trimestre à l’autre. Microsoft a également cité Siemens adoptant largement GitHub après un déploiement de Copilot auprès de plus de 30 000 développeurs, un exemple d’entreprise concret qui ne doit pas être généralisé à tous les clients.

Au T3 de l’exercice 26, Microsoft a déclaré que près de 140 000 organisations utilisent GitHub Copilot, que les abonnés d’entreprise avaient presque triplé d’une année sur l’autre, que la plupart des utilisateurs utilisent plusieurs modèles et que l’utilisation de Copilot CLI avait presque doublé d’un mois à l’autre. Microsoft a également déclaré qu’il orientait Copilot vers une tarification basée sur l’utilisation pour aligner les prix sur l’utilisation et les coûts.

Le produit lui-même évolue également. GitHub est passé de l’autocomplétion et du chat à un agent de codage qui travaille à partir de problèmes et de branches, et à Agent HQ, que GitHub positionne comme une couche d’organisation pour les agents de codage. Il a également ajouté le choix du modèle entre les modèles OpenAI, Anthropic et Google. En 2026, « assistant de codage IA » signifie de plus en plus un écosystème de modèles, de politiques, d’agents et de surfaces de révision, et pas seulement une boîte d’autocomplétion.

Le marché est plus large que Copilot

La carte de marché la plus sûre est celle du flux de travail, et non celle d’une part de marché inventée. GitHub Copilot est le plus grand point d’ancrage payant documenté publiquement, mais l’enquête 2026 de JetBrains montre que les développeurs utilisent une pile multi-outils : Copilot avait 76 % de notoriété et 29 % d’adoption au travail ; Cursor avait 69 % de notoriété et 18 % d’adoption ; Claude Code a atteint 18 % d’adoption (24 % aux États-Unis et au Canada) ; OpenAI Codex avait 27 % de notoriété et 3 % d’adoption au cours de la période d’enquête ; et Google Antigravity a atteint 6 % après son lancement en novembre.

Cette enquête montre également que les interfaces de chat générales sont toujours importantes : 28 % des développeurs utilisent ChatGPT au travail pour le codage, 8 % utilisent Gemini et 7 % utilisent le chatbot de Claude. La section des outils d’agent de Stack Overflow montre de manière similaire ChatGPT et GitHub Copilot comme outils prêts à l’emploi courants parmi les répondants utilisant ou construisant des agents, avec Claude Code, Google Gemini, Microsoft Copilot, Replit, Tabnine, Amazon CodeWhisperer, Cody et Devin dans la longue traîne.

Pour les fondateurs, cette carte est plus utile qu’un faux classement. Vendre « un autre assistant de codage » est une position faible à moins que le produit ne possède une couche spécifique : contexte de dépôt, révision de sécurité, génération de tests, migration, recherche de code, intégration de base de code, automatisation de terminal, exécution cloud, politique, évaluations, facturation ou orchestration d’agents.

Productivité : la création de code plus rapide est réelle, mais ce n’est pas un retour sur investissement automatique

L’étude de productivité positive la plus citée est l’expérience contrôlée de GitHub sur les tâches Copilot. Les développeurs utilisant Copilot ont terminé une tâche de serveur HTTP JavaScript 55 % plus rapidement, en moyenne 1 heure 11 minutes contre 2 heures 41 minutes sans Copilot. C’est un résultat réel, mais c’est un seul paramètre de tâche — il soutient « Copilot peut accélérer certaines tâches de codage », pas « chaque développeur est 55 % plus rapide ».

Les enquêtes montrent que les développeurs ressentent les avantages. JetBrains indique que près de neuf développeurs sur dix qui utilisent l’IA pour le codage économisent au moins une heure par semaine, et un sur cinq économise huit heures ou plus. DORA indique que plus de 80 % pensent que l’IA a augmenté la productivité et 59 % signalent une influence positive sur la qualité du code. GitLab indique que 78 % signalent une production de code plus rapide et 73 % déclarent que la qualité globale du code s’est améliorée depuis l’adoption des outils de codage IA.

Le problème n’est pas de savoir si l’IA peut faire apparaître le code plus rapidement. Elle le peut. Le problème est de savoir si une création de code plus rapide se traduit par une livraison plus rapide et plus sûre. L’annonce DORA 2025 indique que l’adoption de l’IA a une relation positive avec le débit et les performances du produit, mais une relation négative avec la stabilité de la livraison logicielle. Le cadre plus large de DORA est que l’IA amplifie le système qu’une équipe a déjà : les équipes solides peuvent en bénéficier, tandis que les boucles de rétroaction faibles et les systèmes étroitement couplés sont exposés.

L’enquête 2026 de GitLab rend le goulot d’étranglement en aval concret : 85 % sont d’accord que l’IA a déplacé le goulot d’étranglement de l’écriture de code vers sa révision et sa validation, 84 % sont d’accord que le plus grand défi est de gouverner le code généré par l’IA après sa création, et 82 % disent que le code généré par l’IA risque de créer de nouvelles dettes techniques que leur organisation n’est pas prête à gérer. L’enquête précédente de GitLab indiquait également que les équipes perdaient 7 heures par semaine par membre en raison de processus inefficaces, 49 % utilisaient plus de cinq outils d’IA, et seulement 37 % feraient confiance à l’IA pour gérer les tâches quotidiennes sans révision humaine.

METR est le contre-exemple le plus frappant car il a mesuré des tâches réelles plutôt que des auto-déclarations. Dans son essai contrôlé randomisé de début 2025, 16 développeurs open source expérimentés ont travaillé sur 246 tâches dans des dépôts matures. Ils s’attendaient à ce que l’IA réduise le temps d’achèvement de 24 %, et après coup, ils croyaient toujours que l’IA les avait accélérés de 20 % — mais le temps d’achèvement mesuré était 19 % plus long lorsque l’IA était autorisée (METR arXiv).

Cela ne prouve pas que les outils de codage IA sont mauvais. La propre page de METR avertit maintenant que le résultat de début 2025 est obsolète, et sa mise à jour de 2026 indique que les nouvelles données sont difficiles à interpréter car les développeurs optent de plus en plus pour un travail non autorisé par l’IA, choisissent les tâches différemment et utilisent plusieurs agents simultanément. La bonne lecture est nuancée : la productivité de l’IA dépend du type de tâche, de la familiarité avec la base de code, du niveau de qualité, de la charge de révision et de la mesure dans laquelle le flux de travail autour de la génération de code a été repensé.

Offre de code, demandes de tirage et benchmarks

Les assistants de codage IA modifient l’offre de code. Microsoft a déclaré que des dizaines de milliers de développeurs AMD utilisent Copilot et acceptent des centaines de milliers de lignes de suggestions de code chaque mois. La documentation des métriques d’utilisation de GitHub définit le taux d’acceptation de la complétion de code comme l’activité de code accepté divisée par l’activité de code généré. Ces éléments sont précieux pour les tableaux de bord de déploiement interne, mais ce sont toujours des métriques d’interaction.

La couche suivante est le flux de travail des demandes de tirage. Microsoft a déclaré que plus de 500 millions de demandes de tirage ont été fusionnées sur GitHub au cours de l’année précédente, dans la même discussion sur les agents de codage IA et l’adoption de Copilot. GitHub a lancé un agent de codage Copilot qui fonctionne à partir de problèmes et de branches, et Agent HQ pour gérer plusieurs agents de codage. Cela rapproche l’assistance IA du système de livraison, mais cela ne supprime pas la responsabilité de la révision.

Les benchmarks montrent pourquoi tout le monde investit dans les agents de codage. SWE-bench Verified contient 500 instances validées par l’homme, conçues comme un ensemble d’évaluation plus fiable pour les agents de codage et les modèles linguistiques. HumanEval reste important en tant qu’ancien benchmark de génération de code, mais c’est un format historique, pas un proxy complet pour le travail logiciel d’entreprise. La note d’OpenAI sur le fait de ne plus utiliser SWE-bench Verified comme évaluation principale est une mise en garde utile : les benchmarks peuvent saturer ou perdre leur pouvoir de discrimination à mesure que les modèles et les échafaudages s’améliorent.

La confiance, la sécurité et la gouvernance sont le nouveau centre du marché

Les chiffres d’adoption sont élevés, mais la confiance ne l’est pas. Le communiqué de presse 2025 de Stack Overflow indique que 46 % des développeurs ne font pas confiance à la précision des résultats de l’IA, contre 31 % en 2024. L’enquête détaillée indique que 66 % citent des solutions d’IA qui sont « presque justes, mais pas tout à fait », et 45,2 % citent le débogage du code généré par l’IA comme étant chronophage.

Pour les agents IA, la préoccupation est plus vive. Stack Overflow indique que 87 % sont préoccupés par la précision des informations provenant des agents IA, et 81 % ont des préoccupations en matière de sécurité et de confidentialité des données lors de l’utilisation d’agents. Le paradoxe de la confiance de DORA va dans le même sens : seulement 24 % déclarent une grande ou très grande confiance dans l’IA, tandis que 30 % déclarent peu ou pas de confiance.

La gouvernance devient un enjeu commercial. L’enquête 2026 de GitLab indique que 43 % ne peuvent pas distinguer de manière fiable le code généré par l’IA du code écrit par l’homme dans leur propre base de code, 92 % signalent un défi de gouvernance, et 80 % conviennent que leur organisation a adopté les outils d’IA plus rapidement qu’elle n’a élaboré des politiques. GitLab indique également que 87 % sont convaincus de pouvoir déterminer en 24 heures si le code généré par l’IA a contribué à un incident de production — mais 34 % des organisations ayant eu un incident au cours de l’année précédente n’ont pas pu faire cette détermination.

Les études de sécurité expliquent pourquoi la révision ne peut pas disparaître. « Asleep at the Keyboard ? » est une étude plus ancienne sur les risques de génération de code de type Copilot. « Do Users Write More Insecure Code with AI Assistants ? » est une autre étude historique importante sur le comportement des utilisateurs avec l’assistance au codage IA. Des travaux plus récents de USENIX Security 2025 continuent d’examiner comment le code généré par l’IA modifie le profil de risque. Les taux exacts des anciens articles ne doivent pas être appliqués aveuglément aux outils de 2026, mais la leçon durable demeure : le code généré nécessite une provenance, une révision, des tests, une politique et une analyse de sécurité.

Les fournisseurs réagissent en passant de la pure génération aux contrôles. GitHub développe des tableaux de bord de métriques, des contrôles d’entreprise, le choix du modèle et Agent HQ. GitLab positionne la gouvernance, la traçabilité et l’intégration du cycle de vie comme la couche suivante après la génération de code. JetBrains positionne Air, Central, Junie et une infrastructure agentique ouverte autour de l’orchestration, du contexte local et du choix du modèle.

Ce que cela signifie pour les leaders de l’ingénierie et les fondateurs

Pour les leaders de l’ingénierie, les chiffres indiquent un entonnoir de déploiement. Commencez par l’accès : qui peut utiliser quels outils, avec quelles limites de données ? Ensuite, mesurez l’utilisation régulière : utilisation quotidienne et hebdomadaire active, suggestions acceptées, tâches déléguées, flux de travail des agents. Ensuite, passez aux résultats de livraison : temps de cycle des demandes de tirage, temps de révision, qualité des tests, défauts échappés, taux d’incidents, satisfaction des développeurs et si l’IA modifie le goulot d’étranglement.

Le mauvais tableau de bord s’arrête au volume de code. La statistique de GitLab sur le goulot d’étranglement de 85 % en matière de révision et de validation avertit qu’une génération plus rapide peut simplement déplacer le travail en aval. Le cadre « miroir et multiplicateur » de DORA est la version stratégique : l’IA amplifie le système qui l’entoure. La difficulté de mesure de METR est la version expérimentale : les développeurs peuvent se sentir plus rapides même lorsqu’une tâche contrôlée dit le contraire.

Pour les fondateurs, le marché est clairement réel, mais le positionnement générique est faible. « Les développeurs utilisent l’IA » n’est plus un élément différenciateur. Les produits plus solides s’attaquent à un goulot d’étranglement spécifique : contexte de base de code, migration, tests, révision de sécurité, mises à niveau de dépendances, récupération de connaissances, révision de PR, orchestration d’agents, évaluations, permissions ou contrôle des coûts. Les pages de produits officielles mettent de plus en plus l’accent sur l’empaquetage et le flux de travail d’entreprise — plans GitHub Copilot et métriques, AWS Q Developer, Gemini Code Assist pour les entreprises, coûts de Claude Code et licences JetBrains AI — et pas seulement la complétion de code.

Pour les équipes d’approvisionnement, les données plaident contre un classement unique des outils. GitHub Copilot a le point d’ancrage d’adoption payante le plus solide divulgué, mais JetBrains montre un environnement multi-outils, Stack Overflow montre une utilisation large des outils d’IA plutôt qu’une part spécifique au fournisseur, et GitLab montre que les organisations sont déjà confrontées à la prolifération des outils. Un processus d’achat réaliste compare l’adéquation à l’IDE, l’accès au dépôt, le choix du modèle, les contrôles de politique, l’auditabilité, le rapport d’utilisation, la rétention des données, la révision de sécurité et si l’outil prend en charge le chemin de révision de code existant de l’entreprise. Les chiffres d’adoption indiquent qu’il y a une demande ; ils ne disent pas que chaque organisation devrait standardiser la même interface.

Les programmes les plus solides traitent l’adoption comme un changement d’ingénierie géré, et non comme un déploiement de licences logicielles. Une équipe peut déployer rapidement des licences et échouer à modifier les résultats de livraison si les développeurs n’utilisent les outils que pour des extraits isolés. Commencez par des tâches à faible risque — documentation, échafaudage de tests, explication de code, refactorisations simples, outils internes — puis passez à des changements à plus haut risque uniquement lorsque l’équipe peut observer le taux d’acceptation, la charge de révision, les résultats de sécurité et l’impact des incidents.

Transformer ces chiffres en décisions

Traitez les statistiques les plus solides comme un ensemble de lentilles, chacune avec sa propre portée :

La conclusion durable de 2026 est que les assistants de codage IA sont courants, mais le marché passe de « l’IA peut-elle écrire du code ? » à « les équipes peuvent-elles gérer la livraison de logiciels assistée par l’IA ? ». Les gagnants ne seront pas les équipes qui génèrent le plus de code. Ce seront les équipes qui sauront d’où vient le code, pourquoi il a changé, qui l’a révisé, quels tests le protègent et s’il a amélioré le produit sans augmenter les risques cachés.

Questions fréquemment posées

Sources et lectures complémentaires