260 heures économisées grâce à Claude Code : comment nous avons réduit la durée de l’audit, de la mise à niveau et des tests de sécurité d’un système de type BMS de 7 à 6 mois

VM.PL a pris en charge la modernisation de la plateforme dans le cadre d’un contrat au forfait (Fixed Price), réduisant au minimum l’implication de l’équipe du client dans les activités quotidiennes du projet. Au cours de cette modernisation, Claude Code et GitHub Copilot ont été utilisés pour accélérer les étapes les plus chronophages du projet.

Les outils d’IA ont notamment contribué à :

• l’analyse et la reconstruction de la logique du système legacy,  
• la rétro-ingénierie du code source,  
• la génération de documentation technique à partir du dépôt de code,  
• la production automatisée de rapports sur les évolutions du frontend et du backend,  
• l’identification de la dette technique et des vulnérabilités de sécurité,  
• la préparation des tests pour les nouveaux composants,  
• la migration de configurations couvrant plus de 500 routes de communication au niveau de l’API Gateway,  
• la standardisation et la restructuration du code dans plus de 50 fichiers backend stratégiques.  

Les assistants IA ont également joué le rôle d’une couche supplémentaire d’assurance qualité. Ils ont analysé le code afin de détecter les fuites mémoire, les problèmes potentiels de configuration et les zones nécessitant des optimisations.

Grâce à cette approche, les développeurs ont pu se concentrer sur les domaines nécessitant une expertise métier approfondie, notamment l’architecture de la solution, la sécurité, les performances et l’intégration avec l’infrastructure de production des clients.

Où l’IA a-t-elle le plus accéléré le travail ?

Les gains les plus importants ont été obtenus lors de l’analyse du code, de la création de documentation et de la préparation des changements liés à la migration.

À l’échelle de l’ensemble du projet, cela s’est traduit par une réduction du délai de réalisation d’environ 25 à 30 %, soit un gain de 220 à 264 heures de travail pour un projet représentant environ 880 heures d’effort. Cette approche a permis de maintenir un modèle au forfait prévisible et de livrer le projet avant la date prévue.

Que l’IA ne peut-elle pas faire à la place d’un développeur ?

Le projet a également mis en évidence les limites des outils d’IA générative actuels.

Pour des raisons de sécurité, l’IA a travaillé exclusivement sur des données anonymisées et n’avait accès ni aux installations réelles ni au trafic de production. Par conséquent, l’ensemble des tests d’intégration et de la validation du comportement du système a dû être réalisé par les ingénieurs.

Certaines situations ont également nécessité une intervention humaine.

L’un des exemples concernait la proposition de remplacer un ancien moteur de visualisation des graphiques de télémétrie par une bibliothèque moderne basée sur SVG. Bien que cette recommandation paraisse pertinente, l’expérience de l’équipe a montré que le rendu de plusieurs centaines de milliers de points de mesure pouvait entraîner le blocage des navigateurs des utilisateurs. Le moteur éprouvé basé sur Canvas a donc été conservé afin de garantir les performances requises.

Dans un autre cas, le code généré par l’IA se compilait correctement, mais des erreurs sont apparues lors de l’intégration avec une base de données de niveau entreprise en raison de la gestion des valeurs NULL. Le problème n’a été détecté qu’au cours des tests et a nécessité une correction manuelle des requêtes par les développeurs.