85,5 % des ingénieurs font confiance à leurs agents. La moitié rencontre des problèmes tous les jours

Deux séries de réponses issues de la même enquête auprès de plus de 550 ingénieurs, mises face à face : 85,5 % qui font confiance à la production de l'agent, 91,1 % qui déclarent une meilleure productivité et 80,8 % d'usage quotidien, contre 41,1 % qui rencontrent des problèmes chaque jour, 9,0 % en continu et 51,3 % qui passent en production en quelques heures ou moins — Aucune des deux colonnes n'est fausse. Elles viennent des mêmes répondants dans la même enquête, et c'est ce qui rend l'écart entre elles digne d'attention.

Temporal a publié cette semaine son 2026 State of Development Report: AI Agents, et le chiffre qui circule est celui de l'adoption : 80,8 % des ingénieurs utilisent désormais des agents chaque jour ou plus souvent, contre 47,3 % un an plus tôt, soit une hausse relative de 70,8 %.

Ce chiffre est réel et peu intéressant. Les courbes d'adoption montent ; celle-ci est montée fort. Si vous attendiez la confirmation que les agents sont devenus ordinaires en ingénierie, la voici, et vous pouvez cesser d'attendre.

Les chiffres intéressants se trouvent deux pages plus loin, et ils ne tiennent pas confortablement côte à côte.

1. Ce que l'enquête a réellement mesuré

Avant les résultats, la forme de l'instrument, car elle détermine le poids que tout le reste peut porter.

Méthodologie, telle que publiée

Temporal, 2026 State of Development Report: AI Agents

Plus de 550 répondants : ingénieurs logiciels, architectes, contributeurs infrastructure et responsables d'ingénierie.
Terrain du 29 avril au 25 mai 2026, publication fin août. Les données ont environ trois mois au moment de leur parution.
Deux tiers aux États-Unis, un tiers au Royaume-Uni et en EMEA.
Entreprises de moins de 50 à plus de 5 000 salariés, le groupe le plus nombreux — 29,2 % — se situant entre 251 et 1 000.

C'est un échantillon respectable pour une enquête de praticiens et étroit pour une affirmation sur « les ingénieurs ». Il penche vers les entreprises moyennes et le monde anglophone, et il est auto-sélectionné : qui répond à une enquête sur les agents IA est quelqu'un qui a un avis sur les agents IA.

2. Les deux réponses qui ne concordent pas

Voici la paire.

85,5 % des répondants déclarent faire confiance, au moins un peu, à ce que produit l'agent. 91,1 % estiment que les agents ont amélioré ou révolutionné leur productivité.

Et : 41,1 % rencontrent des problèmes quotidiennement. 9,0 % de plus en rencontrent en continu.

Un peu plus de la moitié de l'échantillon rencontre des problèmes tous les jours, et environ six sur sept font quand même confiance au résultat.

Les deux chiffres viennent des mêmes personnes dans le même questionnaire. Aucun n'est un mensonge. Mais rapprochés, ils décrivent quelque chose de précis, et ce n'est pas « les agents fonctionnent bien ».

Ils décrivent un écart d'étalonnage : une confiance qui a progressé plus vite que les preuves qui la soutiennent. C'est un phénomène banal et bien documenté chez les humains face à des outils impressionnants la plupart du temps et faillibles de façon imprévisible, et c'est exactement la condition dans laquelle on cesse de vérifier.

Pourquoi « au moins un peu » fait beaucoup de travail

Le chiffre de confiance est un chiffre mou : la question laisse compter tout ce qui dépasse l'indifférence. C'est une façon légitime de poser la question, et cela veut dire que 85,5 % doit se lire comme « la plupart des ingénieurs ne sont pas hostiles à la production d'un agent », et non comme « la plupart la mettraient en production sans relecture ». Le chiffre d'échec, lui, est un décompte comportemental dur : à quelle fréquence quelque chose a mal tourné. Comparer une mesure molle à une mesure dure explique précisément que les deux puissent être vraies ; cela explique aussi pourquoi la molle mérite moins de poids que ne lui en donne le titre.

3. Une médiane de 5, une moyenne de 10,7

Un autre chiffre mérite qu'on s'y arrête : les répondants font tourner une médiane de 5 agents et une moyenne de 10,7.

Quand la moyenne dépasse le double de la médiane, la distribution a une longue traîne à droite. Une minorité fait tourner énormément d'agents et tire la moyenne vers le haut, tandis que l'ingénieur typique en fait tourner une poignée.

Cela compte pour lire tout le reste du rapport, car ces deux populations ne vivent pas la même expérience. Celui qui fait tourner trente agents a industrialisé quelque chose. Celui qui en fait tourner cinq se sert des agents comme d'une fonction de son IDE. Les chiffres agrégés de satisfaction moyennent les deux, et le nombre obtenu ne décrit personne.

Si vous cherchez à savoir si votre équipe est en retard, la statistique pertinente est la médiane, et elle vaut cinq.

4. Livrer plus vite qu'on ne peut vérifier

51,3 % des répondants disent passer du prototype à la production en quelques heures ou moins. 26,9 % disent en quelques minutes ou moins.

Mettez cela face aux 41,1 % de problèmes quotidiens et la forme du risque devient nette. La contrainte qui séparait autrefois « ça marche sur ma machine » de « c'est en production » était du temps : le temps pendant lequel quelqu'un lisait le diff, lançait la suite de tests, réfléchissait au cas limite. Les agents ont comprimé cette fenêtre à quelques minutes pour un quart des répondants.

La compression n'est un problème que si la vérification ne s'est pas comprimée avec elle. Globalement, elle ne l'a pas fait : écrire du code est devenu radicalement moins cher, et confirmer que ce code est correct un peu moins cher. C'est dans l'écart entre ces deux rythmes que vivent les problèmes quotidiens.

C'est le mécanisme dont nous parlions dans le goulot d'étranglement de la revue : la génération a passé à l'échelle, la revue non, et la file d'attente s'est déplacée au lieu de disparaître. Cette enquête est la première preuve sur large échantillon que ce schéma est désormais l'expérience médiane et non la plainte des premiers adoptants.

5. Le chiffre que tout fondateur de SaaS devrait lire deux fois

Enfoui dans la section sur le ressenti professionnel se trouve le résultat aux conséquences commerciales les plus directes pour quiconque lit ceci :

92,3 % des répondants ont tenté de recréer un logiciel qu'ils paient déjà.

Tenté. Pas réussi : l'enquête mesure la tentative, et cette distinction fait toute l'histoire. Mais que neuf ingénieurs sur dix en viennent désormais au « on pourrait le faire nous-mêmes » change la posture par défaut de toutes les conversations d'achat que votre équipe commerciale aura l'an prochain.

Qu'ils ont réussi

Ce que cela ne veut pas dire

L'écart entre un prototype qui marche et un produit interne maintenu est là où meurent la plupart de ces tentatives, et c'est l'écart où vit le problème du coût de reconstruction. Une tentative n'est pas un remplacement ; c'est une position de négociation qui paraît désormais crédible à celui qui la tient.

Votre douve n'est pas la fonctionnalité

Ce que cela veut dire

Si un ingénieur compétent équipé d'agents peut approcher votre fonctionnalité principale en un week-end, cette fonctionnalité a cessé d'être la raison pour laquelle on vous paie. Ce qui survit, c'est ce qu'une reconstruction interne ne peut pas reproduire à bas coût : les données, les intégrations, la surface de conformité, les cas limites accumulés, et le fait que personne dans leur équipe ne veut en assumer la garde à deux heures du matin.

Pour un fondateur qui lance un MVP, la lecture pratique n'est pas « le SaaS est mort ». C'est que la charge de la preuve a changé de camp. Vous devez désormais expliciter pourquoi acheter l'emporte sur construire, car votre acheteur a déjà essayé de construire, et la réponse honnête n'est presque jamais la liste de fonctionnalités.

6. Qui vous raconte cela

Je veux être direct sur la source, car elle change la valeur de la conclusion du rapport.

Temporal vend de l'exécution durable : de l'infrastructure pour des workflows longs, à état et rejouables. Le PDG résume ainsi les résultats :

Les équipes qui prennent de l'avance sont celles qui font davantage confiance à leurs systèmes, parce qu'elles ont résolu l'état, le coût et la fiabilité.

L'état et la fiabilité sont précisément les deux choses que le produit de Temporal existe pour fournir. Cela ne rend pas la phrase fausse, mais cela signifie que la recommandation du rapport et le chiffre d'affaires de son éditeur pointent dans la même direction, et qu'il faut décoter en conséquence. Les pourcentages bruts sont bien plus fiables que l'interprétation posée dessus, ce qui vaut en général pour toute étude de fournisseur.

La seconde réserve tient à l'âge. Le terrain s'est clos le 25 mai 2026 ; la publication date de fin août. Dans la plupart des secteurs, une enquête de trois mois est actuelle. Dans celui-ci, trois mois couvrent plusieurs sorties de modèles de pointe et au moins un changement dans la façon d'utiliser les agents de code. Le chiffre d'adoption est presque certainement une sous-estimation aujourd'hui. Ceux de fiabilité ont pu bouger dans les deux sens, et personne — Temporal comprise — ne sait lequel.

7. Quoi en faire concrètement

Votre propre taux d'échec

Mesurer

La version utile des 41,1 %, c'est votre chiffre, pas le leur. Pendant une semaine, notez chaque fois qu'un agent a produit quelque chose qu'il a fallu annuler, corriger ou relancer. La plupart des équipes ne l'ont jamais compté, et le décompte dépasse presque toujours le ressenti — ce qui est précisément l'écart d'étalonnage, mesuré chez vous.

L'écart de vérification, pas celui de génération

Combler

Si vous passez du prototype à la production en une heure, le levier n'est plus de générer plus vite. Il est dans un contrôle qui tient dans cette heure et peut réellement bloquer une mise en production. Un jeu d'évaluation en est la version la moins chère, et la plupart des équipes n'en ont toujours pas.

Pourquoi acheter l'emporte sur construire

Répondre

Écrivez le paragraphe. Si vous vendez du logiciel à des ingénieurs, 92,3 % de vos acheteurs ont tenté de reconstruire quelque chose qu'ils paient. Votre réponse au « on pourrait le faire nous-mêmes » ne devrait pas s'improviser en visio.

La seule chose que je ne ferais pas, c'est traiter les 80,8 % comme un mandat. Les statistiques d'adoption sont les chiffres les plus cités et les moins actionnables de toute enquête : ils disent ce qui est normal, et normal n'est pas synonyme de correct. La moitié de ces 80,8 % rencontre des problèmes chaque jour.

Le résumé honnête

Le résultat qui fait les titres est que l'usage des agents chez les ingénieurs a à peu près doublé en un an et est désormais quasi universel au quotidien. Considérez-le comme acquis.

Le résultat qui se trouve en dessous est plus utile et moins confortable : la confiance a dépassé la fiabilité. 85,5 % font confiance au résultat alors qu'un peu plus de la moitié rencontre des problèmes chaque jour ou en continu, et que la moitié de l'échantillon livre en production en une heure ou moins. Ce n'est pas une histoire d'agents médiocres. C'est l'histoire d'une couche de vérification qui n'a pas suivi le rythme de la couche de génération, dans un contexte où personne n'a le temps de s'en apercevoir.

Et le chiffre à emporter à votre prochain conseil est celui que personne ne cite : 92,3 % des ingénieurs ont déjà tenté de reconstruire quelque chose qu'ils paient. Ils ont majoritairement échoué. Ils réessaieront avec de meilleurs outils, et votre argument pour les en dissuader doit valoir mieux qu'un comparatif de fonctionnalités.

Comptez votre propre taux d'échec avant de faire confiance à celui d'un autre.

Sources : Temporal Technologies, « Temporal Releases The 2026 State of Development Report: AI Agents » · Temporal Technologies · Tous les pourcentages, la taille d'échantillon de plus de 550 personnes et les dates de terrain du 29 avril au 25 mai 2026 sont ceux publiés par Temporal ; l'interprétation et les réserves sont les miennes.

Hire the Reviewer Before the Coder: Building a Startup Engineering Team When Agents Write the Code (2026)July 31, 2026

The AI MVP Evaluation Set: Test Real User Tasks Before You LaunchJuly 16, 2026

The Vibe Coding Trap: Why Thousands of AI Startups Are Paying $50K–$500K to Rebuild Their MVPsApril 2026

IdeaToMVP Academy

Want to build with AI — not just read about it?

4-week live cohort for founders. Learn to ship AI agents, scope MVPs, and automate your business — taught by the same team that writes these guides.

Explore the Academy →