Case StudyDe l'IA qui code à l'agent de confiance
Le code s'écrit plus vite qu'on ne le relit. Récit d'une mission où ArtMajeur a fait passer sa review « en mode macro » grâce à un agent autonome.
En cinq semaines d'accompagnement avec Anantys, l'équipe tech d'ArtMajeur (marketplace d'art) a dépassé le (classique) « mur de reviews » pour onboarder un agent IA autonome et asynchrone, capable de relire, écrire et investiguer toute sa stack technique. Récit d'une mission AI Coding.
Stéphane Lévy, ArtMajeur Nous connaissions Koan mais avions quelque réticence : il nous semblait inenvisageable de ne pas reviewer précisément l'ensemble du code. Nous avons appris, grâce à Alexis, CEO d'Anantys, à prendre de la hauteur et à accorder de la confiance à l'agent de développement autonome qu'est Koan, et enfin, à passer la review humaine en mode « macro ».
Une fois l'IA adoptée, tout le monde se heurte au « mur de la review »
Quand la mission démarre (mi-juin 2026), l'équipe tech d'ArtMajeur utilise déjà l'IA pour écrire son code au quotidien. Mais elle se heurte vite à un phénomène classique : le code s'écrit plus vite qu'on ne peut le relire.
Avec des modèles comme Opus d'Anthropic, la génération de code fiable et robuste est devenue une commodité. Mais est-ce qu'un « code quasi gratuit » suffit à produire un gain de productivité, de la spécification à la mise en production ? Non, ce serait trop simple.
Toutes les équipes qui adoptent l'IA au quotidien le savent : le maillon faible de la chaîne s'est juste déplacé. Le code s'écrit plus vite, il est globalement bon, mais il faut encore le comprendre, le relire, et ne pas dégrader la carte mentale de l'équipe. Résultat, sans changement profond de méthode, tout le monde se retrouve submergé par les reviews en attente. Et relire chaque ligne une par une revient presque à jeter le gain de l'IA avec l'eau du bain.
Maxime Navoizat, ArtMajeur Je me sens obligé de tout relire, et c'est fatigant. J'ai eu l'impression de patiner, de tourner en rond.
Générer le code n'est donc qu'un premier pas. Pour décupler la puissance de travail d'une équipe, il faut repenser le workflow complet. Et le premier obstacle sur cette route, c'est la confiance accordée au code soumis : comment l'augmenter sans le moindre compromis sur la fiabilité, et repenser le triptyque PR / review / merge en conséquence ?
Tout l'enjeu de la mission passera donc par deux étapes clés :
- Renforcer l'infrastructure de test (CI, environnements, sélection de tests par impact) pour automatiser la vérification des patchs partout où c'est possible : ce que la machine vérifie, l'humain n'a plus à le relire.
- Accompagner l'équipe dans l'adoption de kōan, un agent de développement autonome totalement intégré à GitHub, pour changer de paradigme au quotidien : déléguer l'essentiel des tâches à l'agent tout en gardant l'humain dans la boucle. C'est la philosophie même de kōan.
Kōan, installé et branché sur les données
Kōan, notre agent de code autonome, est configuré pour les besoins spécifiques d'ArtMajeur : skills personnalisées et tâches récurrentes qui le rendent proactif. Mais surtout, on lui « donne des yeux » en le branchant sur son environnement via plusieurs serveurs MCP, en lecture seule :
- Bases de données réelles : interroger la donnée iso-production permet une investigation fine du modèle de données, et augmente d'autant la pertinence de ses propositions ;
- Grafana pour les logs et métriques métier : kōan opère une surveillance autonome des bugs de production, des lenteurs, des patterns d'attaque ;
- Cloudflare pour le trafic entrant : détection d'attaques de bots en amont, ouverture d'une issue GitHub dès qu'une alerte sévère est levée ;
- Playwright pour piloter un navigateur et obtenir un retour visuel sur ce qu'il produit.
Augmenter la confiance, puis déléguer
La première brique n'a rien à voir avec l'IA elle-même, mais avec l'environnement dans lequel elle s'exécute : une vraie suite de tests automatisés, jouée à chaque changement avec un seuil de couverture plancher en CI. Ce filet de sécurité, couplé au feedback que l'agent tire de ses accès (il voit ce qu'il fait), permet à l'équipe de relire moins en détail sur les tâches à haute confiance. La vélocité perdue dans la review revient.
La review semi-automatisée, le déclic
Si la review devient le goulot parce que l'IA produit trop vite, utilisons l'IA pour nous aider aussi sur ce nouveau blocage.
Sur chaque pull-request, kōan poste une review complète en commentaire GitHub : un verdict d'entrée (mergeable ou non), les points forts du patch, les problèmes classés par sévérité et une checklist de tout ce qu'il a vérifié.
Ce qui change tout, c'est qu'il ne se contente pas de lire le diff. L'agent s'exécute dans une sandbox avec le clone git complet : il vérifie chacune de ses affirmations à l'échelle de tout le code du projet, pas seulement du patch soumis. D'où la fiabilité de ses reviews.
Le relecteur humain n'arrive plus devant un mur de diff, mais devant un dossier instruit, avec une recommandation argumentée à arbitrer. C'est exactement ce que Stéphane appelle passer la review humaine « en mode macro ».
GitHub devient le point de convergence de toute l'équipe… et de l'agent. Plus aucune friction : plus besoin de regarder son écran pendant que le LLM tourne, ni de répéter la même attente à chaque review, ni d'écrire des skills universelles comme review, implement, rebase ou fix.
Le dépôt de kōan étant public, vous pouvez juger sur pièces : parcourez les PR, les issues, ou la review de la PR #2454 pour un exemple complet.
Une étape plus loin : un agent proactif
Les dernières séances de la mission ont visé un objectif plus ambitieux : une collaboration bidirectionnelle. L'agent doit alerter l'équipe de lui-même quand il détecte un problème, et ouvrir une issue ou lancer une implémentation lorsqu'il le juge pertinent.
Maxime Navoizat, ArtMajeur C'est comme si on avait créé une équipe SRE from scratch au niveau monitoring, qui regarde tout le temps. Là, tu as un œil dans ton dos, tu vois les problèmes rapidement.
Nous mettons cela en place via les tâches récurrentes de kōan : des skills personnalisées déclenchées à la fréquence choisie, particulièrement puissantes pour explorer les données de production via les MCP en place. Voici deux exemples réels implémentés chez ArtMajeur.
Le scan quotidien des bugs de prod. Chaque jour, kōan interroge les logs et métriques via le MCP Grafana, repère les erreurs récurrentes, en isole la cause probable, et ouvre une issue GitHub avec un diagnostic et un plan de correction déjà rédigés. Les bugs remontent avant même que les utilisateurs ne les signalent. L'équipe n'a plus qu'à demander une implémentation par une simple mention, et une pull-request arrive quelques minutes plus tard. GitHub devient de facto l'IDE de l'équipe.
La détection d'attaques et de bots. Sur le même principe, kōan analyse le trafic via le MCP Cloudflare, dégage les patterns anormaux (scrapers, abus d'API, campagnes de bots) et ouvre une issue avec des recommandations classées (rate-limit, règles WAF). L'équipe se retrouve avec un SIEM opportuniste, à moindre coût : la surveillance sécurité d'une grosse structure, sans l'outillage ni l'équipe dédiée.
Deux autres surveillances tournent sur le même modèle : régressions de performance et tickets support regroupés par cause racine. Le tout, et c'est important, sans qu'aucun changement ne s'applique sans validation humaine.
Adopter l'IA entièrement dépasse la question de l'outil
Se contenter d'utiliser un outil comme Claude Code, Codex ou Cursor ne peut pas être une finalité en soi. Pour passer le cap et réellement décupler le potentiel de l'équipe, il faut repenser le flux entier du travail, de la spécification à la mise en production, en passant par la revue, la validation et la surveillance des logs. Tout se réorganise autour d'un nouvel acteur que chaque rôle devra apprivoiser : l'agent de développement autonome.
Stéphane Lévy, ArtMajeur Maintenant que tout est en place et configuré, nous commençons à recueillir les bénéfices : contrôle des coûts, couverture de tests augmentée et améliorée, correction de bugs sans avoir à solliciter les devs, QA, et dev autonome du Produit dans des cas non complexes. Maintenant que nous avons inclus Koan profondément dans notre travail quotidien, il nous serait impossible de revenir en arrière.
Cette mission fait partie de l'accompagnement AI Coding d'Anantys. Vous voulez aider vos équipes tech à tirer tout le potentiel de l'IA ou déployer kōan au sein de votre infrastructure ? Contactez-nous