Le 28 janvier 2026, Microsoft annonçait dans ses résultats trimestriels que GitHub Copilot venait de franchir 4,7 millions d'abonnés payants, en hausse de 75 % sur un an. Au même moment, Cursor, l'éditeur né dans un dortoir du MIT trois ans plus tôt, dépassait les 2 milliards de dollars de revenus annualisés et venait de boucler un tour de table de 2,3 milliards de dollars à 29,3 milliards de valorisation. En quelques années, l'assistance au code par intelligence artificielle est passée d'un gadget d'autocomplétion à un marché de plusieurs milliards de dollars, disputé par une poignée d'acteurs aux philosophies très différentes.
Cette chronique passe au crible les principaux copilotes de code disponibles au premier trimestre 2026 : GitHub Copilot, la référence installée par Microsoft et OpenAI ; Cursor, l'éditeur natif IA qui a bousculé le marché ; et leurs poursuivants directs — Windsurf, Amazon Q Developer, Tabnine, Codeium — chacun avec un positionnement propre. L'objectif n'est pas de désigner un vainqueur absolu, mais de comprendre ce que chaque outil fait réellement, avec quels compromis, et ce que les études indépendantes disent de leur impact sur la productivité des équipes.
Car c'est bien là que le bât blesse souvent : les études commanditées par les éditeurs eux-mêmes annoncent des gains spectaculaires, quand des recherches indépendantes nuancent sérieusement le tableau. Les deux sont vraies, à leur manière — et comprendre pourquoi elles divergent est sans doute la clé pour choisir un outil à bon escient plutôt que de suivre la mode du moment.
De l'autocomplétion aux agents autonomes : une décennie accélérée
Le premier copilote de code grand public n'a pas quinze ans. GitHub Copilot est né d'un partenariat entre GitHub (racheté par Microsoft en 2018) et OpenAI, et a été proposé en accès anticipé en 2021 avant sa disponibilité générale mi-2022. À l'époque, l'outil se contente de suggérer la ligne ou la fonction suivante à partir du contexte du fichier ouvert — une complétion, certes bluffante, mais passive : le développeur reste seul maître du clavier, l'IA se contente de proposer.
Ce paradigme a explosé en l'espace de deux ans. Trois évolutions ont transformé la complétion en véritable délégation de tâches :
- La compréhension de la base de code entière, et non plus seulement du fichier ouvert, grâce à l'indexation sémantique du dépôt ;
- Le chat conversationnel intégré, qui permet de discuter d'un problème plutôt que de simplement accepter ou refuser une suggestion ;
- Le mode agent, où l'IA ne se contente plus de proposer du texte mais exécute elle-même des actions : créer des fichiers, lancer des commandes de terminal, corriger ses propres erreurs en boucle jusqu'à ce que la tâche soit terminée.
C'est cette troisième étape qui structure le marché actuel. Anysphere, la société qui édite Cursor, a été fondée en 2022 par quatre étudiants du MIT — Michael Truell, Sualeh Asif, Arvid Lunnemark et Aman Sanger — avant de lancer l'éditeur Cursor en mars 2023. Leur pari : plutôt que de greffer l'IA sur un éditeur existant, en repartir de zéro sur un fork de Visual Studio Code pensé nativement autour de l'IA. Ce choix architectural a permis à Cursor d'itérer plus vite que Microsoft sur les fonctionnalités agentiques, et d'installer l'éditeur comme le principal challenger de Copilot dès 2024.
Un marché qui se consolide vite
La bascule vers les agents autonomes a aussi rebattu les cartes du côté des rachats. En juillet 2025, Codeium — dont l'éditeur agentique Windsurf avait été lancé en novembre 2024, avant que la société elle-même soit rebaptisée Windsurf en avril 2025 — a connu un épisode mouvementé : Google a d'abord recruté son PDG Varun Mohan, son cofondateur Douglas Chen et une quarantaine de chercheurs dans le cadre d'un accord de licence à 2,4 milliards de dollars, avant que Cognition AI, l'éditeur de l'agent autonome Devin, ne rachète le reste de la société — marque, produit et clientèle — le 14 juillet 2025. Deux mois plus tard, Cognition était valorisée 10,2 milliards de dollars. Ce genre de mouvement, rare à cette vitesse, illustre à quel point la bataille des copilotes de code s'est intensifiée en très peu de temps.
Le marché des copilotes de code n'est plus un marché de fonctionnalités mais un marché d'agents : la question n'est plus « que suggère l'outil ? » mais « que peut-il accomplir seul, et jusqu'où faut-il le surveiller ? »
GitHub Copilot : l'intégration profonde plutôt que la rupture
GitHub Copilot reste, de loin, l'outil le plus installé. Sa force ne tient pas à une innovation isolée mais à sa position : il vit à l'intérieur des environnements que les développeurs utilisent déjà — Visual Studio Code, la suite JetBrains, Visual Studio, Neovim, Xcode — plutôt que de leur demander de changer d'éditeur. Pour une entreprise avec des milliers de développeurs et des habitudes bien ancrées, ce choix compte davantage qu'il n'y paraît : adopter Copilot ne demande aucune migration d'outillage.
L'arrivée du mode agent
Le tournant s'est joué le 24 février 2025, avec l'introduction en préversion du mode agent dans Visual Studio Code. L'annonce officielle de l'équipe VS Code décrit un changement de nature : l'IA cesse d'attendre une validation ligne par ligne et devient capable de planifier puis d'exécuter une tâche multi-étapes de bout en bout — analyser la base de code, proposer des modifications sur plusieurs fichiers, exécuter des commandes de terminal, surveiller les erreurs de compilation et de lint, et corriger automatiquement en boucle jusqu'à résolution. Le mode agent peut ainsi construire une application depuis rien, refactoriser à travers plusieurs fichiers, écrire et lancer des tests, ou migrer un code legacy vers un framework plus récent.
Cette fonctionnalité s'est ensuite étendue au-delà de VS Code : elle est arrivée en préversion publique dans les IDE JetBrains, Eclipse et Xcode au cours de l'année 2025, avant qu'un nouveau cran soit franchi le 18 décembre 2025 avec les Agent Skills — des dossiers contenant instructions, scripts et ressources que Copilot charge automatiquement dès qu'une tâche spécifique et répétitive s'y prête, une manière de « former » l'agent à des procédures maison sans réécrire le prompt à chaque fois.
Next Edit Suggestions : anticiper plutôt que suggérer
Moins spectaculaire que le mode agent mais tout aussi révélatrice de la tendance, une autre fonctionnalité a fait son apparition le même mois de février 2025 : les Next Edit Suggestions (NES). Le principe diffère de la complétion classique, qui prédit le prochain mot ou la prochaine ligne à écrire : NES observe la trajectoire des modifications déjà effectuées dans le fichier — ce qui a changé, où vivent les références, quels fichiers ont tendance à évoluer ensemble — pour anticiper la prochaine modification à faire, pas la prochaine à taper. Concrètement, renommer une variable une seule fois dans un fichier déclenche des propositions pour mettre à jour ses autres occurrences ; coller un extrait de code suggère des ajustements pour l'aligner avec le style du fichier environnant. C'est un pas de plus vers une IA qui accompagne le raisonnement du développeur plutôt que son seul clavier.
Un catalogue de modèles, pas un modèle unique
Autre évolution structurante : Copilot n'est plus assujetti à un seul fournisseur de modèle. L'outil propose un choix parmi plusieurs familles — dont des modèles d'OpenAI et de la famille Claude d'Anthropic — configurable selon la tâche à accomplir. Cette diversification a suivi la publication, le 18 novembre 2024, d'une étude interne conduite en essai contrôlé randomisé auprès de 202 développeurs ayant au moins cinq ans d'expérience : le code produit avec Copilot y affichait une lisibilité améliorée de 3,62 %, une fiabilité en hausse de 2,94 %, une maintenabilité en progression de 2,47 % et une concision supérieure de 4,16 %, avec un taux d'approbation en revue de code supérieur de 5 points — autant d'écarts statistiquement significatifs, même s'ils restent d'ampleur modeste.
Sur le plan tarifaire, la formule reste simple pour un usage individuel — un abonnement mensuel à un tarif d'entrée de gamme, avec des paliers Business et Enterprise facturés par poste pour les organisations qui ont besoin de politiques de sécurité, d'audit et de gestion centralisée. C'est cette accessibilité, combinée à l'intégration native dans l'écosystème Microsoft (Azure, Visual Studio, GitHub Enterprise), qui explique la base installée massive de l'outil auprès des grandes organisations.
Cursor : l'éditeur pensé pour l'agent dès le premier jour
Si Copilot a fait le pari de l'intégration, Cursor a fait celui de la rupture. En repartant d'un fork de VS Code, Anysphere s'est affranchie des contraintes d'une extension tierce pour construire une expérience où l'IA a accès à des couches plus profondes de l'éditeur — indexation complète du dépôt, édition simultanée de dizaines de fichiers, exécution de commandes shell supervisées, prédiction de la prochaine modification que le développeur s'apprête à faire plutôt que du seul texte qu'il est en train de taper.
Tab, le premier différenciateur
Avant même l'arrivée du mode agent généralisé, Cursor s'était déjà distingué par sa fonctionnalité de complétion, baptisée sobrement Tab. Là où l'autocomplétion classique se limite à proposer la suite d'une ligne, Tab modifie du code existant sur plusieurs lignes à la fois, ajoute les instructions d'import manquantes, prédit l'endroit où le curseur doit se déplacer après une suggestion acceptée, et repère quand une modification dans un fichier appelle une mise à jour coordonnée dans un autre. Depuis janvier 2025, cette fonctionnalité s'appuie sur Fusion, un modèle développé en interne par Anysphere, dont la fenêtre de contexte est passée de 5 500 à 13 000 tokens pour analyser plus largement la base de code. C'est cette sophistication, acquise avant même la généralisation des modes agents chez les concurrents, qui a construit la réputation initiale de l'éditeur auprès des développeurs les plus exigeants.
Composer, le cœur agentique de Cursor
La fonctionnalité phare de Cursor pour les tâches complexes s'appelle Composer : le développeur décrit une fonctionnalité en langage naturel, et l'outil planifie l'implémentation, écrit le code à travers autant de fichiers que nécessaire, exécute les commandes de terminal requises, puis itère en fonction des erreurs rencontrées — un fonctionnement proche, dans l'esprit, du mode agent de Copilot, mais pensé comme le mode par défaut de l'éditeur plutôt que comme une fonctionnalité additionnelle. Cursor propose par ailleurs un choix de modèles configurable par type de tâche, incluant plusieurs familles de modèles frontière selon les partenariats en vigueur, ce qui permet à une équipe d'arbitrer entre vitesse d'exécution et profondeur de raisonnement selon la nature de chaque tâche.
Une trajectoire financière hors norme
La croissance d'Anysphere donne la mesure de l'appétit du marché pour ce positionnement. La société a levé une amorce de 8 millions de dollars en 2023 auprès notamment de l'OpenAI Startup Fund, avant une série A de 60 millions la même année. Fin 2024, un tour de 100 millions de dollars la valorisait à 2,6 milliards, selon TechCrunch. À la mi-2025, une série C de 900 millions menée par Thrive Capital portait la valorisation à 9,9 milliards de dollars. En novembre 2025, une série D de 2,3 milliards de dollars co-menée par Accel et Coatue faisait grimper la valorisation à 29,3 milliards. Le chiffre d'affaires annualisé a suivi la même pente : 100 millions de dollars en janvier 2025, 500 millions en juin, 1 milliard en novembre, puis plus de 2 milliards début février 2026 — une progression rare dans l'histoire du logiciel d'entreprise, qui traduit une adoption réelle plutôt qu'un simple engouement médiatique.
Ce succès a un prix pour l'utilisateur : l'abonnement Cursor Pro est facturé sensiblement plus cher que l'offre d'entrée de Copilot, avec des paliers supérieurs pour les équipes ayant besoin d'un usage plus intensif des modèles les plus capables. Le choix entre les deux outils devient alors moins une question de fonctionnalités brutes — les deux couvrent des besoins très proches — qu'une question de philosophie d'équipe : rester dans son IDE habituel avec une extension puissante, ou migrer vers un environnement pensé de bout en bout pour l'agent.
Au-delà du duo de tête : un écosystème qui se spécialise
Réduire le marché à Copilot contre Cursor serait une simplification. Plusieurs autres acteurs occupent des niches solides, avec des arguments qui ne se recoupent pas toujours avec ceux des deux leaders.
Windsurf, désormais chez Cognition
Windsurf — l'ancien Codeium — illustre la valeur que le marché accorde à une IDE agentique bien exécutée, indépendamment de la marque qui la porte. Au moment de son rachat, la société affichait 82 millions de dollars de revenus annualisés, plus de 350 clients entreprise et 210 employés. Depuis son intégration chez Cognition, l'éditeur a ajouté un modèle de code propriétaire baptisé SWE-1.5 et une fonctionnalité de cartographie de base de code nommée Codemaps, tout en intégrant l'agent autonome Devin directement dans l'IDE — une convergence entre édition assistée et agent totalement autonome qui esquisse une direction probable pour le reste du marché.
Amazon Q Developer : la carte de l'écosystème cloud
Amazon Q Developer, héritier de CodeWhisperer, joue une carte différente : sa valeur ajoutée principale n'est pas la puissance brute du modèle mais sa connaissance native et profonde de l'écosystème AWS — services, bonnes pratiques d'architecture, migration de code legacy vers des services managés. L'outil a été reconnu Leader du Magic Quadrant Gartner pour les assistants de code IA en 2025, pour la deuxième année consécutive, un signal fort pour les grandes entreprises déjà engagées sur AWS et soucieuses de continuité d'écosystème plutôt que de rupture d'outillage. Son abonnement Pro, facturé autour de 19 dollars par utilisateur et par mois, se positionne délibérément entre l'entrée de gamme de Copilot et le tarif Pro de Cursor — un choix cohérent avec un positionnement d'infrastructure plutôt que d'outil individuel.
Tabnine et Codeium : la confidentialité et l'accessibilité comme arguments
Deux autres profils méritent d'être cités pour compléter le panorama :
- Tabnine mise sur la confidentialité et la souveraineté des données : déploiement entièrement sur site (on-premise), modèles personnalisables et entraînables sur le code propriétaire du client, sans transfert de données vers un tiers. C'est l'option privilégiée par les organisations soumises à des contraintes réglementaires strictes ou réticentes à exposer leur code source à un service externe.
- Codeium, avant son absorption dans la marque Windsurf, s'était fait connaître par une offre individuelle accessible sans abonnement, incluant un chat intégré capable d'expliquer, de modifier et d'écrire du code — un positionnement qui a permis à l'outil de constituer une base d'utilisateurs individuels conséquente avant le rachat par Cognition.
Ce foisonnement dit quelque chose d'important sur la maturité du marché : il n'existe plus un seul « meilleur » copilote de code, mais une palette d'outils optimisés pour des contraintes différentes — budget, confidentialité, écosystème cloud, taille d'équipe, complexité de la base de code.
Ce que disent vraiment les études sur la productivité
C'est le point le plus utile de cette chronique, et le plus souvent survolé : les gains de productivité annoncés par les éditeurs eux-mêmes ne racontent qu'une partie de l'histoire.
Les études favorables, et leurs conditions
La recherche fondatrice sur le sujet, publiée par GitHub en 2023, mesurait un gain de performance de 55,8 % sur une tâche de programmation définie et chronométrée — un développeur équipé de Copilot achevait la tâche nettement plus vite qu'un développeur sans assistance — un ordre de grandeur comparable à celui mesuré la même année par les chercheurs Noy et Zhang, dans une étude distincte portant toutefois sur un autre outil (ChatGPT) et un autre type de tâche (la rédaction professionnelle). L'étude notait aussi un effet sur le bien-être : entre 60 et 75 % des utilisateurs interrogés déclaraient se sentir plus épanouis dans leur travail, moins frustrés face aux tâches répétitives, et davantage capables de se concentrer sur les problèmes qui demandent une réflexion approfondie plutôt que sur la syntaxe.
L'étude de qualité de code publiée en novembre 2024, déjà citée plus haut, confirme des gains, mais d'une ampleur plus modeste que le chiffre de 2023 ne le laisse penser : quelques points de pourcentage sur la lisibilité, la fiabilité et la maintenabilité, statistiquement significatifs mais loin d'un doublement de la performance. Le contexte de ces deux études compte : il s'agit de tâches définies, souvent de complexité modérée, mesurées sur des durées courtes.
Le contrepoint : l'étude METR de juillet 2025
C'est précisément sur ce point que l'organisation de recherche indépendante METR a voulu tester une situation différente : des développeurs expérimentés travaillant sur leurs propres dépôts open source de grande taille — en moyenne plus de 22 000 étoiles et un million de lignes de code — auxquels ils contribuent depuis plusieurs années. Le protocole, un essai contrôlé randomisé, la méthode considérée comme la plus rigoureuse en recherche empirique, a réparti aléatoirement 246 tâches réelles entre un groupe autorisé à utiliser l'IA (Cursor avec les modèles Claude 3.5 et 3.7 Sonnet, état de l'art au premier semestre 2025) et un groupe qui devait s'en passer.
Le résultat a surpris jusqu'aux chercheurs eux-mêmes : les développeurs autorisés à utiliser l'IA ont mis 19 % de temps en plus pour accomplir leurs tâches, et non en moins. Plus frappant encore, l'écart entre perception et réalité : avant l'étude, ces mêmes développeurs anticipaient un gain de vitesse de 24 % grâce à l'IA ; après l'avoir utilisée, ils estimaient toujours avoir gagné environ 20 % de temps — alors que la mesure objective indiquait l'inverse.
Les développeurs pensaient avoir été plus rapides avec l'IA ; les chronomètres disaient le contraire. L'écart entre le ressenti et la mesure est peut-être la donnée la plus importante de toute cette étude.
Comment concilier ce résultat avec les gains mesurés par ailleurs ? Le contexte explique l'essentiel de l'écart. Les tâches favorables à l'IA sont typiquement des tâches bien cadrées, sur un périmètre limité, dans un code que le modèle n'a pas besoin de comprendre en profondeur — un nouveau composant, un script, une fonction isolée. Les tâches de l'étude METR, à l'inverse, exigeaient une connaissance fine de conventions internes anciennes, de dépendances subtiles et d'un historique de décisions que l'IA ne pouvait pas deviner ; relire, corriger et valider les propositions du modèle dans ce contexte a fini par coûter plus de temps que d'écrire le code directement. Il faut noter que METR a annoncé début 2026 revoir la conception de ce protocole pour affiner ces résultats avec des modèles plus récents — un signe que le sujet reste activement étudié plutôt que tranché.
Un revers à surveiller : la sécurité du code généré
Un autre facteur mérite d'entrer dans l'équation, moins souvent mis en avant par les éditeurs : la fiabilité sécuritaire du code produit. Le cabinet Veracode, spécialisé dans l'analyse de sécurité applicative, a publié le 30 juillet 2025 son rapport annuel sur le sujet, construit à partir de 80 tâches de programmation curées et testées sur plus de cent modèles de langage différents. Le constat : dans 45 % des cas, le modèle introduit une faille de sécurité connue dans le code qu'il produit. Certaines catégories de vulnérabilités sont particulièrement mal maîtrisées — les modèles échouent à se prémunir contre les failles de type cross-site scripting dans 86 % des cas testés, et contre l'injection dans les journaux applicatifs dans 88 % des cas. Le langage Java ressort comme le plus à risque, avec un taux d'échec supérieur à 70 %, quand Python, C# et JavaScript se situent entre 38 et 45 %.
Le point le plus instructif du rapport n'est pas le taux en lui-même, mais sa stabilité : les modèles plus récents et plus volumineux ne font pas mieux sur ce plan précis que leurs prédécesseurs, alors même qu'ils progressent nettement sur la justesse fonctionnelle du code produit. Générer du code qui s'exécute correctement et générer du code qui résiste aux attaques restent, pour l'instant, deux compétences largement indépendantes. La conséquence pratique est simple : un copilote de code ne dispense en rien d'une revue de sécurité, humaine ou outillée, avant mise en production — quel que soit l'éditeur choisi.
La courbe d'apprentissage, facteur trop souvent ignoré
Un dernier élément mérite d'être mentionné : plusieurs études de terrain notent qu'il faut de l'ordre de onze semaines d'usage régulier pour qu'une équipe bénéficie pleinement des gains de productivité d'un copilote de code, alors que la plupart des jugements se forment dès la première semaine d'essai, où seule une fraction du potentiel de l'outil est exploitée. Juger un copilote de code sur trois jours d'utilisation, c'est un peu comme juger un nouvel employé sur son premier jour de poste.
Comment choisir, concrètement
Au vu de ce panorama, quelques critères pratiques permettent d'arbitrer sans se laisser porter par le seul bruit médiatique.
La nature de la tâche prime sur la marque de l'outil. Les gains de productivité les plus nets se mesurent sur des tâches bien cadrées — génération de composants standards, tests unitaires, documentation, migration mécanique. Sur des tâches qui exigent une compréhension fine d'un historique de code ancien et de conventions non écrites, l'écart en faveur de l'IA se réduit, voire s'inverse selon le contexte, comme le montre l'étude METR. La bonne question n'est donc pas « quel outil est le meilleur ? » mais « sur quel type de tâche vais-je l'utiliser en priorité ? ».
Simulateur de gain de productivité
ESTIMATION DIRECTIONNELLE · TIRÉE DES DONNÉES DE L'ARTICLE
≈ 9 % de temps gagné sur la tâche
Vous êtes en phase de montée en compétence : le gain réel se renforcera les semaines suivantes.
Modèle indicatif fusionnant l'étude GitHub 2023 (tâches favorables, ≈ +30 % nets réalistes) et l'étude METR 2025 (code legacy d'experts, −19 %), amorti par la courbe d'adoption (~11 semaines). Estimation directionnelle, pas une mesure.
L'écosystème existant pèse lourd. Une équipe déjà installée sur Visual Studio Code ou JetBrains, avec des habitudes et des extensions maison, gagnera probablement à rester sur une extension comme Copilot plutôt qu'à migrer tout l'outillage vers un nouvel éditeur. À l'inverse, une équipe qui démarre un projet neuf, sans lourdeur d'existant, a moins à perdre à essayer un environnement conçu nativement pour l'agent, comme Cursor ou Windsurf.
La confidentialité du code est un critère à part entière. Pour un secteur réglementé — santé, finance, défense — la question du déploiement sur site et de l'entraînement éventuel de modèles sur le code propriétaire doit être posée avant toute considération de fonctionnalité. C'est précisément le terrain sur lequel Tabnine construit son argumentaire, et sur lequel les offres cloud grand public sont structurellement moins bien positionnées.
Le budget doit s'évaluer par poste et dans la durée, pas seulement sur le prix d'appel du premier mois. Les paliers supérieurs — accès prioritaire aux modèles les plus capables, quotas plus généreux, fonctionnalités d'équipe — représentent souvent l'essentiel de la facture réelle pour une organisation, bien au-delà du tarif individuel affiché en façade.
Enfin, laisser le temps à l'adoption avant de juger : au vu du délai de montée en compétence observé dans plusieurs études de terrain, un test de quelques jours ne suffit pas à évaluer sérieusement un outil que l'on prévoit d'utiliser pendant des années.
La revue de sécurité doit rester systématique, quel que soit l'outil retenu. Au vu du taux de vulnérabilités mesuré par Veracode, intégrer une analyse de sécurité statique dans la chaîne d'intégration continue n'est plus une option annexe mais une étape aussi indispensable que les tests unitaires, précisément parce que le code généré a tendance à paraître propre et fonctionnel tout en dissimulant une faille que seul un outil dédié détectera.
Un marché mature, des outils complémentaires
Trois ans après le lancement de Cursor, le marché des copilotes de code n'a plus rien d'expérimental. Les chiffres — 4,7 millions d'abonnés Copilot, plus de 2 milliards de dollars de revenus annualisés pour Cursor, un rachat de Windsurf par Cognition estimé à 250 millions de dollars (montant non officiel, rapporté par TechCrunch) — signalent une industrie installée, avec ses leaders, ses spécialistes et ses consolidations. Le mode agent, généralisé chez tous les acteurs majeurs en l'espace de dix-huit mois, a changé la nature même de l'outil : on ne discute plus d'un correcteur de syntaxe amélioré, mais d'un collaborateur capable de mener une tâche de bout en bout, sous supervision humaine.
Cette maturité n'efface pas la nuance essentielle mise en lumière par l'étude METR : l'IA de code n'est pas un multiplicateur de productivité universel. Elle excelle sur des tâches cadrées et répétitives, et demande davantage de prudence — relecture, tests, validation — sur du code ancien et complexe où la connaissance tacite de l'équipe compte plus que la puissance du modèle. Le bon réflexe pour une équipe n'est donc pas de choisir un camp entre Copilot et Cursor une fois pour toutes, mais de mesurer, sur ses propres tâches et avec ses propres métriques, ce que l'outil retenu apporte réellement — plutôt que de se fier aux seuls chiffres marketing, aussi impressionnants soient-ils.
Pour un praticien qui doit choisir aujourd'hui, la meilleure démarche reste la plus simple : tester deux ou trois outils sur des tâches représentatives de son quotidien, sur plusieurs semaines, et comparer non seulement la vitesse perçue mais aussi le temps réellement passé à relire et corriger. C'est cette discipline, plus que la réputation d'un éditeur, qui distingue un choix d'outillage réussi d'un effet de mode.
Une dernière observation, transversale à tous les outils passés en revue : la bascule vers le mode agent déplace la charge de travail du développeur, elle ne la supprime pas. Écrire du code prenait autrefois l'essentiel du temps ; relire, tester et valider ce que l'agent a produit en prend désormais une part croissante. Les équipes qui tirent le meilleur parti de ces outils sont rarement celles qui leur délèguent le plus de tâches sans contrôle, mais celles qui ont su redessiner leur processus de revue autour de cette nouvelle répartition — un chantier organisationnel au moins aussi important que le choix de l'outil lui-même.
Sources
Cet article s'appuie sur des sources publiques et vérifiables :
- Microsoft / GitHub, résultats financiers T2 FY26 (28 janvier 2026) — abonnés payants GitHub Copilot — github.blog.
- Visual Studio Code Team, « Introducing GitHub Copilot agent mode (preview) » (24 février 2025) — code.visualstudio.com.
- GitHub Changelog, « GitHub Copilot now supports Agent Skills » (18 décembre 2025) — github.blog.
- The GitHub Blog, « Does GitHub Copilot improve code quality? Here's what the data says » (18 novembre 2024) — github.blog.
- The GitHub Blog, « Research: quantifying GitHub Copilot's impact on developer productivity and happiness » (2023) — github.blog.
- METR, « Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity » (10 juillet 2025) — metr.org (étude complète : arXiv 2507.09089).
- TechCrunch, « Cognition, maker of the AI coding agent Devin, acquires Windsurf » (14 juillet 2025) — techcrunch.com.
- CNBC, « AI startup Cursor raises $2.3 billion funding round at $29.3 billion valuation » (13 novembre 2025) — cnbc.com.
- Veracode, « 2025 GenAI Code Security Report » (30 juillet 2025) — veracode.com.
- Visual Studio Code Team, « Copilot Next Edit Suggestions (preview) » (12 février 2025) — code.visualstudio.com.
- Cursor, « A new Tab model » — modèle Fusion (janvier 2025) — cursor.com.
