Dette technique

La dette technique est le coût futur de correction et de reprise qui apparaît lorsqu'un logiciel a été construit vite et sans laisser de place au changement. Comme une dette financière, elle permet d'aller plus vite aujourd'hui, mais avec des intérêts : chaque modification suivante coûte plus cher et prend plus de temps.

En clair

Imaginez un entrepôt où l'on a rangé les marchandises « là où ça rentre ». Pendant quelques semaines, on retrouve tout de mémoire. Un an plus tard, même la personne qui l'a installé met une heure à chercher un article, un nouvel employé met un mois à être formé, et toute modification de l'agencement casse quelque chose à côté. Il en va de même du logiciel : le code fonctionne, mais il est difficile de s'y retrouver, et toute modification est risquée.

La dette ne vient pas seulement de la paresse. Elle apparaît lorsque :

• personne ne comprend comment tout est construit (pas d'architecture, pas d'explications, pas de tests) ;
• le même code est copié à dix endroits, et en corriger un laisse les autres intacts ;
• des rustines rapides sont superposées les unes aux autres ;
• les dépendances et les bibliothèques ne sont pas mises à jour.

Pourquoi le code d'IA et le chat sans ingénieur accélèrent la dette

Lorsque des personnes sans expérience d'ingénieur « assemblent une boutique dans un chat avec l'IA », des conditions apparaissent dans lesquelles la dette croît vite :

1. Pas de plan. Chaque demande dans le chat résout une tâche locale, et personne ne peut évaluer comment elle s'articule avec le reste.
2. Pas de relecture. Le résultat est accepté s'il « fonctionne à l'écran ». Les erreurs de sécurité, de paiement et de traitement des cas rares ne se voient pas à l'écran.
3. Pas de compréhension. Quand quelque chose casse, le propriétaire ne peut pas dire où ni pourquoi, et demande à l'IA de corriger, en ajoutant souvent une nouvelle rustine sur l'ancienne.

Cela ne signifie pas que l'IA écrit moins bien qu'une personne en tout. Mais les données de 2025-2026 montrent des tendances qu'il vaut la peine de connaître.

Ce que disent les données

Sécurité. Veracode a testé plus de 100 modèles de langage sur des tâches dans quatre langages de programmation : dans 45 % des cas, le code comportait des vulnérabilités de la liste OWASP Top 10. Les modèles plus récents écrivaient mieux du code fonctionnel, mais pas du code plus sûr (Veracode, juillet 2025). En octobre 2026, Veracode a relevé la première amélioration notable : le taux de réussite global est passé de 56 % à 62 %, mais les modèles les plus faibles restent à 44-50 %, et pour certains types de problèmes (chiffrement, injection SQL), le rapport indique que les chiffres n'ont pas changé (Veracode, octobre 2026). Ce sont des résultats sur des tâches de test, pas des mesures sur de vraies boutiques.

Problèmes dans de vrais dépôts. L'étude universitaire « Debt Behind the AI Boom » (arXiv, mars 2026, dernière version octobre 2026) a analysé 302,6 mille commits créés par l'IA dans 6 299 dépôts GitHub : pour cinq assistants d'IA, de 7,5 % à 14,8 % des commits introduisaient au moins un problème ; 484 366 problèmes ont été trouvés au total, dont 89,3 % de « code smells », c'est-à-dire des signes de mauvaise structure ; 22,7 % de ces problèmes subsistent dans la dernière version, ce que les auteurs prennent comme preuve de coûts de maintenance à long terme (arXiv:2603.28592). Cela concerne le code en général, pas les boutiques, et il n'est pas prouvé qu'une personne aurait fait mieux.

Duplication et recul du refactoring. GitClear et GitKraken ont analysé 623 millions de modifications de code de 2023-2026 : 81 % de code dupliqué en plus par rapport à avant l'IA, 70 % de commits en moins qui reprennent du code existant, et du code qui « avale » les erreurs au lieu de les corriger en hausse de 47 %. Environ un quart de tous les commits sont désormais créés avec la participation de l'IA (LeadDev, juillet 2026). Auparavant, GitClear avait analysé 211 millions de lignes de 2020-2024 : la part de code copié est passée de 8,3 % à 12,3 %, tandis que la part de code déplacé (signe de réutilisation) est tombée de 25 % à moins de 10 % (GitClear). Ces données montrent une tendance qui a coïncidé avec la diffusion des assistants d'IA, mais ne prouvent pas que chaque doublon a été créé par l'IA.

Qualité comparée à celle des humains. CodeRabbit (décembre 2025, 470 pull requests ouvertes : 320 avec participation de l'IA et 150 uniquement humaines) : les requêtes avec participation de l'IA comptaient en moyenne 10,83 problèmes par requête contre 6,45 pour les humaines (environ 1,7 fois plus), et jusqu'à 2,74 fois plus de problèmes de sécurité. Les auteurs notent eux-mêmes que la séparation entre « IA » et « humain » peut être imprécise (CodeRabbit, 2025). C'est un seul rapport, d'une entreprise qui vend un outil de revue de code.

Équipes et processus. D'après le rapport DORA 2025 (près de 5 000 professionnels), l'IA est désormais liée à un débit de livraison plus élevé, contrairement à l'année précédente, et l'IA elle-même est qualifiée de « miroir et multiplicateur » : dans les organisations bien gérées, elle amplifie l'efficacité, dans les organisations fragmentées, elle met en évidence les faiblesses (Google, présentation de DORA 2025). Sans pratiques, sans processus et sans relecture, l'IA n'assure donc pas la qualité par elle-même.

La confiance des développeurs eux-mêmes. Dans le Stack Overflow Developer Survey 2025, 66 % ont cité comme problème les réponses de l'IA « presque justes, mais pas tout à fait », et 45 % ont dit que le débogage du code d'IA prend plus de temps (Stack Overflow, 2025).

Il n'existe pas de données récentes distinctes spécifiquement sur les boutiques construites dans un chat par des personnes sans expérience d'ingénieur. Toutes les études ci-dessus portent sur le code en général.

Comment la dette se traduit en argent

Le lien entre les chiffres ci-dessus et le budget d'une boutique est logique, mais c'est une déduction, pas un fait mesuré pour votre projet :

• Sécurité. Un code vulnérable est un risque de fuite des données des acheteurs. Une fuite signifie non seulement des amendes et des indemnités, mais une perte de confiance. Voir signaux de confiance.
• Paiements. Une erreur dans le traitement des paiements, des prélèvements répétés, des commandes qui n'arrivent jamais dans le CRM, ou un montant erroné avec le paiement à la livraison. Ce sont des pertes directes et une charge supplémentaire pour le support.
• Vitesse du site. Les rustines et les doublons accumulés ralentissent les pages, ce qui affecte la conversion (conversion).
• Coût des modifications. Une nouvelle fonctionnalité qui aurait dû coûter une journée en coûte une semaine, car il faut d'abord démêler les choses. Parfois, il est moins cher de tout réécrire.
• Dépendance à un seul chat ou à une seule personne. Quand le contexte est perdu, il n'y a rien à partir de quoi restituer la logique.

Un exemple illustratif (chiffres inventés). Une boutique a été « assemblée » en trois semaines. L'ajout d'un nouveau mode de livraison (par exemple un tarif distinct du transporteur) a d'abord pris une demi-journée, puis un an plus tard six jours, parce que la règle de livraison est dupliquée à quatre endroits et que le développeur a dû tous les trouver.

Comment garder la dette sous contrôle

1. Consignez les exigences par écrit (cahier des charges).
2. Faites vérifier la sécurité et les paiements par un spécialiste avant le lancement. Un audit technique indépendant aide à trouver les points faibles.
3. Conservez le code dans un dépôt avec un historique des modifications et des sauvegardes.
4. Pour les paiements et les données des acheteurs, utilisez des solutions toutes faites éprouvées, pas du code issu d'un chat (SaaS ou développement sur mesure).
5. Réservez régulièrement du temps au nettoyage, pas seulement aux nouvelles fonctionnalités.
6. Veracode conseille de combiner les outils d'IA avec une revue de sécurité indépendante plutôt que de miser sur le modèle le plus cher (Veracode, 2026).

Erreurs courantes

• Ne compter le coût du développement que pour le premier lancement.
• Penser que l'IA « va tout corriger d'elle-même » à la demande suivante.
• N'avoir personne qui sache lire et expliquer le code.
• Repousser les mises à jour des bibliothèques et de la plateforme.

FAQ

Qu'est-ce que la dette technique en termes simples ? La conséquence de décisions rapides dans le code : cela fonctionne maintenant, mais chaque modification suivante coûte plus cher.

Pourquoi la dette technique s'accumule-t-elle ? Par manque de planification et de relecture, par du code dupliqué, des rustines rapides et des dépendances obsolètes. Quand le code est écrit dans un chat sans compréhension de l'architecture, ces conditions apparaissent plus vite.

Est-il dangereux de construire une boutique en ligne via un chat avec l'IA ? Pour un prototype, non. Pour une boutique avec paiements et données d'acheteurs, le risque est réel : les études montrent des vulnérabilités et des problèmes qui s'accumulent dans le code d'IA, un spécialiste doit donc le relire. Voir vibe coding.

Comment savoir qu'une boutique a beaucoup de dette technique ? Les modifications simples deviennent coûteuses, les erreurs se répètent, personne ne peut expliquer comment tout est construit, et le site ralentit.

Comment rembourser la dette technique ? Progressivement : audit, tests, suppression des doublons, mise à jour des dépendances. Parfois, il vaut mieux réécrire la partie problématique.

Termes associés

• Vibe coding
• Plateforme SaaS, boutique sur mesure ou vibe coding : que choisir
• Audit technique d'un site
• Headless commerce

Sources

• Veracode. 2025 GenAI Code Security Report, 30.07.2025 — veracode.com/resources/genai-code-security-report
• Veracode. GenAI Code Security Report, 29.10.2026 — veracode.com/?p=33104
• Liu et al. Debt Behind the AI Boom: A Large-Scale Empirical Study of AI-Generated Code in the Wild, arXiv:2603.28592 (2026) — arxiv.org/abs/2603.28592
• LeadDev. Code maintainability plummets in the AI coding era (GitClear/GitKraken), 07.07.2026 — leaddev.com/ai/code-maintainability-plummets-in-the-ai-coding-era
• GitClear. AI Copilot Code Quality 2025 research — gitclear.com/ai_assistant_code_quality_2025_research
• CodeRabbit. AI code creates 1.7x more problems, 17.12.2025 — coderabbit.ai/blog/state-of-ai-vs-human-code-generation-report
• Google. How are developers using AI? Inside our 2025 DORA report, 23.09.2025 — blog.google/technology/developers/dora-report-2025
• Stack Overflow. 2025 Developer Survey, AI — survey.stackoverflow.co/2025/ai