L'éditeur affirme multiplier par 20 ses expéditions logicielles avec la même équipe grâce à des agents alimentés par les modèles d'OpenAI et à Codex. Il avance aussi des résultats en sécurité avec Daybreak et un nouveau produit, tout en décrivant les ajustements techniques et de processus qui soutiennent cette montée en charge.
Sécurité : 43 000 vulnérabilités trouvées et 1 M$ d'analyses offertes
CodeRabbit rapporte avoir identifié plus de 43 000 vulnérabilités de sécurité lors de 13 000 analyses approfondies, toutes réalisées avec des modèles Codex. Au cours des deux dernières semaines, l'entreprise a proposé 1 million de dollars d'analyses gratuites à ses utilisateurs, et indique que des milliers de failles ont déjà été corrigées par ses clients. Plus récemment, CodeRabbit a utilisé le modèle Cyber d'OpenAI via Daybreak pour tester et renforcer la sécurité de sa propre plateforme, menant des tests de pénétration internes afin d'identifier des vecteurs d'intrusion. Selon Harjot Gill, cet accès anticipé a permis de découvrir plusieurs vulnérabilités et des attaques avancées. Ces capacités ont été intégrées à l'offre CodeRabbit Secure, qui associe Daybreak et des modèles Codex pour détecter et corriger les vulnérabilités, et CodeRabbit utilise également Daybreak pour sécuriser l'infrastructure de ses clients et la sienne.
Production : 20× de livraisons en six mois sans recrutements
L'entreprise affirme avoir expédié 20 fois plus de logiciels avec la même équipe, attribuant ce résultat à l'utilisation de Codex. Harjot Gill précise avoir atteint ce volume sur les six derniers mois sans embaucher d'ingénieurs, et estime avoir soumis entre 2 500 et 3 000 pull requests au cours des 30 jours précédant l'entretien. Pour y parvenir, l'équipe a automatisé l'envoi de modifications à faible risque qui ne nécessitent pas d'intervention humaine, a rationalisé le processus de publication et a réévalué les points d'approbation humaine. L'exécution de plusieurs agents a mis en évidence des contraintes dans la chaîne de développement, telles que la mémoire et la puissance des postes, les tests, les outils de compilation et d'empaquetage, ainsi que les dépendances. Harjot Gill indique que la livraison logicielle a été entièrement repensée.
Orchestration : des agents généralisés et des sous-agents multiples
CodeRabbit relie la généralisation des agents à des améliorations de tarification et de caching des modèles d'OpenAI, qui permettent d'utiliser davantage d'IA et d'ajouter plus de sous-agents, avec un bénéfice annoncé pour les clients. À l'origine, la navigation dans le code reposait sur un ou deux sous-agents ; des modèles à coût réduit comme GPT-6 Luna permettent désormais d'en déployer un plus grand nombre sur la plateforme, tandis que GPT-6 Astra gère la planification et l'orchestration. Harjot Gill affirme que des agents sont désormais utilisés pour des cas d'usage auparavant inaccessibles, ce qui élargit les validations possibles et les explications fournies aux développeurs qui n'ont pas écrit les changements.
Vous voulez les meilleurs outils IA avant les autres ?
On teste et on décrypte les nouveaux outils IA chaque soir, en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisissez votre rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Modèles OpenAI : du prototype à l'évaluation continue
Le premier produit de CodeRabbit a été construit avec GPT-3.5 Turbo et, selon Harjot Gill, l'arrivée de GPT-4 a rendu l'outil efficace pour la revue de code. L'entreprise indique avoir adopté rapidement OpenAI o1 et o3. Les revues de code s'exécutant de manière asynchrone dans le cloud, des modèles plus lents ont été utilisés lorsque leur analyse était jugée plus performante. Les nouveaux modèles sont évalués sur un benchmark interne d'issues connues. Au moment de l'entretien, Harjot Gill estimait que GPT-6 Astra détectait 50 % des problèmes de ce jeu de test, le plaçant en tête par rapport à d'autres modèles, dans un contexte où la nature des bugs et le benchmark évoluent avec l'amélioration des agents. Harjot Gill observe également d'importantes avancées dans la détection à grande échelle à chaque nouvelle version de modèles, en particulier ceux axés sur le raisonnement.
Outils et processus : du bot Slack au développement cloud
Un bot Slack reposant sur Codex assure le tri des incidents de production, des messages et des tickets de support, et il est capable de créer une pull request destinée à la relecture et à la fusion. Harjot Gill décrit le développement cloud comme une solution pour réduire les limitations liées aux postes locaux et renforcer la gestion des accès ainsi que l’audit. Au-delà de l'ingénierie, l'équipe pilote des tâches marketing et opérationnelles comme du code : les annonces Google sont gérées par pull requests, et un dépôt de studio de contenu sert à produire des présentations et documents destinés aux clients via Codex. Harjot Gill indique vouloir gérer l'entreprise autant que possible comme du code. Depuis 2023, des agents opèrent en environnements de test, clonant des dépôts et écrivant du code pour assister les revues.
Gouvernance du code agentique : garder la main à grande échelle
La plateforme de CodeRabbit exploite des modèles d'OpenAI pour gouverner et valider le code généré par des agents, avec l'objectif d'aider les équipes à comprendre, examiner et sécuriser les changements, puis décider ce qui peut être expédié. L'entreprise revendique une base de plus de 20 000 organisations utilisatrices et plus de 150 000 projets open source. CodeRabbit indique s'orienter vers un développement logiciel agentique à grande échelle, accompagnant validation, priorisation, explication, sécurisation et vérification des modifications générées par des agents. L'objectif est d'aider les développeurs à garder le contrôle alors que les agents prennent en charge une part croissante de la construction, tandis que Harjot Gill anticipe un besoin accru d'aide pour décider quelles modifications mener à bien lorsque des agents de fond répondent aux alertes sans intervention humaine.
