Un quart des organisations interrogées par McKinsey déclarent déjà une hausse de productivité grâce à l’IA, tandis que 30 % observent une productivité stable ou en baisse. Ce contraste résume le problème auquel se heurtent les entreprises : l’outil peut accélérer certaines tâches sans garantir, à lui seul, un gain mesurable à l’échelle de l’organisation.
Le partenariat annoncé entre McKinsey et Cognition le 12 novembre 2026 s’attaque précisément à cette difficulté. D’un côté, McKinsey apporte son travail sur l’organisation, le choix des projets et la mesure du retour sur investissement. De l’autre, Cognition fournit Devin, son agent de développement logiciel capable de mobiliser plusieurs modèles d’IA. L’enjeu n’est donc plus seulement de produire davantage de code, mais de déterminer quelles tâches méritent d’être confiées à un agent, à quel coût et avec quel niveau de contrôle.
McKinsey et Cognition ciblent le vrai problème, le passage du test à la valeur
Le partenariat ne présente pas Devin comme un simple assistant de programmation. Il associe l’agent de Cognition à une démarche de transformation des équipes d’ingénierie, depuis la sélection des premiers projets jusqu’au déploiement à grande échelle.
McKinsey doit aider les entreprises à choisir les cas d’usage, établir une référence de départ sur le coût, la vitesse et la qualité, puis adapter les méthodes de travail. Cognition fournit l’outil chargé d’exécuter une partie des tâches de développement. Cette combinaison vise à relier l’activité de l’agent à des résultats opérationnels plutôt qu’à un simple volume de lignes générées.
L’approche répond à une faiblesse fréquente des projets d’IA : une démonstration réussie ne prouve pas que l’outil améliore la performance d’une équipe entière. Une génération de code plus rapide peut être annulée par le temps consacré à la vérification, à la correction, à la sécurité ou à l’intégration dans un système ancien.
À retenir : le partenariat déplace la question de « l’IA sait-elle coder ? » vers « quelles tâches l’IA peut-elle exécuter de façon rentable dans cette organisation ? »
McKinsey indique que son enquête du deuxième trimestre 2026 auprès de 334 responsables produit et ingénierie montre une forte dispersion des résultats. Le quart le plus performant rapporte des gains de productivité supérieurs à deux fois, tandis que 30 % des répondants constatent une productivité stable ou en recul. Ces chiffres ne décrivent donc pas une progression uniforme, mais des résultats dépendants du contexte de déploiement.
Devin combine plusieurs modèles pour ajuster la facture aux tâches
Cognition présente Devin comme un agent model-agnostic, c’est-à-dire capable de s’appuyer sur plusieurs modèles plutôt que sur un seul moteur d’IA. Cette architecture permet d’associer un modèle plus puissant aux tâches complexes et un modèle moins coûteux aux opérations répétitives ou mieux cadrées.
La logique est économique autant que technique. Un modèle de pointe peut être pertinent pour comprendre une base de code ancienne, planifier une migration ou traiter des dépendances difficiles. Pour des modifications plus simples, une option moins coûteuse peut suffire, à condition de respecter les exigences de qualité et de sécurité de l’entreprise.
La documentation de Devin publiée en novembre 2026 détaille plusieurs tarifs de modèles facturés au nombre de tokens. Le modèle SWE-2 est affiché à 3 dollars par million de tokens en entrée et 15 dollars par million de tokens en sortie après sa période de gratuité pour certains forfaits. SWE-2 Flash est annoncé à 0,10 dollar par million de tokens en entrée et 0,50 dollar par million de tokens en sortie après sa période promotionnelle.
| Modèle | Entrée par million de tokens | Sortie par million de tokens | Période tarifaire indiquée |
|---|---|---|---|
| SWE-2 | 3 $ | 15 $ | Après la période de gratuité annoncée |
| SWE-2 Flash | 0,10 $ | 0,50 $ | Après la période promotionnelle annoncée |
| Gemini 3.7 Flash | 0,75 $ | 3,75 $ | Tarif introductif jusqu’au 31 décembre 2026 |
| Gemini 3.8 Flash | 0,75 $ | 3,75 $ | Tarif introductif jusqu’au 31 décembre 2026 |
Ces montants correspondent à la consommation de modèles, et non à un abonnement universel donnant accès à l’ensemble de Devin. Le coût réel dépend du nombre de tâches, de leur durée, du volume de contexte transmis et du nombre d’itérations nécessaires avant validation par un ingénieur.
Un benchmark relayé en novembre 2026 compare Devin Fusion à Claude Code avec Claude Opus 5.5. Devin Fusion y obtient un score supérieur de 2,2 points, avec un coût de 9,02 dollars par tâche contre 13,04 dollars pour Claude Code dans le protocole considéré. Ces résultats concernent des coûts d’API par tâche et ne constituent pas un prix mensuel standard pour une entreprise.
La comparaison illustre le rôle de la sélection dynamique des modèles. L’outil ne cherche pas uniquement à maximiser la performance brute : il tente aussi de choisir une combinaison compatible avec le budget et la nature du travail. Cette stratégie devient particulièrement importante quand un agent travaille sur plusieurs projets en parallèle.
Les gains de productivité ne valent que s’ils survivent aux contrôles
Le principal risque économique n’est pas le coût d’un appel de modèle isolé. C’est l’écart entre une tâche techniquement terminée et une tâche réellement exploitable en production.
Un agent peut générer une correction, ouvrir une demande de modification, écrire des tests ou moderniser une portion de code. L’équipe doit toutefois vérifier la qualité, la sécurité, les performances, la conformité et la compatibilité avec les systèmes existants. Les entreprises qui mesurent uniquement le nombre de tâches terminées peuvent donc surestimer le gain obtenu.
McKinsey propose de suivre plusieurs dimensions avant et après le déploiement :
- le coût de développement par projet ou par fonctionnalité ;
- le délai entre la demande et la livraison ;
- le taux de reprise du code généré ;
- le nombre de défauts détectés après livraison ;
- le temps consacré à la revue et à la correction ;
- la capacité à maintenir les systèmes après leur modernisation.
La productivité doit également être rapprochée du résultat métier. Une équipe qui livre plus vite une fonctionnalité peu utilisée ne crée pas nécessairement davantage de valeur. À l’inverse, une migration technique difficile peut produire peu de nouveautés visibles tout en réduisant un risque informatique important.
Le benchmark de QuantumBlack, la branche de McKinsey consacrée à l’IA, apporte un autre repère. Dans une étude portant sur sept systèmes agentiques en production dans des entreprises financières et de services professionnels, ces agents ont réduit d’environ 60 % la durée des tâches étudiées. Le chiffre porte sur le temps d’exécution des tâches et non sur une hausse générale de la productivité de toute l’organisation.
Cette distinction est essentielle. Réduire la durée d’une tâche ne signifie pas automatiquement réduire les dépenses, car les équipes peuvent réinvestir le temps libéré dans davantage de contrôles, de projets ou de fonctionnalités. Le bénéfice dépend donc de la capacité de l’entreprise à absorber cette nouvelle capacité.
Les systèmes anciens deviennent le terrain de jeu prioritaire
Le partenariat prend une dimension concrète avec Comarch, un éditeur logiciel d’Europe centrale qui utilise Devin et McKinsey pour moderniser son système ERP XL, âgé de 20 ans. Le projet s’inscrit dans un calendrier de 18 mois et doit servir de point de départ à une extension de Devin dans d’autres équipes d’ingénierie.
Ce cas met en évidence un usage différent de la simple génération de nouvelles applications. Une base de code ancienne concentre souvent des dépendances, des règles métier et des interfaces difficiles à documenter. La modernisation exige de comprendre l’existant avant de modifier le système, ce qui donne un rôle important à l’analyse automatisée et à la production de documentation.
L’agent peut contribuer à repérer des composants, proposer des tests, transformer des portions de code et préparer des changements successifs. Il ne supprime pas pour autant le besoin d’expertise humaine : les décisions d’architecture, les contraintes réglementaires et la validation des comportements métier restent déterminantes.
Pour les entreprises, l’intérêt potentiel tient aussi à la réversibilité des étapes. Une migration progressive permet de mesurer le coût et la qualité sur un périmètre limité avant d’étendre l’approche. Cette logique réduit le risque d’un programme d’automatisation lancé trop largement sans indicateur fiable.
Pourquoi les anciennes bases de code sont difficiles à automatiser
Les projets de modernisation combinent plusieurs difficultés :
- documentation incomplète ou obsolète ;
- dépendances entre composants ;
- tests insuffisants ;
- règles métier incorporées dans le code ;
- contraintes de disponibilité et de sécurité ;
- coexistence de technologies et de conventions différentes.
Un agent peut accélérer l’exploration et la préparation des changements, mais chaque modification doit être reliée à un comportement attendu. C’est précisément là qu’une démarche de mesure et de gouvernance complète l’outil de génération.
L’adoption se concentre déjà dans les grandes organisations
Cognition affirme que Devin est déployé auprès de six des huit banques américaines considérées comme d’importance systémique mondiale et de trois des six principaux assureurs santé américains. Ces chiffres signalent une présence dans des organisations où la sécurité, la traçabilité et la gouvernance sont des conditions d’achat majeures.
Ils ne suffisent pas à mesurer une part de marché ni la rentabilité de ces déploiements. Ils montrent toutefois que l’agent vise des environnements où le développement logiciel représente une activité stratégique et où les systèmes historiques peuvent ralentir les évolutions.
L’alliance avec McKinsey élargit la proposition de valeur de Cognition. Une entreprise cliente n’achète pas seulement un agent : elle peut être accompagnée dans le choix des projets, la conception du modèle opérationnel, la formation des équipes et le suivi des indicateurs.
Pour McKinsey, le partenariat renforce une offre de conseil centrée sur l’IA appliquée aux opérations de développement. Pour Cognition, il peut faciliter les déploiements complexes, notamment lorsque l’obstacle principal n’est pas l’accès à l’outil, mais la réorganisation du travail autour de celui-ci.
À retenir : l’échelle d’un déploiement dépend moins de la démonstration technique que de la capacité à intégrer l’agent dans les processus de sécurité, de revue, de planification et de responsabilité.
Le nouveau poste de dépense est la gouvernance du code généré
L’arrivée d’agents capables de travailler sur plusieurs projets simultanément modifie la structure des coûts. La facture des modèles devient visible, mais d’autres dépenses peuvent augmenter : revue humaine, tests, supervision, gestion des autorisations, analyse des incidents et maintenance des instructions utilisées par l’agent.
Cette évolution rend insuffisante une comparaison entre le prix d’un modèle et le salaire d’un développeur. Un agent n’assume pas seul la responsabilité d’un système critique et ne remplace pas mécaniquement une équipe. La bonne comparaison porte sur le coût complet d’une tâche livrée avec le niveau de qualité requis.
Une entreprise peut suivre ce coût avec une formule simple :
text coût complet d’une tâche = consommation des modèles + temps de supervision + tests + corrections + maintenance
Cette mesure doit être calculée sur des familles de tâches comparables. Une correction mineure, une migration de dépendances et la création d’un service complet ne sollicitent ni les mêmes modèles ni les mêmes contrôles.
La sélection de modèles peut alors être pilotée par des règles. Un modèle rapide et bon marché peut traiter la classification, la documentation ou certaines modifications répétitives. Un modèle plus coûteux peut être réservé à l’analyse d’architectures, aux migrations risquées ou aux tâches nécessitant un raisonnement plus long.
La question du contexte transmis compte également. Une requête qui renvoie systématiquement l’ensemble d’un dépôt augmente la consommation et peut dégrader la précision. Une organisation efficace structure les informations disponibles, limite les accès et conserve des traces des décisions prises par l’agent.
Les indicateurs qui distinguent vitesse et valeur
Les responsables techniques peuvent séparer quatre niveaux de mesure :
- activité, avec le nombre de tâches confiées à l’agent ;
- production, avec le nombre de changements acceptés ;
- qualité, avec les défauts, les reprises et les incidents ;
- valeur, avec les délais de livraison, la disponibilité des systèmes et les résultats métier.
Cette séparation évite de confondre adoption et réussite. Une équipe peut utiliser Devin sur un grand nombre de tickets sans améliorer son délai de livraison si les changements exigent trop de reprises. À l’inverse, un usage limité peut être très rentable lorsqu’il s’applique à une tâche répétitive et bien contrôlée.
Ce partenariat annonce une sélection plus fine des usages de l’IA
La tendance qui se dessine n’est pas celle d’un agent unique capable de remplacer toute une équipe. Elle correspond plutôt à une architecture composée de plusieurs modèles, de règles de routage, de contrôles humains et d’indicateurs de performance.
Le partenariat McKinsey-Cognition donne une forme commerciale à cette évolution. Le conseil détermine où l’automatisation peut créer de la valeur et comment modifier l’organisation. Devin exécute une partie du travail et sélectionne les modèles adaptés aux tâches. Les équipes d’ingénierie gardent la responsabilité de la validation et de la mise en production.
Cette organisation peut favoriser une adoption plus pragmatique. Les entreprises ne sont pas obligées de choisir entre automatiser tout le développement et refuser les agents. Elles peuvent commencer par des tâches mesurables, comparer plusieurs configurations de modèles et arrêter les usages dont le coût complet dépasse le bénéfice.
La limite principale restera la qualité des données de départ. Des indicateurs incomplets, des tests fragiles ou une définition imprécise de la productivité peuvent conduire à de mauvaises décisions, même avec un agent performant. La transformation repose donc autant sur l’instrumentation du travail que sur le modèle utilisé.
Notre avis : Devin doit être évalué comme une capacité industrielle
Le partenariat McKinsey-Cognition est pertinent parce qu’il traite le point faible de nombreux projets d’IA : l’absence de lien entre la performance d’un modèle et la rentabilité d’une organisation. Les chiffres disponibles montrent déjà pourquoi cette prudence est nécessaire : plus de deux fois de gain pour le quart le plus performant dans l’enquête citée, mais une productivité stable ou en baisse pour 30 % des répondants.
Les entreprises disposant d’un important patrimoine logiciel, de projets de modernisation documentés et d’indicateurs fiables sont les mieux placées pour tester Devin. Elles peuvent isoler des tâches, calculer leur coût complet et comparer la qualité avant d’élargir l’usage. Les équipes qui cherchent seulement à produire davantage de code sans renforcer la revue et les tests risquent, au contraire, de déplacer leurs coûts plutôt que de les réduire.
Dans les six prochains mois, l’enjeu sera de savoir si les déploiements accompagnés par McKinsey transforment les gains ponctuels en résultats durables : délais plus courts, maintenance mieux maîtrisée et coûts prévisibles. La question décisive ne sera plus combien de code l’IA peut générer, mais combien de logiciels fiables une entreprise peut livrer avec elle.