Fujitsu a lancé une plateforme de développement logiciel pilotée par l’IA agentique qui automatise l’intégralité du cycle de développement — de la définition des exigences aux tests d’intégration — sans intervention humaine, et a démontré en conditions réelles un gain de productivité multiplié par 100 : une modification nécessitant trois mois-personne avec les méthodes conventionnelles a été réalisée en quatre heures, dans le cadre de la révision des tarifs médicaux japonais.
Le marché des outils de développement assisté par IA est aujourd’hui structuré autour d’un modèle dominant : l’assistance interactive, où GitHub Copilot, Cursor, Windsurf, Claude Code d’Anthropic et Amazon Q Developer accélèrent un développeur humain qui reste dans la boucle à chaque étape. Ce modèle atteint une limite structurelle sur les systèmes patrimoniaux complexes, comme les bases de code de plusieurs dizaines de millions de lignes, les dépendances accumulées sur des décennies, les connaissances tacites non documentées, où aucun développeur ne maîtrise la totalité du périmètre et où la charge de vérification humaine entre chaque étape annule les gains partiels d’assistance.
C’est précisément ce segment que Fujitsu adresse avec sa plateforme fondée sur le LLM Takane, développé conjointement avec Cohere, en orchestrant plusieurs agents IA spécialisés opérant en continu sans dialogue humain intermédiaire. La plateforme est déployée en production au Japon pour traiter les modifications réglementaires des tarifs médicaux, sur un périmètre de 67 progiciels métiers fournis aux secteurs médical et gouvernemental par Fujitsu Japan Limited.
150 millions de lignes de code rendues lisibles par des agents IA
Le périmètre technique adressé illustre la nature du défi : 67 progiciels métiers représentant 150 millions de lignes de code, soumis à des révisions réglementaires récurrentes dont les détails sont parfois clarifiés jusqu’à la veille de leur entrée en vigueur. Les méthodes conventionnelles, où chaque étape du cycle de développement nécessite une vérification humaine, génèrent des délais incompatibles avec les fenêtres réglementaires imposées. Fujitsu qualifie cette contrainte de principale source de charge opérationnelle pour les équipes terrain, et de facteur aggravant face à la pénurie de professionnels IT. Takashi Manabe, Senior Research Director AI & Automation chez IDC Japan, situe la portée de l’initiative : selon lui, elle « devrait offrir une voie concrète à de nombreuses entreprises nationales confrontées au défi permanent de la maintenance et de l’exploitation des actifs hérités, tout en favorisant une évolution de l’ingénierie logicielle en s’éloignant d’un modèle à forte intensité de main-d’œuvre ».
La rupture technique repose sur une architecture de contrôle qualité en couches multiples. La couche de conception autonome (boucle ReAct) enchaîne observation, raisonnement, action et investigation jusqu’à la concrétisation de la conception. Une couche de supervision méta-cognitive audite en continu le raisonnement de l’IA au regard de critères de qualité, justification, cohérence, clarté, en déclenchant une exécution corrective en cas d’ambiguïté ou d’omission. Une couche de connaissance structure les pratiques terrain, conventions de nommage, opérations exceptionnelles, correspondances identifiant d’écran vers code, comme guides injectés dans l’index de recherche et le contexte de conception.
Un mécanisme à quatre couches
Une couche d’accès à l’information extrait uniquement les parties nécessaires de volumes massifs de documents et de millions de lignes de code pour le raisonnement de l’IA. Ce mécanisme à quatre couches, dont certains éléments font l’objet d’un dépôt de brevet, a permis de traiter un document réglementaire du ministère japonais de la Santé de 769 pages pour en extraire automatiquement des exigences au niveau des spécifications externes.
La distinction avec les outils d’assistance généralistes est opérationnelle pour les architectes système : là où Copilot ou Amazon Q Developer peuvent être déployés sans préparation spécifique sur n’importe quelle base de code, la plateforme Fujitsu exécute 24 heures sur 24 et poursuit le développement jusqu’à l’atteinte des objectifs définis, même en l’absence des équipes. Ce passage d’un modèle d’assistance à un modèle d’exécution autonome redéfinit les hypothèses de dimensionnement des équipes de développement et de maintenance, avec un impact direct sur les contrats de tierce maintenance applicative.
L’ingénierie AI-Ready comme prérequis à l’automatisation
La plateforme s’appuie sur un concept préalable que Fujitsu nomme « AI-Ready Engineering » : le processus de préparation des actifs, des connaissances et des standards qualité permettant à l’IA de comprendre correctement les systèmes existants avant d’exécuter une automatisation fiable. Cette préparation comprend la structuration et l’indexation des actifs logiciels existants, la formalisation des connaissances tacites — règles métier non documentées, gestion des exceptions, conventions de développement propres au client — et la conversion des modifications passées en données de référence permettant d’évaluer les résultats produits par l’IA. Le niveau de maturité de cette préparation détermine directement le taux de succès de l’automatisation.
Ce prérequis constitue une barrière à l’entrée structurelle pour les concurrents positionnés sur l’assistance interactive. L’AI-Ready Engineering de Fujitsu exige un investissement préalable substantiel en structuration de la connaissance tacite — un investissement que Fujitsu est positionné pour réaliser lui-même grâce à quarante ans de présence dans les domaines gouvernemental, financier et médical, et à sa maîtrise de la structure et de l’historique d’actifs logiciels à l’échelle de dizaines de milliers de fichiers. Pour les intégrateurs et les ESN concurrents, reproduire cette combinaison de connaissance métier sectorielle et de capacité d’exécution agentique représente un délai de plusieurs années. Junichi Aruji, Directeur général de Kintetsu Information System, souligne ce qui est « particulièrement remarquable » : « la capacité de l’IA à apprendre de manière autonome l’intelligence humaine, améliorant ainsi considérablement la précision de la définition des exigences ».
Le modèle de facturation en mois-personne rendu caduc
Pour les DSI gérant des parcs applicatifs anciens avec des équipes contraintes, l’AI-Ready Engineering représente un investissement initial en structuration de la connaissance tacite dont le retour se matérialise lors de chaque cycle de modification réglementaire. La mécanique qui impose des modifications sous contrainte de délai ne s’applique pas uniquement au marché japonais : elle est identique dans les secteurs de la santé, de la protection sociale et des collectivités territoriales françaises et européennes, où les révisions tarifaires, les mises en conformité réglementaire et les évolutions législatives génèrent les mêmes goulots d’étranglement opérationnels.
Le gain de productivité mesuré — trois mois-personne réduits à quatre heures sur une demande de modification parmi les quelque 300 traitées dans le cadre du PoC — a une implication directe sur le modèle économique de l’intégration de systèmes. Fujitsu l’assume explicitement : l’entreprise vise la transition d’un modèle fondé sur les mois-personne vers un modèle centré sur la valeur client. Dans le paysage concurrentiel actuel, où la généralisation des outils d’assistance au code accélère la compression des marges sur le développement standard et où la démocratisation de l’IA générative étend les capacités de développement interne des clients, le maintien d’un modèle à l’effort sur des tâches automatisables devient économiquement intenable pour les intégrateurs.
L’extension prévue de la plateforme à la finance, à la distribution et à l’industrie manufacturière d’ici la fin de l’exercice fiscal 2026 confirme que Fujitsu ne positionne pas cet outil comme une solution sectorielle, mais comme une infrastructure de développement à vocation universelle pour les systèmes soumis à des modifications continues.
