Encore un événement sur l’intelligence artificielle. C’est probablement la réflexion que beaucoup de professionnels de la technologie se font en voyant passer les invitations à des séminaires ou des conférences sur le sujet. La lassitude face aux discours conceptuels et aux promesses lointaines est parfaitement compréhensible. Le secteur technologique est saturé de présentations expliquant ce que l’intelligence artificielle générative pourrait théoriquement accomplir dans les années à venir.
C’est précisément pour rompre avec cette tendance que nous avons organisé notre récent événement chez Numendo. Notre objectif n’était pas de philosopher sur le futur, mais de montrer une réalité tangible. Nous avons mis de côté les diapositives purement théoriques pour ouvrir les terminaux, partager nos écrans et démontrer comment nous utilisons véritablement l’intelligence artificielle au quotidien dans nos missions d’ingénierie logicielle.`
Cet article propose une synthèse exhaustive de cette session, riche en démonstrations techniques et en réflexions sur l’évolution de nos métiers. Nous y abordons notre méthodologie d’audit applicatif et IA augmenté, l’intégration d’agents contextualisés dans nos processus de développement, la gestion des incidents de production assistée par l’IA, ainsi que les enjeux cruciaux de sécurité et de confidentialité.
Une transformation technologique majeure qui exige une adoption active
Pour ouvrir cet événement, nous avons eu le privilège d’accueillir Benoit Rigaut, dont l’introduction a permis de poser un cadre de réflexion essentiel sur la place de l’intelligence artificielle dans nos métiers. Son intervention a mis en perspective l’ampleur de la révolution en cours, qu’il compare sans hésitation aux grandes transformations industrielles des siècles précédents.
L’intelligence artificielle n’est pas une simple évolution outillée ; c’est un changement de paradigme. Selon lui, les avancées que nous observons aujourd’hui, bien que spectaculaires, ne sont que les prémices d’un mouvement beaucoup plus vaste. L’accélération technologique va se poursuivre de manière exponentielle, particulièrement dans les domaines où l’expérimentation n’est pas freinée par des contraintes physiques. Les mathématiques, la gestion de projet et, bien entendu, le développement logiciel sont les terrains de jeu idéaux pour ces modèles algorithmiques.
Le déplacement de la valeur ajoutée de l’ingénieur
Le message adressé aux équipes techniques est clair : il est impératif de commencer à expérimenter dès aujourd’hui. Céder à la panique face à l’automatisation serait une erreur, tout comme le serait l’attente d’une stabilisation hypothétique des pratiques. L’innovation avance par itérations, et la résistance à ces évolutions risque de pénaliser lourdement les individus et les organisations qui refuseraient de s’y adapter. Se former, partager ses apprentissages et prendre une part active à cette transformation sont les seuls moyens de rester pertinent.
Benoit Rigaut a insisté sur un point fondamental : l’intelligence artificielle ne se résume pas à l’automatisation de l’écriture de lignes de code. Si la génération de syntaxe devient une commodité, le travail intellectuel de l’ingénieur se déplace vers des sphères à plus forte valeur ajoutée. L’ingénieur logiciel de demain (et déjà d’aujourd’hui) consacrera davantage de temps à la définition précise du produit, à l’architecture des systèmes, à la formulation rigoureuse des demandes, ainsi qu’à la supervision et à l’évaluation critique des résultats produits par les machines.
Perspectives d’évolution et anticipation
Les perspectives d’évolution sont nombreuses. L’amélioration des modèles fondationnels va se poursuivre. Nous pouvons anticiper une période de progrès techniques majeurs d’ici 2026, notamment dans la capacité des modèles à résoudre des problèmes complexes soumis de manière directe. Par la suite, vers 2027, ces avancées logicielles devraient se traduire par des percées concrètes dans des secteurs tangibles comme les sciences des matériaux ou les sciences de la vie.
Parallèlement, la baisse structurelle des coûts d’inférence (le coût des « tokens ») va démocratiser des usages toujours plus intensifs. Il est intéressant de noter qu’il ne sera pas toujours nécessaire de faire appel au modèle le plus puissant du marché pour chaque tâche. Une ingénierie de la frugalité algorithmique va se développer, consistant à allouer le modèle le plus adapté (et le moins coûteux) en fonction de la complexité du problème à résoudre.
Dans ce contexte, la véritable valeur stratégique d’une entreprise technologique ne résidera pas dans l’accès aux modèles de base, mais dans le cadre d’exécution qu’elle saura bâtir autour de ses agents. Les outils internes, les règles d’architecture, la gestion des accès, les protocoles de contrôle et, par-dessus tout, la qualité des données internes deviendront les actifs centraux. Pour qu’une intelligence artificielle soit utile au sein d’une organisation, elle doit être nourrie d’un contexte fiable : historique des projets, processus internes, règles métier spécifiques, tout en garantissant une maîtrise absolue des habilitations.
Une organisation du travail repensée autour des agents contextualisés
La présentation technique animée par notre Lead Dev, Cédric, a permis de concrétiser cette vision. Chez Numendo, nous avons cessé de considérer l’intelligence artificielle comme un simple outil de type « chatbot » pour la transformer en un véritable collaborateur virtuel intégré à nos flux de travail. L’agent IA est perçu comme un collègue extrêmement rapide, dont la pertinence du travail dépend entièrement de la qualité du contexte qui lui est transmis, des pratiques de développement définies par l’équipe et des outils auxquels il a accès.
La centralisation des demandes et les sessions spécialisées
Le système que nous avons modélisé et mis en place s’appuie sur une architecture de sessions dédiées et spécialisées, développées notamment avec Cloud Code. Chaque session a un périmètre de responsabilité précis.
Nous retrouvons tout d’abord une session « To-do », qui agit comme un orchestrateur. Elle rassemble les demandes issues de divers canaux, suit leur état d’avancement et propose un ordonnancement des priorités. Autour de ce noyau gravitent des sessions par projet, mobilisées spécifiquement pour des missions d’audit, des développements d’applications ou la rédaction de documentation. Nous avons également intégré une session « Wiki », dont le rôle exclusif est de maintenir et d’enrichir la documentation interne, et un Slackbot qui assure l’interface entre les échanges humains asynchrones et le système multi-agents.
Cette organisation permet de fluidifier la charge mentale des équipes. La session To-do analyse les canaux connectés et classe les tâches. Cependant, la primauté de la décision reste toujours humaine. L’agent propose une organisation, mais le collaborateur valide ou corrige. Si une urgence survient, comme la restitution d’un audit avancée de deux jours, le collaborateur notifie la session qui réajuste immédiatement le plan de charge virtuel.
Le Slackbot, de son côté, est capable d’apporter des réponses contextuelles en interrogeant la base de connaissances. Toutefois, ses capacités d’action sont strictement délimitées. Les règles que nous avons implémentées font la distinction vitale entre la réception d’une information (qui peut être stockée) et la réception d’une instruction (qui nécessite un niveau d’habilitation supérieur). Une demande de relance commerciale formulée sur Slack sera enregistrée par l’agent, mais ne déclenchera aucune action de communication automatisée sans une validation explicite de la part d’un responsable.
La documentation : le carburant de l’automatisation
L’un des enseignements majeurs de notre intégration de l’intelligence artificielle concerne la documentation. La coordination collective entre des humains et des agents autonomes exige un niveau de rigueur documentaire bien supérieur à l’usage individuel.
Nous avons structuré notre documentation sur plusieurs niveaux complémentaires pour répondre aux besoins cognitifs des humains et aux besoins d’ingestion des machines.
• Le premier niveau est un Wiki global, rédigé en Markdown et transformé en HTML. Il est destiné à la fois aux collaborateurs et aux agents. Il centralise les processus de l’entreprise, la cartographie des équipes et l’infrastructure commune.
• Le deuxième niveau est la documentation spécifique par projet. Elle couvre les aspects fonctionnels, les commandes techniques de déploiement, les règles métier complexes et les conventions de code propres à un client.
• Le troisième niveau est constitué de ce que nous appelons les « skills » (compétences). Ce sont des consignes ultra-ciblées, conçues spécifiquement pour fournir un contexte exécutable aux agents. Un skill va par exemple dicter à l’IA la structure exacte d’un compte-rendu, incluant les métadonnées obligatoires (titre, catégorie, responsable).
Ce système permet des flux de travail très fluides. Par exemple, si un développeur signale sur Slack qu’un certificat SSL ou qu’une procédure est obsolète, l’information est soumise à validation. Une fois autorisée, la session Wiki prend le relais : elle vérifie l’information de manière autonome via des commandes en lecture seule sur l’infrastructure, rédige la mise à jour de la documentation, et déclenche ensuite le pipeline d’intégration et de déploiement continu (CI/CD) pour publier la nouvelle page. La transparence documentaire est le prérequis de cette automatisation.
L’audit augmenté : diviser par 4 le temps d’analyse des applications legacy
Le cœur de notre présentation s’est concentré sur un cas d’usage à très forte valeur ajoutée : l’audit de code d’applications existantes (legacy). C’est sur ce terrain que les gains de productivité sont les plus spectaculaires.
Nous avons exposé la méthodologie qui nous a permis de réaliser en seulement 10 jours de charge un audit applicatif qui, selon nos abaques traditionnels, aurait nécessité 40 jours de travail pour un niveau de profondeur équivalent.
Bien que la démonstration en direct ait été réalisée sur une application fictive nommée « L’atelier de l’artisanat » (un site de réservation d’ateliers), la méthodologie s’inspire directement de missions réelles, complexes, réalisées par exemple lors de l’audit de plateformes de e-commerce à très fort trafic rencontrant des problèmes de performances.
Il est crucial de préciser que ces 10 jours de charge ne correspondent pas à un travail entièrement automatisé où l’agent travaillerait seul. Cette durée englobe le travail humain indispensable de cadrage initial, de supervision continue, d’analyse qualitative des résultats générés et, surtout, de vérification stricte par l’architecte responsable de l’audit.
Préparer le terrain et sécuriser l’analyse
L’intervention d’agents IA sur un code source inconnu nécessite une préparation minutieuse. Nous procédons en quatre étapes strictes.
Premièrement, nous figeons le référentiel. Le projet est arrêté sur un « commit » de référence spécifique. Cela garantit que chaque faille ou dette technique identifiée par l’IA sera rattachée à une version précise et immuable du code, évitant ainsi les effets de bord liés aux modifications concurrentes.
Deuxièmement, nous appliquons une procédure de sécurité absolue concernant les secrets. Avant toute lecture par un modèle linguistique, nous utilisons des scripts spécialisés et des outils éprouvés de l’industrie, comme GitLeaks, pour rechercher et obfusquer l’intégralité des mots de passe, clés API ou tokens d’accès. Ces secrets, qu’ils soient codés en dur ou cachés dans l’historique des versions, sont masqués pour éviter toute fuite de données vers des services tiers.
Troisièmement, nous définissons la grille d’analyse. Nous combinons des standards internationaux de sécurité (comme le Top 10 de l’OWASP) avec des critères d’architecture spécifiques à la technologie analysée (les bonnes pratiques d’une application sur mesure diffèrent de celles d’un CMS standard du marché).
Quatrièmement, l’IA est chargée de cartographier et de segmenter le projet. Elle dresse un inventaire des modules logiques : le cœur fonctionnel, le système d’authentification, les flux de paiement, la gestion des annulations, etc.
L’analyse réelle ne s’effectue pas en une seule passe globale, ce qui serait inefficace et propice aux hallucinations algorithmiques. Nous procédons par « vagues » successives. Lors de la démonstration, nous avons lancé quatre agents spécialisés en parallèle. Cette approche par vagues permet non seulement de gérer les quotas techniques imposés par les fournisseurs d’API, mais surtout de garantir la qualité. L’équipe humaine analyse les retours de la première vague, ajuste le contexte ou les règles d’audit, et relance une vague plus précise.
La combinaison des outils classiques et de l’intelligence artificielle
L’intelligence artificielle ne vient pas remplacer les outils d’analyse statique de code (linters, analyseurs de vulnérabilités syntaxiques), elle vient combler leurs angles morts.
Notre méthode répartit intelligemment les tâches. Les outils conventionnels traitent la syntaxe pure et les erreurs de formatage. Les agents IA sont déployés sur des terrains où la sémantique et la logique métier sont requises : l’examen des flux applicatifs complexes, le respect des règles de gestion métier, et l’identification des anomalies architecturales. Une dernière passe de scripts classiques est ensuite utilisée pour nettoyer les faux positifs générés par l’IA.
Chaque constat (ou « finding ») produit par l’agent est consigné dans une fiche structurée. L’exigence fondamentale imposée à l’agent est la preuve : aucune affirmation n’est acceptée sans référence vérifiable, qui doit inclure le nom du fichier et le numéro de la ligne de code incriminée. Si un agent détermine qu’un critère d’audit n’est pas applicable au projet, il a l’obligation de fournir une justification technique argumentée.
Une fiche de constat inclut systématiquement la description du problème du point de vue métier, les détails techniques de l’implémentation défaillante, les micro-services impactés, et la grille de contrôle associée.
Vérification humaine et criticité
C’est ici que l’expertise humaine reprend tous ses droits. L’attribution de la criticité d’une faille (de P0 pour une urgence absolue à P3 pour une recommandation mineure) ne relève pas du libre arbitre de l’algorithme, mais de l’application stricte d’une matrice de risques définie avec le client. Un niveau P0 caractérise par exemple une vulnérabilité directement exploitable, un risque de perte financière ou un blocage critique en production.
Tous les constats classés P0 et P1 font l’objet d’une vérification manuelle systématique et intransigeante de la part de nos équipes. Cette vérification se traduit par la lecture humaine du code source ciblé et, très souvent, par la reproduction de la faille dans un environnement de pré-production.
Pour fiabiliser encore davantage le processus, nous utilisons des agents de revue croisée. Un second agent, doté d’un contexte délibérément différent et d’une instruction de contradiction, est chargé d’examiner le travail du premier agent pour y chercher des failles de raisonnement ou des cas limites.
Cette revue humaine et croisée modifie régulièrement les résultats. Un risque identifié par l’IA comme critique (P1), tel qu’un potentiel double débit lors d’un double-clic sur un bouton de paiement, peut être abaissé en priorité modérée (P2) si l’auditeur humain constate que l’API du prestataire bancaire intègre déjà un mécanisme d’idempotence (dédoublonnage des requêtes). À l’inverse, des constats mineurs peuvent être réévalués en failles critiques après analyse de l’impact métier.
Il est intellectuellement honnête de préciser qu’un agent IA ne garantit pas de trouver l’intégralité absolue des problèmes existants dans un référentiel de code. Toutefois, le couple formé par la cartographie exhaustive initiale et la traçabilité des critères évalués permet d’avoir une certitude mathématique sur le périmètre qui a été couvert.
Des livrables riches et durables
L’audit augmenté ne se contente pas de produire un tableur de vulnérabilités. Le gain de temps obtenu par l’automatisation de l’analyse nous permet de produire des livrables beaucoup plus qualitatifs pour faciliter la reprise en main du projet.
À l’issue des 10 jours, nous livrons un rapport de constats avec preuves, mais également l’extraction documentée des règles métier enfouies dans le code (souvent perdues par les clients au fil des années). Nous générons une rétro-documentation architecturale complète. Nous livrons un backlog technique chiffré pour la remédiation. Enfin, nous fournissons des « skills » réutilisables qui décrivent les pièges spécifiques du projet, facilitant ainsi l’intégration de futurs développeurs sur cette base de code.
Dans les cas où le code source est d’une qualité trop dégradée, l’utilisation de l’IA pour extraire exhaustivement les règles métier permet d’envisager une reconstruction propre de l’application (rewrite) sur des bases saines, plutôt qu’une maintenance acharnée sur une fondation instable.
Envie de recevoir gratuitement le replay ?
Le développement assisté et la résolution d’incidents critiques
Au-delà de l’audit, notre meetup a illustré l’utilisation de l’IA dans la production logicielle quotidienne. Cédric a démontré comment une fonctionnalité interne (la modification du responsable d’une page sur notre outil) pouvait être développée en binôme avec la machine.
En recevant une spécification fonctionnelle cadrée et l’accès à la documentation, l’agent a proposé un plan d’architecture. Fait intéressant, l’IA a signalé spontanément des manques fonctionnels dans la demande initiale. Le développeur humain a arbitré certaines questions, en a délégué d’autres, et a pris des décisions d’implémentation.
Le flux de travail a suivi les principes du TDD (Test Driven Development). L’agent a été instruit pour rédiger les tests unitaires avant d’écrire le code métier. C’est l’exécution de ces tests, et l’analyse de leurs échecs éventuels, qui permet à l’agent de corriger de manière autonome son implémentation jusqu’au passage au vert. Le contexte apporté par les « skills » du projet garantit que l’IA réutilise les composants visuels et les conventions déjà existants dans le projet, évitant la prolifération de code redondant ou de bibliothèques inutiles.
Gestion d’une crise en production
L’une des démonstrations les plus percutantes a concerné la simulation de la gestion d’un incident de performance en environnement de production.
Le scénario était le suivant : un tunnel de commande e-commerce connaissait une dégradation sévère, avec des temps de réponse passant d’une moyenne de 420 millisecondes à plus de 7 secondes, générant des erreurs réseau (timeout HTTP 504).
L’agent IA, doté d’accès strictement limités à la lecture sur les serveurs de production (principe de moindre privilège), a été sollicité pour diagnostiquer le problème. En comparant instantanément les métriques et les logs applicatifs avant et après le dernier déploiement de 14h00, l’IA a isolé la cause racine avec une rapidité fulgurante.
L’analyse automatisée a révélé une multiplication par 25 du volume de requêtes. Pour un panier contenant 40 articles, la base de données subissait une avalanche de plus de 2400 requêtes SQL. L’agent a identifié qu’une boucle itérative, récemment introduite pour gérer un nouveau système de promotions, appelait unitairement les métadonnées de chaque produit de manière inefficace (un problème classique de requêtes N+1, aggravé par la charge).
L’agent a généré un rapport d’incident complet, croisant les logs serveurs avec l’historique des modifications du code (Git). Crucialement, le module de sécurité de l’agent lui interdisait formellement de modifier l’environnement de production. C’est l’équipe humaine qui, sur la base de ce diagnostic implacable, a pris la décision métier de désactiver temporairement le système de promotions via un feature flag, rétablissant le service à 405 millisecondes.
Par la suite, la correction a été préparée sous forme de correctif d’urgence (hotfix). L’IA a été sollicitée pour générer des tests de non-régression et des tests de charge afin de valider la correction en environnement de pré-production, avant que la demande de fusion (merge request) ne soit validée par un pair humain et qu’un test de validation (smoke test) ne soit ajouté à la chaîne d’intégration continue pour prévenir toute récidive.
Confidentialité, contrôle d’accès et gouvernance des données
L’intégration de l’intelligence artificielle générative dans des processus d’ingénierie soumet les organisations à des défis majeurs en matière de sécurité de l’information. Lors de notre présentation, nous avons longuement détaillé l’arsenal de précautions techniques et contractuelles que nous déployons avant d’activer le moindre agent sur le code d’un client.
Il est impératif d’auditer les contrats de prestation pour clarifier les usages autorisés. Il faut associer les directions métiers et les directions des systèmes d’information (DSI) de nos clients pour leur expliquer, en toute transparence, la nature exacte des flux de données : quels fichiers, quelles maquettes, ou quels tickets de suivi seront transformés en contexte pour les modèles linguistiques.
Notre architecture de sécurité repose sur la superposition de plusieurs couches de défense en profondeur :
- Le choix des modèles : nous n’utilisons que des fournisseurs approuvés par nos clients. Pour les segments de code hautement stratégiques, nous privilégions des solutions de routage comme OpenRouter, voire l’instanciation de modèles locaux et auto-hébergés qui garantissent que la donnée ne quitte jamais l’infrastructure de l’entreprise.
- L’anonymisation : des processus stricts de génération de données factices et d’anonymisation sont appliqués avant toute interaction, en particulier concernant les données à caractère personnel (RGPD).
- Le contrôle des permissions natives : les agents héritent des restrictions du système de fichiers ou du gestionnaire de versions. Un fichier protégé en lecture pour un développeur le sera également pour son agent assistant.
- Le cloisonnement des contextes : les informations et les « skills » sont strictement isolés d’un projet à l’autre et d’un client à l’autre, empêchant toute contamination croisée des données d’apprentissage.
- L’utilisation de classificateurs de sécurité : il s’agit d’une ligne de défense déterministe. Des algorithmes d’analyse, s’exécutant localement, scannent les fichiers ou les instructions avant même qu’ils ne soient transmis à l’agent IA. Si le classificateur détecte la présence d’une donnée sensible, d’une clé API oubliée ou d’une information stratégique classifiée, l’action de l’agent est immédiatement bloquée par un « hook » de sécurité.
Fiabilité, modèle économique et évolution des compétences
L’adoption de l’intelligence artificielle n’est pas exempte de défis organisationnels et financiers.
Il convient de rappeler une vérité technique fondamentale : les grands modèles linguistiques ne sont pas déterministes. Si l’on soumet le même code à deux agents distincts, la formulation de leurs constats pourra varier. Cette variance ne signifie pas qu’un modèle a tort. Elle révèle souvent une ambiguïté dans les instructions initiales, un manque de contexte ou une règle métier implicite qui n’a pas été formalisée dans la documentation. C’est pourquoi notre méthodologie repose sur l’exigence de preuves tangibles, les analyses itératives par vagues et la revue humaine systématique des points critiques.
Concernant le modèle économique, les gains sont substantiels. Dans le cadre de l’audit de 40 jours réduit à 10 jours de charge, nous avons estimé la consommation d’API (les appels aux modèles de langage) entre 2000 et 3000 dollars. Face au coût salarial de 30 jours de travail d’ingénierie hautement qualifiée économisés, le retour sur investissement est massif. Toutefois, la gestion des quotas et l’optimisation des requêtes (le calcul du coût par tâche) deviennent de nouvelles compétences à maîtriser pour les directeurs techniques. L’utilisation de modèles open source optimisés s’impose comme une nécessité stratégique pour maîtriser ces dépenses à grande échelle.
Enfin, nous avons abordé la question cruciale de la transmission des savoirs. Si l’intelligence artificielle génère l’architecture de base et corrige les erreurs de syntaxe, comment les développeurs juniors forgeront-ils leurs compétences fondamentales ? Chez Numendo, nous sommes convaincus que l’apprentissage doit pivoter. Nous formons nos profils juniors à la compréhension systémique du métier de nos clients, à l’ingénierie de la requête, et surtout, à l’analyse critique des résultats algorithmiques. L’automatisation à outrance comporte le risque de perdre la compréhension intime du fonctionnement profond des systèmes complexes. Il appartiendra aux entreprises de préserver un vivier de spécialistes capables de descendre dans les couches les plus basses de l’informatique lorsque les abstractions de l’IA montreront leurs limites.
Au-delà du code : l’industrialisation des processus transverses
Pour conclure notre événement, nous avons illustré le fait que ces concepts s’étendent bien au-delà de l’ingénierie logicielle pure.
Nous utilisons des flux similaires pour les ressources humaines, notamment pour formater les curriculum vitae de nos consultants selon la charte Numendo. Le modèle extrait, restructure et met en page les informations avec un taux de réussite proche de 95%, tout en intégrant des étapes où les données personnelles sont retirées techniquement avant traitement, puis réintégrées manuellement pour garantir le respect de la vie privée.
Les équipes d’avant-vente exploitent ces outils pour générer des propositions commerciales, des guides utilisateurs et des documentations interactives. D’ailleurs, la présentation projetée lors du meetup avait été structurée grâce à l’IA, codée sur une architecture React et Node pour offrir des interactions en direct.
L’intelligence artificielle n’est pas une simple tendance, c’est un levier concret de productivité, à la condition expresse de l’inscrire dans un cadre méthodologique rigoureux. Des données maîtrisées, des critères explicites, des contrôles humains inaliénables et des garde-fous techniques sont les piliers de cette nouvelle ère de l’ingénierie.
Le rôle de nos équipes évolue : de l’exécution purement manuelle de tâches répétitives, nous basculons vers l’orchestration, le cadrage stratégique, la validation qualitative et l’engagement de notre responsabilité sur les résultats produits. C’est une transformation passionnante que nous sommes fiers de mener au quotidien.
Prolongez l’expérience et découvrez la démonstration
Si la lecture de ce retour d’expérience a éveillé votre curiosité quant à l’organisation pratique de ces agents ou si vous souhaitez observer en temps réel la démonstration technique de l’audit et de la résolution de l’incident de production, l’enregistrement vidéo intégral de notre rencontre est à votre disposition.
Pour des raisons de confidentialité et afin de privilégier l’échange direct avec nos pairs de l’industrie technologique, l’accès au replay est disponible sur simple demande.
Nous serons ravis de vous partager le lien sécurisé et de recueillir vos impressions, vos interrogations ou de discuter des défis spécifiques que rencontre votre organisation face à ces nouvelles technologies.
/image
