GitHub Copilot et ChatGPT : l'IA générative au service du développement logiciel
- Durée
- Durée :2 jours
- Niveau
- Niveau :Intermédiaire
- Certification
- Certification :Non
1690€ HT
Prochaine session :
Description de la formation IA Developpeur augmente
Qu’est-ce que le développeur augmenté par l’IA ?
La formation Développeur Augmenté par l’IA permet aux développeurs, architectes et tech leads d’adopter des méthodologies, des outils et des workflows avancés intégrant l’intelligence artificielle générative — y compris les agents IA — pour augmenter significativement leur productivité tout en garantissant la qualité du code, les bonnes pratiques et l’intégration continue sur l’ensemble du cycle de développement logiciel.
Pourquoi suivre une formation IA : Développeur Augmenté ?
Dans un contexte où l’IA transforme fondamentalement le développement logiciel, cette formation fournit une expertise pratique sur les méthodes d’Agentic Coding, l’orchestration d’agents IA, l’automatisation de tests et de documentation, et l’intégration des solutions comme Claude Code, Gemini CLI ou GitHub Copilot. Les participants repartent avec des workflows immédiatement applicables en entreprise et une certification professionnelle.
Programme de la formation
Objectif opérationnel :
Savoir intégrer et piloter des workflows de développement augmentés par l’IA pour produire du code fiable, maintenable et automatisé.
Objectif pédagogiques :
À l'issue de cette formation IA : Développeur Augmenté, vous aurez acquis les connaissances nécessaires pour :
- Accélérer toutes les phases du cycle de développement, de la conception architecturale jusqu'à la résolution de bugs complexes, en augmentant leur vélocité tout en assurant la qualité, la sécurité, les tests, la documentation et la maintenabilité du code.
- Collaborer en continu avec l'IA, en adoptant des méthodes de travail augmentées par l'IA qui renforcent la productivité et l'efficacité.
- Maîtriser l'écosystème des outils phares permettant de coder avec l'IA et framework IA (type Claude Code, Gemini CLI, GitHub Copilot, Cursor Al), évaluer et adopter les nouveaux outils émergents, en comprenant leurs forces et limites respectives.
- Transformer une équipe classique en une équipe augmentée, en orchestrant des agents IA collaboratifs, en mettant en place des standards d'équipe (contextes partagés, prompts réutilisables) et en diffusant de bonnes pratiques de développement assisté par IA qui accélèrent l'onboarding et homogénéisant les workflows.
Introduction à l'IA pour Développeurs
Rappels sur l'IA: Rappel rapide, histoire de l'IA / ML / NLP / IA Générative, arrivée de ChatGPT/LLMModèles du marché : GPT-5, Claude, Gemini - différences clés
Art du prompting : comment bien communiquer avec l'IA pour obtenir du code de qualité
Évolution des outils : de l'assistance ponctuelle aux agents collaboratifs
Contexte et tokens : comprendre les contraintes
Panorama des outils : ChatGPT, Claude, etc.Travaux pratiques :Prompt engineering : comparaison de 3 approches sur un cas concret
Vibe Coding vs Agentic Coding
Vibe Coding : définition, limites et dangersAgentic Coding : vision du développeur augmenté
Collaboration continue vs génération passive
Impact sur qualité, maintenabilité et documentationTravaux pratiques :Mise en place de l'outils de vibe coding
Expérimentation guidée : vibe coder une application sans regarder le code généré et expliquer les résultats, les contraintes, les avantages
Découverte et pratique de l'Agentic Coding
Introduction pratique : qu'est-ce que l'Agentic Coding pour un développeur ?
Démonstration live : développement traditionnel vs développement augmenté
Focus qualité : comment l'IA peut améliorer la qualité du code (conventions, patterns, best practices)
Workflow agentic : Specify → Plan → Tasks → Implement → Validation
Gestion du contexte : le fichier .md de contexte efficace (en local pour le moment)
Structuration des demandes et itérations
Bonnes pratiques : documentation, tests, qualité
Scénario 2: from scratch et évolutions - Projet from scratch : architecture, choix techniques, structuration; Développement d'une fonctionnalité complète avec le workflow agentic
Évaluer, comparer et combiner les solutions IA pour maximiser la productivité
Gestion des tokensIDE nouvelle génération (ex Cursor Al, Kiro, Windsurf, Zed)
Comparaison pratique : quel outil pour quel besoin ?
Workflow hybride : combiner plusieurs assistants IA
Matrice de possibilité d'utilisation des outils : Al coding agent tool (Github Copilot / Claude Code / Open Code / Gemini CLI) versus modèles (Sonnet, Gemini, ...)
Gestion des licences / clés
Démonstrations
Extensions et MCP
Model Context Protocol (MCP) : Concepts et architecture; installation et utilisation de clients MCP (exemples : playwright, context7, Atlassian ...); Cas d'usage concret : MCP Playwright pour faciliter les tests avec visibilité des outputs dans le navigateurSpécificités Claude Code : les sub-agents, les Hooks, les Skills...Travaux pratiques :Installation d'un MCP et interaction complexe : capture d'écran + génération de tests
Développement en Équipe Augmentée
Standards d'équipe : contexte et instructions partagées (ex AGENTS.md)
Standards partagés : définir des conventions d'équipe - plugins, marketplace Claude Code, partage de hooks et de configuration
Sécurité des agents : configurer ses settings (.env non partagés) et ses agents selon leurs rôles
Partage de prompts et patterns réutilisables
Onboarding accéléré des nouveaux développeurs
Revue de code en équipe augmentée
Intégration CI/CD et automatisation
Collaboration homme-agent-équipe : review assistée, pair programming augmenté
Simulation de workflow collaboratif : feature development → code review → merge
Mise en place d'un workflow Git avec agents (pre-commit hooks, automated reviews)
Développement collaboratif : plusieurs devs + agents sur le même projet (avec conflits, résolution)
Simulation d'équipe : onboarding d'un nouveau développeur avec assistance IA
Risques, Responsabilités et Perspectives
L'importance du human-in-the-loopMaintien des compétences en développement classique et perte de connaissance technique: mythe ou réalité ?
Dépendance aux outils IA : risques et mitigation
Sécurité : code review, vulnérabilités, données sensibles
Propriété intellectuelle et conformité
Éthique et responsabilité du développeur augmenté
Perspectives d'évolution
Public cible :
Cette formation s’adresse aux Software Engineers (développeur·se·s backend et frontend), Software Architects et Tech Leaders en entreprise, en ESN, en startups ou en scale-ups, qui souhaitent booster leur efficacité grâce à l’IA tout en conservant un haut niveau de qualité de code.
Prérequis :
Pour suivre ce cours, il est recommandé de maîtriser au moins un langage de programmation (Python, JavaScript, Java, C#, TypeScript, Go…), d’avoir une expérience quotidienne avec Git et l’utilisation d’un IDE moderne (VS Code, IntelliJ, WebStorm, etc.), de posséder des compétences de base en ligne de commande et en édition de fichiers, d’avoir déjà travaillé en équipe à travers des pratiques telles que la revue de code et les workflows collaboratifs, et de disposer d’une sensibilité à l’IA générative et au prompt engineering afin de maximiser les bénéfices de la formation.
J'évalue mes connaissances pour vérifier que je dispose des prérequis nécessaires pour profiter pleinement de cette formation en faisant le test de prérequis.
Date de mise à jour du programme : 27/01/2026
Dates et lieux
Période souhaitée
Lieux
Type d'affichage