Traduit de l’original anglais. Les chiffres et les sources sont inchangés. Lire l’original en anglais
Revue de code multi-agents chez LinkedIn : 63,9 % des suggestions échantillonnées acceptées par les développeurs
LinkedIn a conçu un relecteur de code par IA qui exécute plusieurs modèles d’IA en parallèle sur chaque pull request et applique des règles propres à chaque équipe. En août 2026, l’entreprise a indiqué un taux d’acceptation combiné de 63,9 % sur un échantillon d’une semaine, avec plus de 79 000 revues par semaine.
Chiffres clés
Repris tels quels des sources. Copiez n’importe quel chiffre avec sa citation.
63,9 %
Taux d’acceptation combiné des commentaires du relecteur IA sur des pull requests échantillonnées (1 727 PR, 5 230 commentaires échantillonnés, fenêtre de 7 jours)1
58,1 %
Taux d’acceptation des suggestions de correction de bugs, la catégorie la plus volumineuse1
80 %
Taux d’acceptation des suggestions sur les erreurs de logique1
43,5 %
Taux d’acceptation des suggestions de refactorisation1
Ce que cela a demandé
Le coût, la taille de l’équipe et le calendrier ne sont pas communiqués dans les sources.
Le problème
La revue de code est un goulot d’étranglement de la livraison logicielle. LinkedIn compte plus de 10 000 dépôts de code actifs et des dizaines de milliers de pull requests (modifications de code proposées) chaque semaine. Les outils de codage par IA ajoutaient davantage de code par développeur, et l’attente d’une première revue humaine s’allongeait. Les relecteurs IA génériques produisaient des commentaires qui ignoraient les conventions de chaque équipe, et des commentaires bruyants apprennent aux développeurs à ignorer l’outil.
Ce qu’ils ont construit
Un relecteur multi-agents. Un orchestrateur envoie chaque pull request à plusieurs sous-agents de revue en même temps. Chaque sous-agent est un couple différent formé d’un modèle d’IA et de l’outillage qui l’entoure. L’orchestrateur recueille leurs constats, supprime les doublons, les vérifie et publie une seule revue. LinkedIn a comparé cette approche aux produits de revue hébergés des éditeurs de modèles et choisi de construire le sien. Il a invoqué trois limites : chacun porte les angles morts de son modèle, un fichier de règles unique ne peut pas exprimer à la fois les normes de toute l’entreprise et celles de chaque dépôt, et un produit acheté ne peut pas être testé d’abord sur quelques dépôts ni supervisé sur l’ensemble du parc.
Comment ils s’y sont pris
Les constats que plusieurs sous-agents soulèvent indépendamment sont traités comme très fiables. Un constat soulevé par un seul est vérifié avant publication. Un cadre de règles à trois niveaux permet à l’entreprise, à des groupes d’équipes et à chaque dépôt d’ajouter leurs consignes de revue, qui sont combinées pour chaque modification. Le système s’exécute à partir d’événements GitHub et d’un parc de machines de travail sur Kubernetes. Chaque machine traite jusqu’à 12 pull requests en parallèle. LinkedIn l’exploite avec une astreinte par alerte, une supervision de la vitesse et de l’acceptation, des déploiements progressifs et une solution de repli lorsqu’un fournisseur de modèle se dégrade.
La qualité est contrôlée de deux façons. Avant la mise en production de tout changement de consigne ou de modèle, celui-ci doit battre ou égaler la version actuelle dans une comparaison directe à l’aveugle, notée par un juge IA. Après la mise en production, un contrôle automatisé compare chaque suggestion au code finalement fusionné, pour voir si les développeurs y ont donné suite.
Résultats
LinkedIn indique un taux d’acceptation combiné de 63,9 % sur un échantillon de 1 727 pull requests et de 5 230 commentaires sur sept jours. Par catégorie, les erreurs de logique atteignent 80 % et les corrections de bugs 58,1 %, tandis que la refactorisation (43,5 %) et la sécurité (40,6 %) sont plus basses. LinkedIn y voit le signe que ces domaines sont plus subjectifs. L’entreprise indique que, une semaine type, le système achève plus de 79 000 revues portant sur plus de 40 000 pull requests dans plus de 7 500 dépôts, avec un taux d’achèvement des tâches de 99,1 %. Elle indique aussi que la plupart des revues se terminent en moins de 10 minutes, et que la revue IA arrive généralement avant qu’un relecteur humain n’ouvre la modification. L’acceptation variait de 0 % à 100 % selon les dépôts. LinkedIn affirme que de nombreux ingénieurs attendent désormais la revue IA avant de solliciter un collègue, et que la revue humaine reste obligatoire pour chaque modification.
Tous les chiffres publiés
| Indicateur | Chiffre | Citation |
|---|---|---|
| Taux d’acceptation combiné des commentaires du relecteur IA sur des pull requests échantillonnées (1 727 PR, 5 230 commentaires échantillonnés, fenêtre de 7 jours) | 63,9 %1 | |
| Taux d’acceptation des suggestions de correction de bugs, la catégorie la plus volumineuse | 58,1 %1 | |
| Taux d’acceptation des suggestions sur les erreurs de logique | 80 %1 | |
| Taux d’acceptation des suggestions de refactorisation | 43,5 %1 | |
| Taux d’acceptation des suggestions de sécurité | 40,6 %1 | |
| Taux d’achèvement des tâches au cours d’une semaine type | 99,1 %1 | |
| Délai dans lequel la plupart des revues se terminent, de bout en bout | moins de 10 minutes1 |
Enseignements pour votre projet
Mesurez si les gens agissent sur la production de l’IA, pas s’ils l’apprécient. LinkedIn a écarté les pouces levés comme indicateur de façade et examiné le code fusionné pour voir quelles suggestions avaient été retenues.
Ne vous fiez pas à un seul modèle. LinkedIn fait tourner plusieurs couples modèle-outil sur chaque modification et accorde sa confiance aux constats que plusieurs d’entre eux soulèvent indépendamment.
Laissez chaque équipe codifier ses propres normes. Un service de paiement et une expérimentation front-end n’appellent pas les mêmes règles de revue, et l’acceptation variait de 0 % à 100 % selon les dépôts.
La rapidité conditionne la confiance. Le relecteur est conçu pour publier avant que le relecteur humain n’ouvre la modification, car une revue IA tardive est perçue comme du bruit.
Exploitez le système comme n’importe quel service critique : astreinte, supervision, déploiements progressifs des changements de consigne et de modèle, et solution de repli lorsqu’un fournisseur de modèle ralentit.
Réserves
- Tous les chiffres sont ceux de LinkedIn, tirés d’un seul article de son blog d’ingénierie (InfoQ résume le même article et n’apporte aucune donnée indépendante), et portent sur un échantillon de 7 jours. L’acceptation a été jugée par un évaluateur fondé sur l’IA comparant les suggestions au code fusionné ; l’article indique que 90,1 % des jugements ont été classés à haut niveau de confiance.
- L’article n’indique pas quels modèles ou fournisseurs le relecteur utilise. Il décrit plusieurs couples modèle-outil différents. Le fournisseur est indiqué comme non communiqué.
- Le taux d’acceptation n’est pas un taux d’exactitude. LinkedIn précise que les quelque 37 % non retenus ne sont pas tous des erreurs de l’IA, et que chaque modification reste soumise à une revue humaine.
- Aucune source ne donne de date de mise en service. L’année de déploiement (2026) est tirée de la date de l’article de LinkedIn ; le système a pu être lancé plus tôt : l’article décrit l’arriéré de revues comme croissant au quatrième trimestre 2025 et renvoie à une annonce antérieure de l’entreprise à l’échelle du groupe.
- L’article indique que le système a été adopté par environ 10 000 dépôts, alors que son chiffre hebdomadaire porte sur plus de 7 500 dépôts. Nous présentons le chiffre hebdomadaire comme échelle.
- Aucun chiffre de coût ni de taille d’équipe n’est donné pour la construction. L’article remercie 14 membres d’équipe nommés et un responsable dans ses remerciements, sans dire combien de temps cela leur a pris.
Sources
- High-signal AI code review that adapts to your codebase at scale
LinkedIn Engineering Blog · 2026-08-13 · Blog de l’entreprise · linkedin.com
- AI Code Review at Scale: LinkedIn's Multi-Agent Approach
InfoQ · 2026-08-22 · Presse · infoq.com
Résumé dans nos propres mots à partir des sources ci-dessus. Une erreur ? Consultez les corrections.