Aller au contenu
  • Nouveau : combien vous coûtent vos tâches répétitives ? Chiffrez-les gratuitement. Chiffrer mes tâches
  • Vos fuites de données et comptes oubliés, vérifiés gratuitement. Essayer
  • Auditez votre site en 30 secondes, sans inscription. Tester mon site
  • Vérifiez une entreprise avant de signer, à partir de son SIRET. Vérifier une entreprise
  • Notez votre article de blog sur 100, seuils calibrés pour le français. Analyser un article
  • Votre fiche Google, passée au crible face au trio de tête. Analyser ma fiche
Tous les articles

16 novembre 2026

Moderniser un logiciel legacy grâce à l'IA : ce que ça change vraiment pour une PME

Moderniser un logiciel legacy grâce à l'IA : ce que ça change vraiment pour une PME

Fortran, COBOL, PHP ancien : l'IA accélère la migration de code legacy, mais pas sans méthode. Ce que montrent les cas réels (Google, Mistral, Pegasystems).

Franck Boué
Franck Boué

12 min de lecture

Google et Mistral utilisent l'intelligence artificielle pour moderniser leur propre code, pas pour vendre un outil à des clients. Google a documenté publiquement comment ses équipes ont migré des centaines de milliers de lignes de code interne avec l'aide de grands modèles de langage. Mistral a fait de même pour un opérateur énergétique européen, sur un vieux code Fortran. Si ces deux acteurs qui vendent par ailleurs de l'IA générative s'appuient sur elle pour ce travail précis, la question vaut d'être posée pour n'importe quel logiciel métier bloqué sur un langage ou une version obsolète : qu'est-ce que l'IA sait vraiment faire ici, et où s'arrête-t-elle ?

Chiffres et retours d'expérience cités dans cet article constatés sur les sources officielles le 16 novembre 2026, susceptibles d'évoluer.

À retenir

  • La dette technique coûte en moyenne plus de 370 millions de dollars par an à l'entreprise mondiale moyenne, selon une étude Pegasystems/Savanta menée auprès de plus de 500 décideurs IT (2025).
  • Chez Google, une migration interne (int32 vers int64) a vu 80 % du code livré entièrement généré par IA, pour un gain de temps estimé à 50 % par rapport à une migration sans IA.
  • Sur une autre migration (JUnit3 vers JUnit4), Google a traité 5 359 fichiers et plus de 149 000 lignes en 3 mois, avec 87 % du code généré par IA committé sans aucune modification après revue humaine.
  • L'IA maîtrise bien la traduction de syntaxe d'un langage à un autre ; elle ne remplace pas la décision de migrer ou de réécrire, ni la revue humaine systématique.

Pourquoi un vieux logiciel coûte plus cher qu'il n'en a l'air

La dette technique n'est pas qu'un inconfort pour les développeurs : c'est un coût mesuré qui s'accumule année après année. Une étude menée par le cabinet Savanta pour Pegasystems auprès de plus de 500 décideurs IT dans le monde (Amérique du Nord, Royaume-Uni, France, Australie, Allemagne) estime que l'entreprise mondiale moyenne perd plus de 370 millions de dollars par an à cause de ses systèmes legacy et de sa dette technique (Pegasystems/Savanta, consulté le 16 novembre 2026).

Le détail de ce coût éclaire où l'argent part réellement : environ 134 millions de dollars par an en temps passé sur les projets de transformation des systèmes legacy, environ 58 millions de dollars en projets de transformation ayant échoué à cause de technologies obsolètes, et environ 56 millions de dollars en maintenance et intégration avec l'existant (Pegasystems, consulté le 16 novembre 2026). Ces montants sont des projections fondées sur des références sectorielles, pas des pertes auditées à l'euro près — un signal directionnel plutôt qu'une mesure indépendante, à prendre avec la prudence due à une étude commandée par un éditeur qui vend des solutions de transformation.

À l'échelle d'une PME, le signal le plus concret n'est pas un chiffre en millions mais trois symptômes qui s'accumulent : la maintenance qui prend de plus en plus de temps pour de moins en moins de nouvelles fonctionnalités, les développeurs compétents sur un vieux langage qui se font rares et coûteux à recruter, et les correctifs de sécurité qui n'arrivent plus parce que l'éditeur ou la communauté a abandonné la version. Si votre site tourne sous WordPress, une version de PHP obsolète empêche déjà les mises à jour de cœur — le même mécanisme, à une échelle différente, s'applique à un logiciel métier développé sur mesure.

Ce que l'IA sait vraiment bien faire sur du code ancien

Deux tâches sont aujourd'hui bien maîtrisées par les grands modèles de langage sur du code legacy : traduire la syntaxe d'un langage vers un autre, et analyser ou documenter un code source existant mal commenté. La distinction compte, parce que la suite — faire évoluer l'architecture d'un système — reste un travail de conception humaine.

Mistral AI a documenté un cas concret en ce sens : l'entreprise a accompagné un opérateur énergétique européen dans la migration de 40 000 lignes de code Fortran 77 vers C++, sur un total de 300 000 lignes au premier sprint (Mistral AI, consulté le 16 novembre 2026). Mistral souligne explicitement cette distinction : traduire la syntaxe d'un langage vers un autre est une tâche largement résolue par l'IA actuelle, alors que faire évoluer un système procédural vers une architecture orientée objet demande des refactorisations de conception qui restent du ressort d'une équipe humaine. L'entreprise recommande aussi de construire un harnais de parité numérique — des tests qui comparent automatiquement les résultats de l'ancien et du nouveau code sur les mêmes entrées — avant d'écrire la moindre ligne de code de migration proprement dit.

Ce que montre le cas Google : IA massive, revue humaine systématique

La plus grosse migration assistée par IA documentée publiquement à ce jour vient de Google, dans un article de recherche détaillant comment ses équipes ont utilisé des LLM pour des migrations de code internes (arXiv 2501.06972, « Migrating Code At Scale With LLMs At Google », consulté le 16 novembre 2026).

Sur la migration des identifiants numériques de int32 vers int64 chez Google Ads — un changement nécessaire pour éviter des dépassements de capacité —, 80 % du code contenu dans les changelists effectivement livrées a été entièrement généré par IA. Les ingénieurs ont estimé que le temps total de cette migration avait été réduit d'environ 50 % par rapport à un effort comparable mené sans assistance d'un LLM.

Sur une seconde migration, celle de la version 3 à la version 4 du framework de test JUnit, les chiffres sont encore plus précis : 5 359 fichiers migrés et plus de 149 000 lignes de code modifiées en 3 mois, avec environ 87 % du code généré par IA committé sans aucune modification après la revue humaine.

Ce que ces deux cas montrent, pris ensemble, c'est que l'IA peut générer la grande majorité du code d'une migration à grande échelle — mais toujours sous une revue humaine complète avant mise en production. La conséquence pratique pour une PME qui envisage ce type de projet : le goulot d'étranglement devient la capacité de l'équipe à relire et valider le code généré, pas la vitesse à laquelle l'IA le produit. Un budget de migration doit donc prévoir du temps de relecture qualifiée, pas seulement l'abonnement à un outil IA.

Gros plan de code source sur un écran d'ordinateur

Migrer ou réécrire : comment trancher

La question n'est pas « l'IA peut-elle le faire » mais « qu'est-ce qui, dans le logiciel actuel, vaut la peine d'être conservé ». Le tableau suivant résume les critères qui font basculer la décision d'un côté ou de l'autre.

CritèreMigration assistée par IARéécriture complète
Taille du code existantVolumineux, coûteux à reproduire de zéroPeu volumineux ou déjà bien compris
Architecture actuelleEncore globalement pertinenteDépassée par l'évolution du métier
Documentation disponibleFaible à moyenne (l'IA aide à la reconstituer)Peu importante, on repart de l'usage réel
Logique métierStable depuis longtempsA profondément changé depuis l'écriture initiale
Budget et délaiProjet découpé en sprints progressifsProjet complet avec date de bascule

Arbre de décision pour trancher votre cas :

  1. Le code est volumineux et son architecture reste globalement pertinente → migration assistée par IA, avec un harnais de parité numérique construit avant toute réécriture de logique, comme le recommande Mistral sur son cas Fortran.
  2. Le code est limité en volume ou sa logique métier a profondément changé depuis l'écriture initiale → réécriture complète ; l'IA sert alors surtout à documenter l'existant pour ne perdre aucune règle métier implicite.
  3. Le code est critique (facturation, paie, sécurité) et mal documenté → commencez par un audit de documentation assisté par IA, sans toucher au code de production, avant toute décision de migration ou de réécriture.

Mini-tutoriel : auditer la dette technique de son logiciel avant de migrer

Avant d'engager un budget, un diagnostic structuré évite de migrer ce qui n'a pas besoin de l'être et de sous-estimer ce qui en a vraiment besoin. Voici une marche à suivre en cinq étapes :

  1. Listez les composants du logiciel par langage, version et dépendance externe. Cette cartographie isole précisément ce qui est effectivement obsolète, plutôt qu'une impression générale de « vieux logiciel ».
  2. Identifiez les composants qui bloquent une mise à jour de sécurité critique (un langage, un framework ou une bibliothèque non maintenu). C'est la priorité absolue, avant tout objectif de modernisation plus ambitieux.
  3. Faites analyser et documenter par un outil IA les modules sans documentation à jour. Cette étape mesure l'ampleur réelle du travail avant de chiffrer un budget, et peut se faire sans toucher au code de production.
  4. Construisez un harnais de parité : des tests qui comparent les sorties de l'ancien et du futur code sur les mêmes entrées, avant d'écrire la moindre ligne de migration. C'est exactement la méthode recommandée par Mistral sur son cas industriel.
  5. Chiffrez un premier sprint limité plutôt qu'un big-bang. Le cas Mistral a traité 40 000 lignes sur un total de 300 000 au premier sprint — une taille gérable qui permet de valider la méthode avant de l'étendre au reste du logiciel.

Un audit IT structuré suit la même logique à l'échelle de l'ensemble du système d'information : notre checklist d'audit IT avant la rentrée détaille comment faire ce type de diagnostic en moins de deux heures.

Technicien travaillant sur une baie de serveurs dans un centre de données

Les limites à connaître avant de se lancer

L'IA accélère la génération de code, mais une étude récente montre qu'elle ne fait pas automatiquement mieux comprendre le code à l'équipe qui doit le maintenir ensuite. Une étude intra-sujets menée auprès de 15 étudiants diplômés en informatique, soumise en novembre 2025 sur arXiv, a mesuré l'effet de GitHub Copilot sur des tâches réalisées dans une base de code inconnue des participants (code brownfield, par opposition à un projet neuf). Les participants ont obtenu des gains de performance significatifs avec l'assistant IA, mais aucune amélioration correspondante de leur compréhension du code (p = 0,59) (arXiv 2511.02922, « Faster but Not Wiser », consulté le 16 novembre 2026).

Ce constat rejoint les données de l'enquête 2026 de Sonar, éditeur d'outils d'analyse de code, menée auprès de plus de 1 100 développeurs professionnels : 42 % du code committé est aujourd'hui déclaré généré ou assisté par IA — une part que les développeurs prévoient de voir augmenter de plus de moitié d'ici 2027 — mais seuls 48 % d'entre eux disent toujours vérifier ce code avant de le committer (Sonar, « State of Code Developer Survey Report », consulté le 16 novembre 2026).

Pour une PME, la conséquence pratique est simple à énoncer et facile à oublier sous la pression d'un délai serré : exiger une revue humaine documentée à chaque étape de la migration, plutôt qu'une confiance aveugle dans le taux de réussite affiché par un outil ou un prestataire. C'est exactement ce que montrent les cas Google ci-dessus — l'IA a généré la majorité du code, mais jamais sans passer par une revue humaine complète avant mise en production.

Franck, fondateur de Le Linter, utilise au quotidien des outils comme Claude Code sur des bases de code existantes chez ses clients : la méthode qui ressort de cette pratique rejoint celle des cas documentés ici — l'IA accélère la lecture et la traduction d'un code ancien, mais la décision de migrer, l'architecture cible et la validation finale restent un travail d'ingénieur.

Plan d'action

  1. Cartographiez votre logiciel par langage, version et dépendance externe pour isoler ce qui est réellement obsolète.
  2. Identifiez en priorité tout composant qui bloque une mise à jour de sécurité critique.
  3. Faites documenter par un outil IA les modules sans documentation à jour, pour chiffrer l'ampleur réelle du projet.
  4. Tranchez migration vs réécriture avec l'arbre de décision ci-dessus, en fonction de l'architecture et de la logique métier réellement conservables.
  5. Si vous migrez, construisez un harnais de parité numérique avant d'écrire la moindre ligne de code de migration, et découpez le projet en sprints limités plutôt qu'en big-bang.

Un doute sur la dette technique de votre logiciel ?

Vous êtes client Le Linter ? Contactez votre interlocuteur habituel pour un point sur l'état de vos systèmes.

Vous ne l'êtes pas ? Notre audit IT permet de chiffrer la dette technique réelle de votre logiciel avant tout projet de migration, ou parlons-en directement si vous voulez cibler uniquement cette question.

Réduire la dette technique passe parfois aussi par le choix des outils eux-mêmes : notre article sur l'open source face au SaaS pour réduire les coûts logiciels d'une PME complète cette réflexion côté budget.

Questions fréquentes

Les réponses courtes aux questions que ces sujets soulèvent le plus souvent.