Aller au contenu principal
  • Cours pratique
  • Informatique

Formation IA : Développeur Augmenté

Développer avec les assistants de code (Agentic Coding)

Demander un devis
Une formatrice accompagne deux participants penchés sur leurs notes, en salle de formation
Durée
2 jours
Niveau
Intermédiaire
Modalités
Présentiel / Distanciel

Description de la formation IA Développeur Augmenté

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.

Atelier en salle : une participante présente des notes au tableau

Objectifs 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.

Objectifs opérationnels

Savoir intégrer et piloter des workflows de développement augmentés par l’IA pour produire du code fiable, maintenable et automatisé.

Programme

Contenu du cours

Introduction à l'IA pour Développeurs

Rappels sur l'IA: Rappel rapide, histoire de l'IA / ML / NLP / IA Générative, arrivée de ChatGPT/LLM
Modèles 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 dangers
Agentic 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

Travaux pratiques :Scénario 1: legacy - Refactoring legacy : prise en main du projet pour qu'il soit Agentic Coding compliant. Aller jusqu'au plan de migration
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 tokens
IDE 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 navigateur
Spécificités 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

Travaux pratiques :Création de plusieurs AGENTS.md et définition du contexte d'équipe
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-loop
Maintien 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

Programme mis à jour le 10/07/2026

Formations liées