PDLC et SDLC à l’ère de l’IA : La méthode Agentic Craft d’Arolla

L’intégration de l’intelligence artificielle générative redéfinit la conception logicielle, exigeant d’élargir le périmètre stratégique des équipes techniques. La maîtrise du PDLC et du SDLC, combinée aux pratiques émergentes de l’Agentic Craft, permet de sécuriser la base de code tout en maximisant la productivité apportée par les LLMs.

Sommaire

• Quelle différence entre PDLC et SDLC ?
• Les étapes du SDLC et PDLC dans le référentiel AI-Native
• L’ère de l’Agentic Craft
• Quel intérêt des pratiques software craft sur l’intégration d’agents à chaque étapes du PDLC ?
• FAQ

Quelle différence entre PDLC et SDLC ?

Le SDLC (Software Development Life Cycle) se concentre historiquement sur les phases pures d’ingénierie logicielle, couvrant la conception technique, le développement, les tests et le déploiement du code. Il s’agit du cycle de vie interne de la fabrication du logiciel.

Le PDLC (Product Development Life Cycle) va au-delà du SDLC en englobant la stratégie globale, la découverte des besoins, l’exploration métier et la conception du produit en amont. Cette approche plus large garantit que le logiciel développé répond précisément aux enjeux stratégiques avant même d’entamer l’implémentation technique.

Les étapes du SDLC et PDLC dans le référentiel AI-Native engineering

Le cycle de vie du produit place l’équipe de développement au centre d’un processus continu et structuré. Ce modèle intègre le SDLC au cœur du PDLC à travers cinq étapes fondamentales :

Étape 1 – Product discovery & design : L’étape initiale de stratégie produit, incluant l’Impact Mapping et l’analyse de la valeur (Value Stream) pour définir la vision avant l’ingénierie.

Étape 2 – Exploration & Decomposition : L’équipe explore le langage du domaine (Domain language) par des discussions et des lectures, puis décompose les besoins complexes en Epics, Features et User-stories.

Étape 3 – Architecture & Security : La phase de conception structurelle et de sécurisation du système, primordiale pour préparer le terrain technique aux agents.

Étape 4 – Automation, devs & refactoring : Le cœur du SDLC traditionnel. Cette étape englobe la formulation d’exemples et l’écriture de scénarios, l’automatisation via le TDD (Test-Driven Development) et l’ATDD (Acceptance Test Driven Development), le développement intégrant le Clean Code et les patterns, ainsi que le refactoring continu.

Étape 5 – Release engineering & Maintenance : La gestion du déploiement, de la livraison continue et du maintien de la robustesse du code en production.

Étape 6 – Observability & Value loop : La supervision du système et l’analyse des métriques en production pour mesurer l’impact métier, fermer la boucle de valeur et ajuster les itérations suivantes.

Découvrir notre audit AI & Craft Radar

L’ère de l’Agentic Craft

Les LLMs évoluent en agents autonomes capables d’exécuter des tâches complexes de bout en bout. L’Agentic Craft consiste à appliquer les principes de qualité logicielle (Craftsmanship) à l’orchestration et à la collaboration avec ces agents intelligents.

Le Spec-Driven Development (SDD)

Le SDD résout la contradiction entre la vitesse d’exécution des LLMs et le besoin de déterminisme de l’entreprise. Les développeurs définissent des spécifications exécutables et des contraintes d’architecture préalables. Les agents logiciels génèrent leur travail dans ce cadre strict, et chaque production est immédiatement validée par rapport aux contrats d’interface.

Le Context Engineering

La capacité à structurer, filtrer et injecter dynamiquement les bonnes informations (documentation, dépendances, contraintes de sécurité) dans les fenêtres de contexte des LLMs est essentielle. Cela permet d’orchestrer des architectures multi-agents spécialisés (capture de besoin, revue de code, génération de tests) de manière autonome dans les chaînes CI/CD.

Quel intérêt des pratiques software craft sur l’intégration d’agents à chaque étapes du PDLC ?

L’intégration d’agents d’intelligence artificielle expose les entreprises à des risques systémiques si elle n’est pas rigoureusement encadrée. Les pratiques Software Craft sont le levier indispensable pour fiabiliser et rentabiliser cette intégration à toutes les étapes du PDLC (Product discovery & design, Exploration & Decomposition, Automation, Release engineering, Observability).

Les 6 axes d’expertises du software craft agentique

Architecture
Les pratiques de Domain-Driven Design (DDD), de Clean Architecture et de refactoring avancé pour l’isolation préparent le terrain technique. L’intégration se fait dès l’étape 2 (Exploration & Decomposition) pour définir le langage du domaine, et à l’étape 3 (Architecture & Security) pour concevoir un système structurellement prêt à accueillir des agents autonomes.

Sécurité
Cet axe s’appuie sur la sécurité « by design », l’utilisation de SAST/DAST spécialisés pour l’IA, et la conformité aux réglementations (EU AI Act, Cyber Resilience Act). Ces pratiques interviennent principalement à l’étape 3 (Architecture & Security) pour sécuriser les contrats d’interface, et se prolongent jusqu’à l’étape 5 (Release engineering) pour garantir un environnement d’exécution prédictible et résilient.

Qualité de code
L’exigence Craft se traduit par l’application du Clean Code, l’utilisation de patterns et le refactoring continu. Ces éléments sont au cœur de l’étape 4 (Automation, devs & refactoring) du PDLC, permettant d’encadrer le code généré par l’IA, de diviser la maintenance par deux et de maîtriser drastiquement la dette technique.

Pratiques (Méthodologies & Tests)
Les pratiques englobent l’Impact Mapping et l’analyse de la valeur à l’étape 1 (Product discovery & design), ainsi que le TDD, l’ATDD et le Spec-Driven Development (SDD). Lors de l’étape 4 (Automation), l’approche « Shift-left » de l’ATDD permet de générer la stratégie de test à partir d’exemples avant le développement, définissant ainsi les spécifications exécutables qui limitent et valident le travail des LLMs.

AI Native Engineering
Cet axe regroupe le Context Engineering (RAG codebase), le pilotage des flux et la conception de flottes multi-agents. Ces compétences s’appliquent lors de l’étape 4 (Automation) et de l’étape 5 (Release engineering) au sein des chaînes CI/CD, afin de structurer, filtrer et injecter dynamiquement les bonnes informations et contraintes dans les fenêtres de contexte des modèles d’IA.

Performance (et Observabilité)
Centré sur le maintien en conditions opérationnelles, cet axe intègre le LLMOps, le monitoring et l’analyse continue. Il correspond directement à l’étape 6 (Observability & Value loop) du PDLC, visant à superviser le système en production, mesurer l’impact métier réel, optimiser la consommation (réduire les tokens) et fermer la boucle de valeur pour ajuster les cycles suivants

Maîtriser la dette technique et la vélocité

L’utilisation de l’IA sans discipline Craft accélère drastiquement la dette technique : le code généré contient 2,74 fois plus de vulnérabilités de sécurité et génère jusqu’à 80 % de maintenance. L’application stricte du TDD et du refactoring continu sur le code produit par les agents permet de diviser la maintenance par deux et de doubler la vélocité de l’équipe.

Sécuriser les contrats et la conformité

Le Craft permet de transformer les interfaces en contrats stables. Cette exigence structurelle réduit le couplage technique et intègre « by design » les impératifs de résilience exigés par les nouvelles contraintes réglementaires (comme le Cyber Resilience Act), garantissant que les agents opèrent dans un environnement sécurisé et prédictible.

Voir nos formations AI Native engineering

FAQ

• Comment l’ATDD s’intègre-t-il dans le PDLC ? Dans une approche « Shift-left », l’Acceptance Test Driven Development (ATDD) s’intègre lors de la phase d’automatisation du PDLC, générant la stratégie de test à partir d’exemples avant le début du développement.
• Qu’est-ce que le Context Engineering ? C’est la capacité technique à structurer, filtrer et injecter dynamiquement des informations clés (graphes de dépendances, contraintes de sécurité, documentation) dans les prompts pour guider les modèles d’IA.
• Quels sont les risques d’une IA sans Craft ? Une approche non maîtrisée génère un score de qualité faible (2.4/5), divise la vélocité globale par deux en raison d’une maintenance accablante, et décuple la consommation de tokens sur du code monolithique.