J'ai construit une usine à code.

La Software Factory IA : De Développeur Zombie à Architecte Zen

Cette vidéo présente l’évolution du workflow de développement d’un entrepreneur solo, passant d’une utilisation classique de l’IA à une software factory entièrement automatisée. L’auteur détaille les étapes qui l’ont mené d’un simple copier-coller avec ChatGPT à un système où des agents IA travaillent en boucle sur un VPS, lui permettant de se concentrer sur la spécification et la planification plutôt que sur l’implémentation manuelle.

🧠 L’Évolution de l’Utilisation de l’IA en Développement

L’auteur distingue trois grandes phases :

• 2022 – L’ère du copier-coller : ChatGPT est utilisé comme assistant externe. Le développeur code dans son IDE, pose des questions théoriques ou envoie des extraits de code à corriger, puis intègre manuellement les suggestions. Le contrôle reste total, mais le gain de productivité est limité.

• 2023 – L’intégration dans l’IDE (Cursor) : L’IA est directement intégrée à l’éditeur. Deux formes émergent :

  • L’autocomplétion intelligente : le développeur tape une ligne, l’IA propose la suite, validée par Tab. Le sentiment de « crafter » son code persiste.
  • L’agent conversationnel : une fenêtre latérale permet de discuter avec l’IA, de poser des questions ou de demander des modifications directes de fichiers.

• 2025 – Le développement agentique : L’IDE n’est plus ouvert. Le développeur utilise Cloud Code (ou Codex) dans le terminal, en mode agent. Il donne des instructions comme « code cette fonctionnalité » et l’IA implémente sans que le code soit lu ou édité manuellement. C’est un changement de paradigme : le développeur délègue massivement et perd le sentiment de propriété sur le code.

🛠️ Les Skills : De l’Amélioration Passive au Workflow Actif

Face à la perte de contrôle, l’auteur introduit les skills – des compétences supplémentaires données à l’agent IA.

• Skills passifs (ex. React best practices, Context Seven) : installés une fois, ils améliorent les connaissances de l’agent sans intervention active du développeur.

• Skills de Mat Pocock : une rupture. Ils ne se contentent pas d’améliorer l’IA, ils structurent un workflow complet en plusieurs étapes :

  1. GrillMe : l’IA pose des questions pour forcer le développeur à clarifier la feature, les cas limites, les tests.
  2. ToSpec : consolide la discussion en une spécification publiée sur GitHub.
  3. ToTicket : découpe la spec en tickets (sub-issues) pour éviter de surcharger le contexte de l’agent.
  4. Implement : l’agent exécute le ticket, en utilisant automatiquement d’autres skills (TDD, code-based design, code review).
  5. Code Review : l’agent relit son propre travail.

Ce workflow permet de prendre de meilleures décisions (plus de temps passé à spécifier) et de livrer un code de meilleure qualité (bonnes pratiques intégrées).

☁️ Les Limites du Local et l’Arrivée des Cloud Agents

Travailler en local présente des inconvénients :

• Développeur zombie : après la spécification, l’implémentation est passive. Le développeur attend, souvent en se dispersant (multitasking inefficace).
• Ordinateur toujours ouvert : l’agent tourne en local, donc impossible de fermer l’ordi (risques de sécurité, batterie, chauffe).
• Productivité limitée : impossible de lancer plusieurs tâches en parallèle sans surcharger la machine.

La solution : déporter l’agent sur le cloud (VPS ou solution éditeur comme Cursor Agents). L’auteur choisit un VPS personnel. Mais le problème n’est que déplacé : il faut toujours revenir lancer le ticket suivant.

🔁 La RALF Loop : L’Automatisation Complète

La RALF loop (Repeatable Autonomous Loop Factory) est un concept – un simple script Python sur le VPS – qui orchestre l’implémentation de tous les tickets d’une spec de manière autonome.

Fonctionnement de la boucle (chaque itération = un ticket) :

1. Implémentation : lancement du CLI Codex avec un modèle rapide (GPT 5.6 Terra, effort medium).
2. Tests locaux : exécution des tests unitaires.
3. Relecture : un modèle plus intelligent (GPT 5.6 Sol, effort élevé) vérifie que les objectifs sont atteints. Si besoin, il demande une correction.
4. Validation finale : la CI GitHub doit être verte. Sinon, itération corrective.

Avantages :

• Contexte neuf à chaque ticket (l’agent est au maximum de son intelligence).
• Jonglage entre modèles (rapide pour implémenter, lent pour relire).
• Autonomie totale : la boucle tourne 2 à 4 heures sur le VPS, l’auteur peut fermer l’ordi.
• Explicite et reproductible : le script Python est dans le repo GitHub, déployable sur n’importe quel VPS en 30 minutes.

🧘 Le Quotidien du Développeur Zen

L’auteur décrit sa routine :

• Planification : utilisation des skills de Mat Pocock pour spécifier et découper les features.
• Lancement : création des branches et des workers sur le VPS, puis lancement des boucles.
• Nuit : les agents travaillent.
• Matin : récupération du travail, tests locaux, validation et merge des PR.

Résultat : l’auteur passe plus de temps à planifier et spécifier (tâches à haute valeur ajoutée) et moins à coder. Il ne lit quasiment plus le code mais en connaît l’architecture grâce aux sessions de spécification. Il se sent plus zen, plus productif et a retrouvé un sentiment de contrôle.

Key Takeaway

La transformation du développeur en « architecte de spécifications » est la clé de cette software factory. En automatisant l’implémentation via une boucle reproductible sur VPS, et en structurant le travail avec des skills de workflow, on délègue l’exécution tout en gardant la maîtrise conceptuelle. Le gain n’est pas seulement en temps, mais en qualité de décision et en sérénité. Ce modèle, bien que conçu pour un entrepreneur solo, peut être adapté à d’autres contextes (salarié, freelance) en ajustant les outils et les niveaux d’automatisation.