L’IA est en train de pourrir votre codebase : le classement qui fait mal en 2026

Imaginez générer des scripts pour modder votre jeu favori ou prototyper un système de jeu de plateau numérique, mais que le code s’effrite au fil des mises à jour. Les outils d’IA transforment la création logicielle, pourtant la qualité à long terme pose sérieux défis. Une étude récente met en lumière les grands écarts entre modèles.

Un benchmark innovant pour tester la résistance des codes IA

Les tests classiques vérifient si un modèle corrige un bug isolément, mais ignorent l’usure du temps. Le nouveau SWE-CI, développé par des experts de l’université Sun Yat-sen et Alibaba, change la donne en simulant une maintenance prolongée. Il part d’une version obsolète de projets open source GitHub pour les faire évoluer vers leur état actuel, couvrant en moyenne 233 jours d’efforts humains via plusieurs dizaines d’itérations. Le jeu de données inclut 100 séquences issues de 68 repositories Python populaires, avec un accent sur la détection automatique des écarts et corrections itératives. Une métrique clé, l’EvoScore, pénalise les accumulations de bricoles au profit de structures solides dès le départ. Publié sur Hugging Face, ce dataset comptabilise déjà des centaines de téléchargements.

Claude Opus 4.6 en tête, loin devant la concurrence

Sur 18 modèles de huit éditeurs, Claude Opus 4.6 caracole avec un EvoScore estimé entre 0,85 et 0,90, créant du code structuré qui tient la route sur la durée. Derrière, Claude Opus 4.5 et GLM-5 tournent autour de 0,60-0,65, tandis que Qwen3.5-plus, MiniMax-M2.5 et Kimi-K2.5 atteignent 0,45-0,50. DeepSeek-V3.2 et GPT-5.2 se placent en milieu, et les anciens modèles patinent. Crucial : le taux de zéro régression, qui mesure les ajouts sans casser l’existant. Claude 4.6 réussit 76 % des cas, sa version 4.5 51 %, contre 37 % pour GLM-5 ou Kimi-K2.5, et moins de 20 % pour la plupart. Les sorties post-2026 progressent vite, confirmant un focus croissant sur la durabilité.

Des leçons pour les créateurs de contenus gaming et tech

Dans l’univers geek, où les scripts pour mods, bots Discord ou apps rolistes pullulent, cette dette technique explose : 88 % des développeurs signalent un impact négatif des IA sur la qualité du code, avec 27 % du code en production généré par IA. L’IA produit vite (41 % du nouveau code), mais ralentit les experts de 19 %. SWE-CI, bien que limité aux propriétés non testés comme Gemini, offre un outil open pour benchmarks internes. Pour les studios indie ou modders, préférez les leaders comme Claude, mais intégrez toujours une revue humaine pour éviter les surprises.

Ces résultats soulignent un virage : l’IA excelle en protos rapides pour tester idées gaming, mais la vraie force réside dans sa cohabitation avec l’humain pour des univers durables et immersifs.