Les ingénieurs de Google se heurtent à des limites de puissance de calcul alors que la part du nouveau code écrit par l'intelligence artificielle est passée à 75 %, contre 50 % il y a seulement six mois, selon des données internes. Cette augmentation rapide met à rude épreuve l'infrastructure de l'entreprise et oblige les équipes à repenser la manière dont elles allouent les ressources.
Le virage vers le codage assisté par IA
Il y a six mois, la moitié du nouveau code de Google provenait de l'IA. Aujourd'hui, c'est les trois quarts. Cela signifie que les systèmes internes de l'entreprise traitent un volume bien plus important de suggestions, de complétions et de correctifs automatisés générés par l'IA. Ce changement reflète une tendance plus large dans l'industrie technologique visant à intégrer les outils d'IA dans les flux de travail quotidiens des développeurs. Chez Google, des outils comme les versions internes des grands modèles de langage sont devenus courants pour écrire du code standard, corriger des bugs et même générer des fonctions entières.
Mais cette progression n'est pas sans coût. Chaque requête d'IA consomme des cycles de calcul, et avec davantage de code généré par les modèles, la demande en puissance de traitement a explosé. Les ingénieurs signalent des temps de réponse plus lents de la part des outils d'IA internes et des pannes occasionnelles en période de forte utilisation.
Pression sur l'infrastructure interne
Les limites de calcul sont les plus visibles dans les centres de données qui exécutent les modèles d'IA. Le propre matériel de Google, y compris les TPU et GPU, est désormais fortement sollicité par les tâches de génération de code. Certaines équipes ont dû mettre des tâches en file d'attente ou limiter le nombre de requêtes d'IA par ingénieur. L'entreprise a également commencé à prioriser certains types de génération de code — comme les correctifs de sécurité ou les corrections de bugs critiques — au détriment des fonctions auxiliaires moins urgentes.
Google n'est pas seul à faire face à cette pression. D'autres grandes entreprises technologiques ont signalé des difficultés de croissance similaires en intégrant l'IA dans le développement. Mais la rapidité du changement chez Google — une augmentation de 25 points de pourcentage en six mois — a pris certaines équipes internes au dépourvu.
Ce que cela signifie pour les ingénieurs
Pour les ingénieurs qui écrivent le code, cette nouvelle réalité implique d'adapter leurs flux de travail. Ils ne peuvent plus compter sur les outils d'IA pour générer du code instantanément sans planifier en fonction des limites de calcul. Certains ont commencé à regrouper leurs requêtes pendant les heures creuses. D'autres examinent plus attentivement le code généré par l'IA, sachant que les modèles produisent parfois une sortie inefficace ou comportant des bugs lorsqu'ils fonctionnent dans des conditions de limitation.
Google n'a pas détaillé publiquement comment il prévoit de remédier à la pression sur l'infrastructure. L'entreprise doit probablement faire un choix : investir dans davantage de matériel, affiner les modèles pour les rendre plus efficaces, ou imposer des limites plus strictes à l'utilisation de l'IA. Chaque option comporte des compromis. Davantage de matériel coûte de l'argent et prend du temps à déployer. Les gains d'efficacité des modèles pourraient ralentir le rythme des améliorations. Les limites d'utilisation pourraient frustrer les ingénieurs qui en sont venus à dépendre de ces outils.
Pour l'instant, la situation reste non résolue. Les ingénieurs contournent les contraintes, mais la demande sous-jacente de code généré par l'IA ne montre aucun signe de ralentissement. La question est de savoir combien de temps l'infrastructure de Google pourra suivre le rythme.
