{"id":207754,"date":"2026-11-08T13:08:00","date_gmt":"2026-11-08T12:08:00","guid":{"rendered":"https:\/\/cms-articles.softonic.io\/fr\/?p=207754"},"modified":"2026-11-08T13:08:10","modified_gmt":"2026-11-08T12:08:10","slug":"co-design-bench-un-humain-doit-encore-finir-3-taches-sur-4","status":"publish","type":"post","link":"https:\/\/cms-articles.softonic.io\/fr\/co-design-bench-un-humain-doit-encore-finir-3-taches-sur-4\/","title":{"rendered":"Co-Design Bench: un humain doit encore finir 3 t\u00e2ches sur 4"},"content":{"rendered":"

Co-Design Bench mesure la capacit\u00e9 d\u2019agents de code \u00e0 modifier des applications web d\u00e9j\u00e0 existantes. Ce que montrent ses r\u00e9sultats est assez net: les outils avancent vite, mais on est encore loin d\u2019un sc\u00e9nario o\u00f9 ils reprennent seuls une application en production, y apportent des changements, et le font sans casse. Dix mod\u00e8les ont \u00e9t\u00e9 test\u00e9s sur des demandes proches de celles que re\u00e7oivent les \u00e9quipes produit tous les jours. Le meilleur du lot, GPT-6 Astra, ne m\u00e8ne correctement \u00e0 bien que 26,4 %<\/strong> des t\u00e2ches. Et pourtant, sur chaque t\u00e2che, il remplit en moyenne 69,9 % des exigences. Autrement dit, il fait souvent une bonne partie du travail, mais laisse encore assez de d\u00e9fauts pour qu\u2019une intervention humaine reste n\u00e9cessaire dans pr\u00e8s de trois cas sur quatre.<\/p>\n

\r\n
\r\n
\r\n
\r\n \"Visual\r\n <\/div>\r\n
\r\n Visual Studio Code<\/span>\r\n T\u00e9l\u00e9charger<\/a>\r\n <\/div>\r\n
\r\n \r\n <\/div>\r\n <\/div>\r\n
\r\n <\/span>\r\n <\/div>\r\n
\r\n \r\n <\/div>\r\n <\/a>\r\n <\/div>\r\n<\/div>\n\n\n\n

Le benchmark, d\u2019apr\u00e8s ses auteurs, a \u00e9t\u00e9 con\u00e7u par Alibaba avec plusieurs universit\u00e9s asiatiques. Le point de d\u00e9part n\u2019a rien de th\u00e9orique: 37.463<\/strong> demandes r\u00e9elles d\u2019utilisateurs, d\u00e9j\u00e0 connues pour mettre ce type d\u2019outils en difficult\u00e9. Dans la version publi\u00e9e, l\u2019ensemble a \u00e9t\u00e9 resserr\u00e9 \u00e0 273 t\u00e2ches. Elles ont toutes un point commun: il ne s\u2019agit pas de g\u00e9n\u00e9rer du code \u00e0 partir de z\u00e9ro, mais de modifier des applications web qui existent d\u00e9j\u00e0.<\/p>\n\n

Et \u00e7a change beaucoup de choses.<\/p>\n\n

Dans la pratique, les d\u00e9veloppeurs passent souvent plus de temps \u00e0 corriger, prolonger ou remettre d\u2019\u00e9querre un produit d\u00e9j\u00e0 en production qu\u2019\u00e0 d\u00e9marrer depuis une page blanche. La description de Co-Design Bench donne des exemples assez parlants: extraire des valeurs depuis des re\u00e7us, des tableaux ou d\u2019autres documents, puis propager correctement ces changements dans toutes les vues concern\u00e9es.<\/p>\n\n

L\u2019\u00e9cart entre 69,9 % d\u2019exigences satisfaites et 26,4 % de t\u00e2ches compl\u00e8tement r\u00e9ussies r\u00e9sume assez bien le vrai probl\u00e8me. Ces agents savent fr\u00e9quemment produire une grande partie de la fonctionnalit\u00e9 attendue. Mais il manque encore quelque chose: un comportement oubli\u00e9, une interaction cass\u00e9e, un \u00e9cran qui ne colle plus au reste, ou une gestion incompl\u00e8te des cas possibles.<\/p>\n\n

Les auteurs expliquent aussi que l\u2019\u00e9valuation a \u00e9t\u00e9 pens\u00e9e pour \u00e9viter les d\u00e9monstrations qui impressionnent au premier regard mais ne tiennent pas vraiment. Un premier \u00e9valuateur automatique teste l\u2019application finie dans un navigateur. Puis un second repasse sur les cas valid\u00e9s pour traquer les faux positifs, par exemple des sorties cod\u00e9es en dur ou des maquettes qui ont l\u2019air de fonctionner sans fonctionner r\u00e9ellement. Les points ne sont accord\u00e9s qu\u2019aux fonctions qui marchent pour de bon.<\/p>\n\n

Ils avancent par ailleurs qu\u2019une partie des benchmarks plus anciens ne distingue plus tr\u00e8s bien les mod\u00e8les r\u00e9cents. Sur certains tests agentiques, disent-ils, les scores d\u00e9passent d\u00e9sormais souvent 99 %<\/strong> lorsque les outils peuvent ex\u00e9cuter le code, lancer des tests, puis corriger leurs erreurs en boucle.<\/p>\n\n

Co-Design Bench veut justement \u00eatre plus dur. Ses auteurs estiment qu\u2019il laisse appara\u00eetre plus de 35 points<\/strong> d\u2019\u00e9cart avec des r\u00e9f\u00e9rences plus anciennes comme WebCompass-edit. Et la difficult\u00e9 monte encore d\u2019un cran lorsqu\u2019une t\u00e2che combine plusieurs types de changements dans le m\u00eame mouvement: mise en page, design, interactions, contenu. C\u2019est pr\u00e9cis\u00e9ment ce qu\u2019on rencontre dans un vrai projet logiciel.<\/p>\n\n

Le r\u00e9sultat ne sort pas de nulle part. Il s\u2019inscrit dans une tendance plus large. D\u2019autres \u00e9valuations men\u00e9es dans des conditions r\u00e9alistes restent elles aussi loin d\u2019une autonomie totale: GPT-4o a obtenu 30,7 %<\/strong> sur SWE-bench Verified, GPT-4.1 54,6 %, et Qwen3-Coder 67,4 %, d\u2019apr\u00e8s les chiffres repris par les auteurs de Co-Design Bench.<\/p>\n\n

Pour les entreprises, le message est assez simple: ces outils peuvent faire gagner du temps sur une partie du travail, surtout quand les modifications sont bien cadr\u00e9es, mais ils ne dispensent toujours pas d\u2019une relecture humaine<\/a>. Mieux vaut garder la t\u00eate froide. Les limites reviennent souvent aux m\u00eames points: comprendre l\u2019architecture d\u2019un produit, d\u00e9boguer dans des bases de code complexes, et rester fiable sur les sujets sensibles, en particulier la s\u00e9curit\u00e9<\/strong>.<\/p>","protected":false},"excerpt":{"rendered":"

Co-Design Bench mesure la capacit\u00e9 d\u2019agents de code \u00e0 modifier des applications web d\u00e9j\u00e0 existantes. Ce que montrent ses r\u00e9sultats est assez net: les outils avancent vite, mais on est encore loin d\u2019un sc\u00e9nario o\u00f9 ils reprennent seuls une application en production, y apportent des changements, et le font sans casse. Dix mod\u00e8les ont \u00e9t\u00e9 … Continue reading “Co-Design Bench: un humain doit encore finir 3 t\u00e2ches sur 4”<\/span><\/a><\/p>\n","protected":false},"author":9350,"featured_media":207753,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":"","wpcf-pageviews":0},"categories":[16761],"tags":[],"usertag":[],"vertical":[],"content-category":[17507],"class_list":["post-207754","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news","content-category-ia"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t