Ce que les équipes de base de données peuvent nous apprendre sur les agents IA de coding

Soyons honnêtes : chaque semaine brings une nouvelle headline sur les agents IA qui codent plus vite que les développeurs humains. Cursor a reconstruit SQLite en quelques jours. Des software factories produisent des PRs en volume. De quoi faire flipper n'importe quel développeur sur l'avenir de son job.

Mais voici ce que ces headlines ignorent : la vitesse, c'est la partie easy. Faire écrire du code rapidement par des agents ? Problème résolu. Leur faire écrire du code auquel tu ferais confiance sur un système en production ? C'est le vrai problème que personne veut aborder.

Cockroach Labs a récemment partagé leur approche de ce défi, et ça vaut le coup de s'y pencher — surtout si t'es une startup ou un développeur qui réfléchit à intégrer des agents IA dans son workflow.

La question des 160 000 dollars

En 2024, Cockroach Labs a ajouté le support Oracle à leur outil de migration, MOLT. Le projet a pris neuf mois et coûté environ 160 000 dollars en temps d'ingénierie. Du travail solide, professionnel, par des développeurs expérimentés.

Puis avril est arrivé. L'équipe devait ajouter le support IBM Db2 — une base de données avec un SQL dialect riche, un système de types complexe, et un protocol wire natif. Le même scope technique en gros.

Ils l'ont fait en moins de deux jours. Le coût total : 4 172 dollars.

Le piège ? Aucun humain n'a écrit une seule ligne de code.

Avant de commencer à rédiger ta lettre de démission, réfléchis à ce qui a rendu ça possible : c'était pas juste des agents plus smart. C'était un système built autour d'une premise radicale — que le bottleneck c'est pas d'écrire du code, c'est d'écrire du code fiable.

Introducing MOLT Sinai : un Coding Hospital

Cockroach Labs a pas juste balancé des agents sur le problème. Ils ont built ce qu'ils appellent MOLT Sinai : un pipeline modeled sur les teaching hospitals où les issues deviennent des "patients", le merged code devient "discharge", et les reviewers humains deviennent des "Chiefs of Medicine".

Le vocabulaire est charming, mais la philosophy sous-jacente est sérieuse :

• Les issues sont des patients : Chaque task entre dans le système avec de la documentation, gets triaged, et suit un care pathway défini
• La décomposition, c'est le diagnostic : Les gros problèmes sont découpés en sous-problèmes avec des dependency graphs explicites. La foundation avant les types. Les types avant les row iterators. Tu peux pas rush la guérison.
• La review, ce sont les rounds : Chaque morceau de travail est examiné, renvoyé pour révisions (parfois 55 fois par parent issue), et escalate quand nécessaire
• Les humains sont les chiefs : L'autorité finale reste aux ingénieurs expérimentés qui peuvent s'auto-escalader quand quelque chose semble wrong

C'est pas une question de remplacer les docteurs — c'est de build un système où les residents, attendings, et specialists ont tous des rôles clairement définis.

Pourquoi le throughput est la mauvaise métrique

Voici où la plupart des experiments IA coding foirent : ils optimisent pour des "PRs par heure" ou des "lignes de code par jour". Ces metrics font bander dans les démos. Elles font de meilleurs headlines. Elles sont presque useless pour vraiment ship du software.

Cockroach Labs dit crûment : ils préféreraient que les agents prennent 10x plus longtemps que de landed the wrong data dans une migration client. Pour une boîte dont la value proposition entière repose sur la data correctness, c'est pas juste de la philo — c'est de la survie.

Leur question c'était pas "combien de PRs peut-on merger ?" C'était "combien de ces PRs aurions-nous honte de merger ?"

C'est une question que plus d'équipes devraient se poser, que tu utilises des agents IA ou pas.

Ce qui s'est réellement passé

Quand Db2 support a atterri dans MOLT :

• 32 sous-issues ont été ouvertes sous l'issue parent
• 27 pull requests ont été mergées via le pipeline
• 55 fois, les reviewers ont renvoyé du travail pour révisions
• 9 issues ont été escaladées, avec 2 nécessitant une intervention humaine
• La test coverage égalait leur dialect le mieux testé (PostgreSQL)

Les agents étaient pas parfaits. Ils ont filed des issues contre leur propre travail : des fixture gaps, des bugs de type-mapping, des fixes de isolation levels. Ils avaient besoin d'oversight. Mais l'oversight était structuré, purposeful, et scale à la complexité du travail.

Compare ça à une software factory qui fait tourner des agents en parallèle avec une merge-handling layer. Cette architecture a du sens quand le bottleneck c'est la vitesse d'écriture. Pour du travail correctness-critical ? Tu as besoin de quelque chose de plus proche d'un hôpital, pas d'un chão de factory.

Ce que ça signifie pour ton équipe

Allez, la plupart d'entre vous build pas des outils de migration de base de données. Vous build des web apps, des APIs, des outils internes, des MVPs pour la prochaine grosse affaire. Les stakes sont différentes.

Mais la leçon s'applique : les agents IA sont forts en volume, les humains sont forts en jugement. Les équipes qui tirent vraiment value des AI coding agents font pas juste un prompt sur ChatGPT et ship la output. Ils build des systèmes qui utilisent chaque strength.

Ça peut vouloir dire :

• Utiliser des agents pour du boilerplate, des tests, et du scaffolding
• Build des review pipelines qui catch ce que les agents louvent
• Traiter la output agent comme "draft un" plutôt que "ship ready"
• Garder les humains dans la boucle pour tout ce qui touche à de la customer data ou de la core business logic

Les développeurs qui vont prospérer à côté des agents IA sont pas ceux qui apprennent à taper plus vite. Ce sont ceux qui apprennent à architect des systèmes qui font de l'IA un force multiplier plutôt qu'une liability.

Le mot de la fin

MOLT Sinai a traité l'équivalent de neuf mois de travail d'ingénierie en deux jours, à 2,5% du coût, avec une qualité qui match le code écrit par des humains.

Mais ce headline cache ce qui s'est réellement passé : une équipe d'humains a built un système rigoureux, défini des rôles clairs, établi des checkpoints meaningful, et ensuite fait confiance à leurs agents pour opérer dans ce framework.

Les agents ont pas remplacé les ingénieurs. Ils les ont amplifiés.

C'est pas une histoire sur l'IA qui remplace les développeurs. C'est une histoire sur des développeurs qui build des systèmes suffisamment sophistiqués pour bien utiliser l'IA.

Et honnêtement ? C'est la version de cette histoire qui mérite qu'on y prête attention.

Tu en as marre de l'infrastructure qui te ralentit ? Vibe Hosting combine le deployment alimenté par IA avec la fiabilité dont tu as besoin pour ship vite sans avoir la trouille. Domain registration, certificats SSL, et cloud hosting — tout au même endroit.