Chez Canva, 80 % des ingénieurs jugent l’IA utile à leur productivité

L’intelligence artificielle est en train de modifier très concrètement le quotidien des équipes qui fabriquent les logiciels. Chez Canva, cette transformation ne passe pas par le remplacement des ingénieurs, mais par une expérimentation large d’assistants capables de proposer du code, d’expliquer un problème ou d’accélérer un prototype. Le résultat mis en avant par Brendan Humphreys, CTO de l’entreprise, est parlant : environ 80 % des ingénieurs disent se sentir plus productifs grâce à l’IA.

Cette proportion ne signifie pas que chacun produit 80 % de code supplémentaire. Canva ne s’appuie pas ici sur une mesure unique de la performance, comme le nombre de lignes écrites ou de tâches closes. Il s’agit d’une déclaration des ingénieurs sur leur efficacité perçue. Cette nuance est essentielle : dans le développement logiciel, aller plus vite n’a de valeur que si le code est fiable, maintenable et adapté au produit.

Une expérimentation encouragée à l’échelle de l’entreprise

Canva a choisi d’encourager tous ses collaborateurs à essayer des outils d’intelligence artificielle dans leurs activités quotidiennes. Pour ses équipes techniques, cette politique se traduit par du temps consacré à l’expérimentation et par l’accès à de nombreuses licences. Parmi les outils cités figurent Claude, ChatGPT, Cursor, Sourcegraph et AMP code.

Derrière cette abondance d’outils se trouve une idée simple : aucun assistant ne répond de façon identique à tous les besoins. Un ingénieur peut demander à un modèle de résumer une documentation, de proposer un test, d’explorer plusieurs pistes de résolution ou de produire rapidement une première version d’une fonctionnalité. Un autre préférera l’utiliser pour vérifier une modification de code, rechercher un élément dans un vaste dépôt ou clarifier le comportement d’un système existant.

Pour une entreprise comme Canva, qui compte 2 300 ingénieurs, l’enjeu n’est donc pas seulement de choisir un modèle réputé performant. Il consiste aussi à créer un cadre dans lequel les équipes peuvent comparer les usages, identifier ce qui apporte un véritable gain de temps et abandonner ce qui ne tient pas ses promesses.

Des licences facturées selon l’usage plutôt qu’un abonnement uniforme

Mettre des assistants IA à disposition de milliers de personnes peut rapidement devenir coûteux, surtout lorsque certains outils sont essayés sans être ensuite adoptés. Canva insiste donc sur l’importance d’une tarification fondée sur la consommation auprès de ses fournisseurs.

Cette approche permet de limiter le paiement de licences inutilisées. Elle correspond aussi à une réalité du travail d’ingénieur : un outil très précieux pour une équipe chargée de prototyper peut être beaucoup moins sollicité par une autre, concentrée sur la stabilité d’un service déjà en production. Imposer le même abonnement à tous les salariés reviendrait à payer pour des usages très inégaux.

Le déploiement d’un outil suit chez Canva une progression qui vise à réduire à la fois les risques et les dépenses inutiles.

Ce modèle rappelle qu’adopter l’IA en entreprise ne se limite pas à ouvrir un accès à un chatbot. Il faut arbitrer entre les bénéfices espérés, le coût, les données confiées à un prestataire et les règles de qualité applicables à chaque produit.

La sécurité, préalable à tout déploiement

Avant de laisser un outil accéder au travail des ingénieurs, l’équipe de sécurité de Canva réalise une analyse approfondie du fournisseur. Cette étape porte notamment sur la manière dont les données sont traitées et sur les menaces potentielles. Dans le développement logiciel, ce sujet est particulièrement sensible : des extraits de code, des descriptions de fonctionnalités ou des informations techniques peuvent constituer des données confidentielles.

La validation de sécurité ne vaut toutefois pas adoption automatique. Canva passe ensuite par un projet pilote. Cette phase permet de répondre à des questions très concrètes : l’outil fonctionne-t-il avec les méthodes de l’équipe ? Réduit-il réellement des tâches répétitives ? Produit-il des suggestions compréhensibles et exploitables ? Et, surtout, est-il suffisamment fiable pour ne pas créer davantage de travail de correction qu’il n’en évite ?

Cette méthode par étapes évite deux écueils. Le premier serait de bloquer toute expérimentation au nom de la prudence. Le second serait de déployer un outil à très grande échelle avant d’avoir vérifié son utilité et ses garanties. Chez Canva, l’ouverture à l’IA s’accompagne ainsi d’un contrôle humain et organisationnel en amont.

Pourquoi les agents de code ne peuvent pas encore tout automatiser

Les agents de code représentent l’étape suivante des assistants de programmation. Là où un outil répond à une demande isolée, un agent cherche à enchaîner plusieurs actions : explorer un dépôt, modifier des fichiers, exécuter des tests et proposer une solution plus complète. Des offres commerciales existent déjà, mais Canva estime que l’automatisation complète reste difficile dans son environnement.

La raison principale est l’ampleur de sa base de code, qui compte des dizaines de millions de lignes. Même les modèles les plus avancés peuvent perdre en efficacité lorsqu’ils doivent travailler sur un système immense, ancien par endroits, composé de nombreuses dépendances et de règles métiers parfois implicites. Plus le contexte à prendre en compte s’élargit, plus le risque augmente qu’un assistant ignore une contrainte importante, interprète mal une relation entre deux composants ou suggère une modification localement convaincante mais globalement problématique.

Brendan Humphreys décrit donc un phénomène de rendement décroissant : les outils peuvent être très efficaces sur une portion bien définie de code ou une tâche précise, puis devenir moins fiables à mesure que la complexité et la taille du périmètre augmentent. Canva expérimente les agents, tout en travaillant sur une solution interne adaptée aux particularités de son code.

Le chiffre de 80 % mesure un ressenti, pas un remplacement du travail humain

Chez Canva, le retour sur investissement des outils IA ne se résume pas à une métrique standardisée. L’entreprise s’intéresse avant tout à la manière dont les ingénieurs évaluent l’effet de ces outils sur leur propre travail. Environ 80 % d’entre eux déclarent ainsi être plus productifs.

Ce type de mesure a une limite évidente : il repose sur une perception. Mais il peut aussi éclairer une dimension que les indicateurs purement quantitatifs saisissent mal. Un ingénieur peut gagner du temps sans forcément écrire plus de code. Il peut, par exemple, se sortir plus vite d’un blocage, préparer une ébauche, obtenir une explication d’un composant mal documenté ou conserver son attention sur une tâche complexe au lieu d’interrompre son travail pour une recherche répétitive.

Canva relie cet effet à la possibilité de rester davantage dans un état de concentration, parfois appelé flow. L’IA peut réduire les frictions autour de la programmation, mais elle ne garantit ni la pertinence d’une décision technique, ni la qualité finale du logiciel. Une réponse générée avec assurance peut être erronée. C’est pourquoi les ingénieurs doivent relire, tester et valider ce que l’outil propose.

Les juniors et les seniors n’emploient pas l’IA de la même façon

Les différences d’expérience influencent naturellement la façon d’utiliser un assistant. D’après Canva, les ingénieurs juniors ont davantage tendance à recourir à l’IA pour prototyper ou pour résoudre un problème. L’outil peut les aider à produire une première version, à explorer des options ou à comprendre plus rapidement une piste technique.

Les profils plus expérimentés s’en servent davantage comme d’une extension de leurs capacités quotidiennes. Ils peuvent lui déléguer un premier jet, lui demander une relecture ou l’utiliser comme interlocuteur pour vérifier un raisonnement. Leur connaissance du système leur permet aussi de mieux détecter les erreurs, les omissions et les solutions séduisantes mais inadaptées.

Cette distinction ne conduit pas Canva à considérer les juniors comme superflus. Brendan Humphreys souligne au contraire qu’ils restent indispensables. Le rôle d’un ingénieur logiciel dépasse largement l’écriture de code : il faut comprendre les besoins, faire des choix, collaborer avec d’autres métiers, raisonner sur les compromis et prendre la responsabilité des effets d’une modification. L’apprentissage de ces compétences demeure un enjeu central, y compris dans un environnement où l’IA accélère certaines tâches de programmation.

Ce qu’il faut surveiller dans les prochaines étapes

En octobre 2025, la position de Canva est claire : les agents et assistants d’IA peuvent amplifier le travail des ingénieurs, mais ils ne justifient pas encore une automatisation totale. La supervision par des professionnels compétents reste nécessaire, autant pour évaluer une suggestion de code que pour assumer les décisions prises.

Les prochains progrès dépendront de plusieurs éléments : la capacité des modèles à travailler de façon fiable sur de très grandes bases de code, la qualité des mécanismes de test et de contrôle, ainsi que les garanties proposées par les fournisseurs sur le traitement des données. Il faudra aussi suivre l’évolution des modèles économiques. À l’échelle de 2 300 ingénieurs, la différence entre des licences peu utilisées et une facturation réellement adaptée aux usages peut peser fortement dans la décision.

L’expérience de Canva illustre finalement une approche pragmatique. L’IA est déployée largement, mais pas aveuglément. Elle est testée, encadrée et évaluée par les personnes qui s’en servent. Pour les équipes de développement, le gain le plus durable pourrait moins venir d’une promesse d’autonomie complète que de la diminution des frictions qui empêchent les ingénieurs de se concentrer sur les problèmes où leur jugement est irremplaçable.