Valeo mise sur Gemini pour accélérer le développement logiciel automobile

Dans une voiture moderne, une part croissante de l’innovation ne se voit pas sous le capot : elle s’écrit dans le logiciel. Aides à la conduite, systèmes de confort, gestion de l’énergie ou mises à jour continues, les fonctions embarquées reposent sur un volume de code toujours plus important. Pour un équipementier automobile comme Valeo, cette transformation pose une question très concrète : comment produire davantage de logiciels, plus vite, sans sacrifier leur robustesse ?

La réponse explorée par le groupe passe par l’intelligence artificielle générative. Valeo a choisi Gemini, la famille de modèles de Google, comme plateforme principale pour ses usages liés au développement. Environ 5 000 des 9 000 ingénieurs du groupe travaillant sur les systèmes et les logiciels ont été équipés de Code Assist, un assistant destiné à épauler la production de code.

L’objectif n’est pas de substituer une machine aux ingénieurs. Il consiste plutôt à automatiser une partie des tâches répétitives et à laisser les équipes se concentrer sur l’architecture des systèmes, les choix techniques, la validation et les cas les plus difficiles. Dans un secteur où une erreur logicielle peut avoir des conséquences importantes, cette nuance est essentielle.

L’automobile est devenue un défi de développement logiciel

L’augmentation des logiciels dans les véhicules a profondément changé le rythme du secteur automobile. Cédric Merlin, directeur de l’IA chez Valeo, souligne que les voitures embarquent davantage de logiciels et qu’elles peuvent recevoir des mises à jour continues. Cette évolution entraîne, selon lui, un besoin exponentiel de lignes de code.

Ce n’est pas seulement une affaire de quantité. Les équipes doivent aussi faire évoluer des systèmes existants, intégrer de nouvelles fonctions et vérifier que les différents composants du véhicule fonctionnent correctement ensemble. Or, les cycles de développement ont été réduits à deux ans, ce qui accroît la pression sur les organisations techniques.

Dans ce contexte, disposer de davantage de développeurs n’est pas la seule réponse possible. Recruter, former et faire travailler de grands effectifs sur des systèmes complexes exige du temps. Valeo cherche donc à augmenter la capacité de ses équipes déjà en place en leur donnant des outils capables d’accélérer certaines étapes du travail.

L’intelligence artificielle générative est particulièrement adaptée aux tâches où il faut lire, compléter, transformer ou vérifier de nombreux fragments de code. Elle peut proposer une première version, suggérer une correction ou préparer un test. Mais elle ne connaît pas, par elle-même, toutes les contraintes propres à un produit, à un véhicule ou à une architecture donnée. Son utilisation doit donc être intégrée à un processus de contrôle rigoureux.

5 000 ingénieurs équipés de Code Assist

Valeo a fait de Code Assist un outil central de cette stratégie. Environ 5 000 ingénieurs systèmes et logiciels, sur un total de 9 000, y ont accès. Cet équipement à grande échelle donne une idée de l’importance que le groupe attribue à l’IA générative dans ses activités de développement.

L’assistant de code s’appuie sur Gemini pour aider les développeurs dans leur environnement de travail. Son rôle est d’augmenter leur efficacité, notamment en prenant en charge une partie de la génération de code et des opérations de vérification. Valeo précise que la finalité est d’accroître la production de code avec une équipe stable, et non de remplacer le savoir-faire des spécialistes.

Cette approche s’inscrit dans une logique d’augmentation du travail humain. Un ingénieur peut consacrer moins de temps à rédiger des éléments répétitifs ou à préparer certains tests, et davantage de temps à comprendre les besoins du système, analyser les compromis techniques et juger les propositions générées par l’outil.

Un test unitaire sert à vérifier le comportement d’une petite unité de code, par exemple une fonction ou un module précis. Leur création peut être longue lorsqu’un projet comprend de nombreux composants. En aidant à les générer, l’IA peut libérer du temps, tout en laissant aux développeurs la responsabilité de déterminer si ces tests correspondent réellement au comportement attendu.

Générer du code ne suffit pas : l’enjeu est aussi la robustesse

La promesse de l’IA générative ne se limite pas à écrire plus vite. Pour Valeo, elle concerne aussi la capacité à renforcer le processus de développement. Les workflows semi-automatisés déployés par le groupe interviennent notamment dans la génération de tests unitaires et la détection d’anomalies.

L’outil peut également proposer des corrections automatiques. Mais celles-ci ne sont pas appliquées aveuglément : le développeur peut les accepter ou les rejeter. Ce fonctionnement est déterminant dans l’industrie automobile, où la qualité du code ne se mesure pas seulement à l’absence d’erreur de syntaxe. Il faut aussi s’assurer que le comportement du logiciel est cohérent avec la fonction attendue et avec les contraintes du système dans lequel il sera intégré.

Cédric Merlin met ainsi en avant un usage de l’IA qui va au-delà de la simple génération de lignes de code. L’ambition est de produire un code plus robuste et de réduire le temps nécessaire pour le mettre à disposition, sans relâcher les exigences de sécurité et de qualité.

Pourquoi le code bas niveau résiste davantage aux modèles génératifs

L’utilisation de l’IA dans le développement automobile se heurte toutefois à une difficulté majeure : le code bas niveau. Ce type de logiciel, essentiel dans les systèmes embarqués, est étroitement lié au fonctionnement du matériel. Il exige une grande précision et peut être écrit dans des environnements ou avec des contraintes moins familiers des modèles génératifs généralistes.

Les grands modèles de langage sont souvent particulièrement à l’aise avec des langages très présents dans leurs données d’entraînement, comme Python. Mais le code automobile embarqué pose un problème différent. Il s’agit moins de produire une instruction plausible que de respecter des contraintes spécifiques au système concerné, à ses ressources et à son comportement attendu.

Valeo travaille donc avec Google pour affiner les modèles, dont Gemini, afin de mieux les adapter à ces usages. Cette phase de fine-tuning, ou ajustement spécialisé, consiste à entraîner un modèle sur des corpus de code bas niveau pertinents pour les besoins de l’entreprise. L’idée est d’améliorer la qualité des suggestions sur des tâches pour lesquelles un modèle généraliste peut être moins fiable.

Cette limite rappelle une règle importante : les performances d’une IA de code ne sont pas identiques dans tous les langages, tous les métiers et tous les environnements. Un assistant peut se montrer très utile pour certaines tâches, sans être en mesure d’automatiser entièrement les parties les plus spécialisées d’un système embarqué.

Une relation étroite avec Google Cloud

Le choix de Gemini s’accompagne d’un partenariat de proximité avec Google Cloud. Selon Valeo, cette relation permet au groupe d’accéder à de nouvelles technologies avant leur mise sur le marché. Pour une entreprise confrontée à une hausse rapide des besoins logiciels, cette possibilité d’anticipation peut représenter un avantage : elle offre du temps pour tester les outils, identifier leurs limites et les adapter à ses processus.

Valeo ne s’enferme pas pour autant dans un modèle unique. Le groupe indique aussi utiliser Claude, Llama et Mistral pour différents domaines. Ces modèles sont sélectionnés selon les besoins parmi ceux disponibles via Vertex AI, la plateforme de Google Cloud dédiée à l’IA.

Cette diversité est révélatrice d’une réalité du marché en 2025 : les entreprises ne cherchent pas nécessairement un modèle universel. Elles peuvent préférer une palette d’outils, puis choisir celui qui paraît le plus adapté à une tâche précise, qu’il s’agisse d’assistance au code, d’analyse de texte ou d’un autre usage interne.

La stratégie de Valeo repose donc sur deux mouvements complémentaires : standardiser l’accès à l’IA pour un grand nombre d’ingénieurs avec Code Assist, tout en conservant la possibilité de recourir à plusieurs modèles selon les cas d’usage.

Quels gains de productivité Valeo peut-il réellement revendiquer ?

Valeo ne communique pas de KPI chiffrés sur les gains de productivité obtenus grâce à l’IA générative. Il serait donc hasardeux de transformer le déploiement de Code Assist en pourcentage précis de temps gagné ou de code produit. L’entreprise affirme en revanche que ces outils ont permis d’accélérer les cycles de développement et d’accroître sa capacité à gérer des projets de plus en plus complexes.

Cette prudence est justifiée. Mesurer la productivité dans le logiciel ne revient pas à compter les lignes de code : un programme plus long n’est pas forcément meilleur, et une correction rapide peut éviter un travail beaucoup plus coûteux plus tard. Les bénéfices peuvent aussi apparaître dans la réduction de tâches répétitives, la rapidité de préparation des tests ou la capacité à examiner davantage de propositions techniques.

Pour Valeo, le résultat recherché est donc une meilleure utilisation du temps des ingénieurs. L’IA prend en charge une partie du travail d’exécution et de préparation, tandis que les équipes se concentrent sur les choix qui requièrent le plus de compréhension métier et de responsabilité.

Ce qu’il faut surveiller dans la stratégie de Valeo

La suite dépendra d’abord de la capacité des modèles à progresser sur le code bas niveau. C’est là que se situe une partie des logiciels les plus sensibles pour l’industrie automobile. Le travail d’adaptation mené avec Google sera donc un indicateur important : il devra montrer si les assistants peuvent devenir plus pertinents dans ces environnements spécialisés, sans dégrader les exigences de qualité.

Il faudra également observer l’adoption réelle par les équipes. Équiper 5 000 ingénieurs d’un outil ne garantit pas, à lui seul, un bénéfice homogène. La valeur dépendra de la qualité des suggestions, de leur intégration dans les méthodes de travail et de la confiance que les développeurs leur accordent après vérification.

Enfin, l’expérience de Valeo illustre un mouvement plus large dans l’industrie : l’IA générative devient un outil de production logicielle, mais elle ne fait pas disparaître le besoin d’expertise. À mesure que les véhicules dépendent davantage de leurs logiciels, la capacité à associer automatisation, contrôle humain et adaptation aux contraintes du code embarqué pourrait devenir un facteur décisif de compétitivité.