Code Assist de Google Cloud veut rivaliser avec Copilot et CodeWhisperer

Un assistant de programmation ne se résume plus à proposer la fin d’une ligne de code. Pour convaincre les équipes de développement, les éditeurs doivent désormais comprendre des projets vastes, leurs règles métier, leurs outils internes et les services auxquels ils se connectent. C’est sur ce terrain que Google Cloud place Code Assist, son offre d’assistance au code enrichie par le modèle Gemini 1.5 Pro.

À la date du 11 avril 2024, le marché est déjà fortement disputé. GitHub dispose de Copilot, tandis qu’AWS propose CodeWhisperer. Google Cloud entend se distinguer par la taille de contexte annoncée pour son modèle, des mécanismes de personnalisation destinés aux entreprises et un réseau de partenaires comprenant notamment Datadog et MongoDB. L’ambition est claire : faire de Code Assist un outil capable d’accompagner le développement à l’échelle d’une organisation, et pas seulement d’accélérer l’écriture de quelques lignes.

Pourquoi les assistants de code deviennent-ils stratégiques ?

Les assistants de programmation reposant sur l’intelligence artificielle générative analysent ce que le développeur est en train d’écrire pour proposer une suite : une ligne, une fonction, un commentaire, voire un bloc de code plus conséquent. Ils peuvent aussi répondre à des questions techniques, aider à expliquer un programme ou suggérer des modifications.

Leur utilité dépend cependant du contexte auquel ils ont accès. Une suggestion peut être syntaxiquement correcte tout en étant inadaptée au projet : elle peut employer une mauvaise bibliothèque, ignorer une convention interne, dupliquer une fonction existante ou ne pas respecter une contrainte métier. Dans un produit logiciel réel, le code n’est qu’une partie de l’équation. Il faut aussi tenir compte de l’architecture, de la documentation, des dépendances et des pratiques de l’équipe.

C’est pourquoi la compétition entre Google Cloud, GitHub et AWS ne porte pas seulement sur la rapidité de génération. Elle concerne aussi la capacité à apporter des réponses utiles dans des environnements professionnels complexes, sans perdre de vue les exigences de qualité et de contrôle des entreprises.

Gemini 1.5 Pro, le socle technologique mis en avant par Google

L’élément central de Code Assist est son intégration de Gemini 1.5 Pro, un grand modèle de langage de Google. Dans le cadre de cette annonce, Google Cloud met en avant une capacité de compréhension contextuelle allant jusqu’à un million de tokens.

Un token est une unité de texte traitée par un modèle de langage. Il ne correspond pas exactement à un mot : un mot peut être découpé en plusieurs tokens, tandis que des éléments de ponctuation ou de code sont également pris en compte. Dans la programmation, cette unité permet au modèle de traiter un ensemble qui peut contenir des fichiers source, des commentaires, de la documentation ou encore des instructions formulées par le développeur.

La promesse d’un contexte très étendu est particulièrement importante pour les projets de grande taille. Au lieu de raisonner uniquement à partir du fichier ouvert à l’écran, l’assistant peut, en principe, prendre en compte une part plus large de la logique d’une application. Google Cloud présente donc cette capacité comme un moyen de fournir des suggestions plus précises et mieux adaptées aux exigences techniques comme aux règles métier propres à un projet.

Il faut néanmoins distinguer une capacité de contexte maximale d’un résultat automatique. Pouvoir traiter un très grand volume d’informations ne suffit pas, à lui seul, à assurer la pertinence de chaque recommandation. La sélection des informations envoyées au modèle, l’organisation de la base de code et la formulation de la demande du développeur restent déterminantes.

La personnalisation par la connaissance de la base de code

Google Cloud ne limite pas son positionnement à la génération de code générique. L’entreprise évoque des fonctions, alors en bêta privée, destinées à adapter Code Assist au patrimoine logiciel de chaque organisation.

La première repose sur une connaissance plus complète de la base de code. L’objectif est d’aider à réaliser des modifications à grande échelle, qui ne concernent pas seulement un fichier isolé. Une telle approche peut être pertinente lorsqu’une équipe doit faire évoluer une convention, adapter plusieurs composants liés ou tenir compte d’une architecture déjà en place.

La seconde fonction annoncée consiste à intégrer les bases de code et les connaissances privées de l’entreprise grâce au RAG, pour Retrieval Augmented Generation, ou génération augmentée par récupération d’informations. Le principe est de retrouver, au moment de la requête, les éléments les plus pertinents dans un corpus interne, puis de les fournir au modèle afin qu’il s’appuie sur eux pour formuler sa réponse.

Dans le cas d’un assistant de développement, ce corpus peut notamment regrouper du code existant, de la documentation technique ou des règles propres à l’organisation. L’intérêt est de rapprocher les suggestions générées des pratiques réelles de l’équipe, plutôt que de s’en remettre uniquement aux connaissances générales du modèle.

Le RAG ne signifie pas que le modèle est réentraîné à chaque demande sur les données de l’entreprise. Il s’agit plutôt de lui fournir des extraits ciblés, récupérés dans des ressources sélectionnées, pour éclairer sa réponse. Cette nuance est importante : la qualité du résultat dépend notamment de la qualité, de la fraîcheur et de l’organisation des informations récupérées.

Que change le RAG pour les équipes de développement ?

Dans une entreprise, un même besoin peut recevoir des réponses très différentes selon les outils employés, l’historique du produit ou les contraintes de sécurité. Un modèle généraliste peut écrire du code valide, sans savoir qu’une équipe utilise déjà un module spécifique, qu’elle applique une convention stricte de nommage ou qu’elle doit respecter une méthode d’accès aux données.

L’intégration de connaissances internes via le RAG cherche précisément à réduire cet écart. Si l’assistant peut retrouver les ressources pertinentes, il peut orienter ses propositions vers les composants, méthodes et pratiques déjà présents dans l’organisation. Google Cloud présente cette personnalisation comme un avantage pour générer du code plus pertinent et plus conforme aux habitudes de l’entreprise utilisatrice.

Cette promesse soulève aussi des questions opérationnelles. Une organisation doit décider quelles informations sont accessibles à l’assistant, comment elles sont maintenues à jour et quelles vérifications sont appliquées avant d’utiliser une proposition dans un logiciel. Les équipes devront également évaluer si les résultats sont suffisamment fiables pour leurs usages, en particulier pour les modifications qui touchent plusieurs parties d’une application.

Datadog et MongoDB, des partenariats pour dépasser l’éditeur de code

Google Cloud accompagne cette évolution technologique d’une extension de son réseau de partenaires. Datadog et MongoDB figurent parmi les acteurs cités dans l’annonce. L’enjeu est de mieux relier l’assistance au code aux outils et services qui entourent le travail quotidien des développeurs.

Cette stratégie répond à une réalité simple : écrire du code n’est qu’une étape du cycle de développement. Les équipes doivent aussi observer le comportement de leurs applications, exploiter des bases de données, investiguer des incidents et maintenir des services en production. En intégrant plus naturellement des outils tiers dans les suggestions de Code Assist, Google Cloud vise une expérience moins fragmentée.

Le bénéfice attendu est celui d’intégrations plus fluides et de solutions plus complètes. Toutefois, l’intérêt concret dépendra des environnements réellement utilisés par les entreprises, ainsi que de la profondeur des intégrations proposées. Un partenariat annoncé ne remplace pas l’évaluation d’un outil dans le cadre technique précis d’une équipe.

Code Assist est-il meilleur que Copilot et CodeWhisperer ?

La réponse ne peut pas être tranchée de manière rigoureuse à partir des éléments disponibles le 11 avril 2024. Google Cloud met en avant des arguments précis pour Code Assist : Gemini 1.5 Pro, un contexte allant jusqu’à un million de tokens, une compréhension plus large de la base de code et l’exploitation de connaissances internes via le RAG.

Mais l’article de départ ne fournit ni benchmark public, ni test reproductible, ni comparaison de prix entre Code Assist, GitHub Copilot et AWS CodeWhisperer. Il ne permet donc pas de classer objectivement les trois services selon la qualité des suggestions, la productivité réelle, la sécurité ou la facilité de déploiement.

Le choix d’un assistant de programmation dépend généralement de plusieurs critères :

• la taille et les langages de la base de code ;
• les environnements et services déjà employés par l’équipe ;
• le niveau de personnalisation souhaité ;
• les règles internes de gestion des données ;
• la capacité des développeurs à vérifier et tester les propositions générées.

GitHub Copilot et AWS CodeWhisperer sont les concurrents directement cités par Google Cloud dans ce paysage. Code Assist cherche à imposer une différence non par une simple promesse d’autocomplétion, mais par son intégration à l’écosystème Google Cloud et par son objectif de personnalisation à l’échelle des entreprises.

Ce qu’il faut surveiller

L’annonce de Google Cloud illustre un changement de nature dans les assistants de programmation. La prochaine étape ne consiste plus uniquement à compléter plus vite une fonction, mais à relier le modèle à l’ensemble des connaissances utiles à une organisation : code, documentation, outils et services tiers.

Les fonctions de personnalisation annoncées en bêta privée seront donc un point essentiel à suivre. Leur disponibilité, leur simplicité de déploiement et leur capacité à fournir des suggestions réellement utiles sur des projets complexes détermineront une part importante de la compétitivité de Code Assist.

Il faudra également observer la manière dont les entreprises évaluent ces assistants. Un outil performant ne se mesure pas seulement à l’impression donnée par une démonstration. Sa valeur dépend de son intégration dans les méthodes de travail, de la qualité des réponses sur le code existant et de la confiance que les équipes peuvent lui accorder après relecture, tests et validation. Dans cette concurrence entre Google Cloud, GitHub et AWS, la bataille se jouera autant sur l’adaptation aux pratiques réelles des développeurs que sur les performances des modèles de langage.