GitHub a dû faire quelque chose à grande échelle pour suivre le rythme de l’IA. Leurs chiffres expliquent dans quelle mesure

Nous avons l’habitude de parler de l’intelligence artificielle en termes de ce qu’elle peut faire pour nous : écrire une fonction, corriger un bug ou nous aider à terminer une application. Cependant, chaque fois que ce travail se traduit par des changements partagés, une infrastructure que l’on voit rarement entre en jeu. Vous devez enregistrer des versions, répondre aux demandes et coordonner le travail des personnes et des systèmes automatisés, souvent en même temps. L’expansion des agents fait que cette partie moins visible du développement mérite autant d’attention que le code lui-même.

Quatre millions de cœurs supplémentaires. L’ampleur de ce travail commence à être comprise lorsque l’on regarde ce que GitHub a ajouté à son infrastructure jusqu’à présent en 2026. Selon les données publiées par la plateforme elle-même, elle a ajouté quatre millions de cœurs de processeur, 160 pétaoctets de stockage à haut débit et 50 térabits par seconde de capacité réseau. On ne parle pas de quatre millions de processeurs physiques ni de la capacité totale de GitHub, mais plutôt de ressources supplémentaires pour répondre à une activité croissante. L’entreprise place les agents d’IA parmi les facteurs expliquant cette pression.

Une activité qui a explosé. Pour comprendre pourquoi GitHub a besoin de tant de ressources, nous devons d’abord examiner l’augmentation de la quantité de travail transitant par ses systèmes. Selon Octoverse 2026, la plateforme est passée d’un enregistrement de 12,9 milliards d’engagements par an à 34,3 milliards au cours des douze mois se terminant en septembre 2026, en incluant les référentiels publics et privés. Rien qu’au cours du dernier mois, GitHub a enregistré 7,38 milliards de commits. Chacun représente une version enregistrée des modifications apportées à un projet, bien qu’il puisse contenir des modifications de tailles très différentes. C’est une distinction importante : nous parlons d’activité enregistrée et non de lignes de code générées.

Les agents changent les règles. Une partie de cette accélération peut être comprise en observant l’évolution du travail des programmeurs. Selon GitHub, en septembre, plus de 40 % des propositions visant à incorporer des modifications à un projet commençaient par un brouillon préparé par un agent d’IA que la plateforme pouvait détecter ; En mars, ils étaient 17 %. La société a également observé que les nouveaux référentiels contenant des fichiers de configuration d’agent généraient en moyenne huit fois plus de validations que ceux dépourvus de ces fichiers. Il s’agit d’une association significative, même si ces dernières peuvent également utiliser l’IA et la comparaison ne démontre pas à elle seule une amélioration équivalente de la productivité.

Le problème n’est pas seulement le stockage. Pensons à un agent qui reçoit une tâche, examine un référentiel, propose des changements et, après de nouvelles vérifications, le modifie à nouveau. Même si le résultat final est une seule amélioration, la synchronisation de ce travail avec GitHub peut impliquer plusieurs push, lectures et vérifications automatisées. Si de nombreux agents travaillent en parallèle, la plateforme doit non seulement stocker davantage d’informations, mais elle doit également les déplacer et les traiter assez rapidement. C’est la partie la moins intuitive du phénomène : le défi n’est pas seulement la taille du code, mais aussi la fréquence à laquelle il est travaillé.

Les limites ont déjà été relevées. L’augmentation de l’activité a également mis en évidence des problèmes de capacité. Le 17 août 2026, GitHub a subi une panne de sept heures et 47 minutes qui a affecté plusieurs de ses services. Comme l’explique l’entreprise elle-même, l’incident a commencé lorsque le trafic a atteint un nouveau pic et qu’un composant essentiel de son centre de données aux États-Unis n’a pas réussi à répondre à la demande. GitHub a reconnu qu’il n’avait pas étendu certaines ressources suffisamment tôt, même s’il n’a pas directement attribué cette baisse aux agents IA.

Une capacité accrue ne suffira pas. GitHub modifie également l’architecture qui prend en charge ses référentiels pour éviter que l’augmentation de l’activité ne devienne un problème permanent. L’entreprise migre vers une infrastructure distribuée dans plusieurs régions Microsoft Azure et s’efforce de séparer le stockage du calcul afin que les deux ressources puissent évoluer indépendamment. Il vise également à réduire les opérations qui doivent se coordonner les unes avec les autres. Lors de tests internes, la nouvelle architecture a réussi à multiplier la capacité d’écriture jusqu’à 35, même si ce résultat ne représente toujours pas la performance globale de la plateforme.

Une infrastructure pour une autre façon de travailler. L’expérience GitHub permet d’observer une conséquence moins évidente de l’expansion de l’intelligence artificielle. Générer plus facilement des propositions de code ne signifie pas que tout ce travail peut être automatiquement incorporé dans un projet. Les développeurs doivent encore examiner les modifications, vérifier qu’elles fonctionnent et décider lesquelles valent la peine d’être conservées, tandis que les services qu’ils utilisent doivent être capables de gérer une activité de plus en plus automatisée.

Image sélectionnée｜Markus Winkler

Dans Engadget ｜ La formation de grands modèles nécessite de plus en plus de matériel. La Chine répond avec un supercluster de 100 000 cartes nationales