GitHub Copilot
Pourquoi c’est important
En profondeur
Sous le capot, Copilot est une chaîne d'assemblage de contexte enveloppée autour d'un grand modèle de langage. Quand vous cessez de taper, l'extension recueille des signaux de l'éditeur — le fichier courant, les onglets ouverts voisins, les importations, les modifications récentes — les emballe dans un prompt et l'envoie à un modèle hébergé par GitHub; la réponse revient en continu sous forme de « texte fantôme » gris que vous acceptez avec la touche de tabulation ou que vous écartez en continuant de taper. L'aperçu technique original de 2021 tournait sur OpenAI Codex, un descendant de GPT-3 entraîné sur du code source public, et n'offrait guère plus que de l'autocomplétion dans un seul fichier. Depuis, GitHub a superposé une interface de conversation, l'édition multifichier et un mode agent capable d'exécuter des commandes de terminal et des tests, tandis que le menu de modèles s'est élargi d'OpenAI seulement à un sélecteur couvrant aussi Anthropic et Google. La boucle en dessous n'a jamais changé : le contexte de l'éditeur sort, une suggestion revient, et un humain décide s'il la garde.
De l'autocomplétion au mode agent
L'histoire du produit est une bonne carte de l'évolution des outils de codage en général. La version de 2021 faisait une chose — prédire le prochain bloc de code — et le faisait assez bien pour que le « développement piloté par la touche de tabulation » devienne une blague courante. Copilot Chat a ajouté une barre latérale où vous posez des questions sur le code devant vous, avec des commandes en barre oblique comme /explain, /fix et /tests pour les opérations courantes. Le mode d'édition multifichier a suivi, permettant à une seule instruction de réécrire plusieurs fichiers d'un coup. Le mode agent, ajouté en 2025, va plus loin : vous décrivez une tâche, et Copilot planifie le changement, édite les fichiers, exécute les compilations et les tests dans le terminal, lit les erreurs et itère jusqu'à ce que les vérifications passent — un flux agentique en miniature plutôt qu'un moteur d'autocomplétion.
GitHub a aussi poussé la même idée à l'extérieur de l'éditeur. Un agent de codage peut se voir assigner un billet GitHub et être laissé à lui-même pour ouvrir une demande de tirage, travaillant dans un environnement isolé. Copilot Workspace, publié en aperçu technique, a pris le virage le plus assumé sur le problème : on part d'un billet, et Copilot rédige une description du comportement actuel, un plan pour le changement, puis l'implémentation, chaque étape étant modifiable avant qu'une ligne de code soit écrite. La direction est constante — chaque génération du produit éloigne l'humain d'un cran des frappes au clavier et le rapproche d'un cran de la révision de l'intention.
Le problème du contexte
La qualité des suggestions est bornée par ce que Copilot peut voir, et il ne peut pas tout voir. Le modèle de complétion travaille à partir du fichier courant et des « onglets voisins » — les autres fichiers que vous avez ouverts — en plus des importations et de l'historique de modifications récentes, tout ça devant entrer dans une fenêtre de contexte finie. Dans la conversation, le participant @workspace indexe le dépôt pour que les questions puissent trouver réponse dans toute la base de code, mais dans un gros monodépôt ou une base de code bâtie sur des cadriciels internes inhabituels, la couverture s'amincit et les suggestions dégénèrent en devinettes. C'est pourquoi deux développeurs de la même équipe peuvent vivre des expériences opposées avec le même outil.
L'habileté pratique consiste à orienter le contexte plutôt qu'à l'espérer. Garder ouverts les fichiers pertinents, employer des noms descriptifs et écrire un court commentaire énonçant ce que la prochaine fonction devrait faire améliorent tous les complétions de façon mesurable. Dans la conversation, joindre les bons fichiers et symboles comme références explicites vaut mieux que poser des questions vagues. Les équipes qui prennent ça au sérieux finissent par pratiquer l'ingénierie du contexte qu'elles l'appellent ainsi ou non : le modèle ne vaut que le prompt que l'éditeur bâtit pour lui.
Un sélecteur de modèles et un palier gratuit
Pendant ses premières années, Copilot voulait dire modèles d'OpenAI, point final. Ça a changé en 2025, quand GitHub a ajouté un sélecteur de modèles incluant Claude d'Anthropic et Gemini de Google aux côtés de la gamme d'OpenAI, avec des modèles différents offerts pour les complétions, la conversation et le mode agent. La lecture pragmatique, c'est que le choix du modèle compte moins pour les complétions à la tabulation que pour les longues exécutions d'agent avec outils, où des modèles de raisonnement plus forts produisent des plans nettement meilleurs — et où GitHub mesure l'usage par un quota de « requêtes premium » sur les forfaits payants.
La tarification va d'un palier gratuit — un nombre plafonné de complétions et de messages de conversation par mois, assez pour évaluer le flux de travail — jusqu'aux forfaits Pro, Business et Enterprise qui haussent les limites et ajoutent les contrôles dont les entreprises ont réellement besoin : gestion des politiques, paramètres à l'échelle de l'organisation, gestion des sièges et journalisation d'audit. La disponibilité des modèles varie selon le forfait, donc le sélecteur que voit un développeur dépend de ce que l'organisation a activé. Le palier gratuit compte autant stratégiquement que commercialement : il a mis un programmeur en duo par IA devant chaque étudiant et chaque mainteneur de logiciel libre, c'est-à-dire précisément la population qui a rendu VS Code dominant.
Il ne remplacera pas la révision de code
L'idée fausse tenace, c'est que la sortie de Copilot est digne de confiance parce qu'elle a l'air idiomatique et compile souvent. En pratique, le modèle hallucine avec assurance : il invente des méthodes d'API plausibles, appelle des fonctions dépréciées et reproduit des bogues courants dans ses données d'entraînement — c'est-à-dire le code de l'Internet public, bogues inclus. Des études, dont celles de GitHub, pointent de vrais gains de vitesse sur le code passe-partout et les tests, mais tous ces chiffres présument qu'un humain révise le différentiel et exécute la suite de tests. L'outil rapporte précisément parce qu'on s'attend à ce qu'un développeur lise chaque ligne avant la livraison.
Les licences méritent le même regard lucide. Comme les données d'entraînement incluaient des dépôts publics, certains sous licence copyleft, Copilot est devenu un paratonnerre dans le débat sur le droit d'auteur en IA, incluant un recours collectif déposé en 2022. Les mesures d'atténuation de GitHub sont un filtre de détection de doublons qui supprime les suggestions correspondant étroitement à du code public, et une indemnisation en propriété intellectuelle pour les clients des forfaits payants. Ni l'une ni l'autre n'élimine le besoin de jugement : traitez une suggestion de Copilot comme une demande de tirage d'un coéquipier rapide mais junior — utile, parfois erronée, et jamais fusionnée sans être lue.
La catégorie qu'il a créée
Le succès de Copilot a de fait créé le marché des assistants de codage par IA, puis a forcé GitHub à le défendre. Cursor a rebâti l'éditeur autour du modèle et conquis les utilisateurs avancés, Windsurf a poussé les flux agentiques, et les grands fournisseurs infonuagiques ont livré leurs propres assistants. La réponse de GitHub a été d'absorber chaque nouveau motif d'interaction dans Copilot tout en s'appuyant sur une distribution qu'aucun rival n'égale : VS Code, le graphe de dépôts GitHub et des contrats d'entreprise déjà en place. Comme les concurrents tournent souvent sur les mêmes modèles de pointe, la vraie bataille porte sur la gestion du contexte, l'intégration à l'éditeur et le prix plutôt que sur la qualité brute du modèle.
Copilot est aussi la voie d'accès au vibe coding à grande échelle : à mesure que le mode agent prend en charge de plus grosses tâches, le travail passe de l'écriture de code à la spécification du comportement et à la révision des différentiels. Ce déplacement récompense les ingénieurs qui écrivent des billets précis et de bons tests, et il punit les équipes sans discipline de révision. L'outil qui a commencé comme une autocomplétion plus intelligente est devenu l'interface par défaut par laquelle une génération de développeurs travaille pour la première fois avec un agent d'IA.