Contexte technique
J'ai examiné ce que GitLab appelle Act 2, et ce n'est pas une simple mise à jour avec un chatbot. Ils réorganisent véritablement la plateforme pour un scénario où l'automatisation par IA vit à l'intérieur du SDLC, au lieu d'être un gadget de génération de code greffé à un IDE.
L'idée de base est simple : GitLab veut que les agents non seulement écrivent des extraits de code, mais ouvrent aussi des merge requests, exécutent des pipelines, analysent les failles de sécurité, corrigent la CI et travaillent en parallèle. Pour l'implémentation de l'IA dans les équipes d'ingénierie, cela se rapproche d'une couche de plateforme plutôt que d'expériences ponctuelles.
Au cœur de tout cela se trouve la GitLab Duo Agent Platform. Elle comprend plusieurs agents spécialisés : développement, sécurité, recherche et CI. De plus, une couche d'orchestration garantit qu'ils suivent des flux prédéfinis au lieu d'entrer en conflit de manière chaotique.
Ce que j'ai trouvé intéressant, c'est le support du MCP, l'intégration d'agents externes comme Claude Code et Codex, ainsi que les flux personnalisés. GitLab ne se limite donc pas à un seul agent intégré, mais crée un bus où vous pouvez construire votre propre processus pour une équipe ou un produit spécifique.
Autre point clé : GitLab parle explicitement de flux de travail à l'échelle de la machine. Cela signifie que le modèle Git, les pipelines et les services internes sont adaptés pour gérer un flux de commits et d'exécutions généré 24/7 par des agents, et non plus manuellement par des humains. C'est là que j'ai marqué une pause : la belle présentation se termine, et le lourd travail d'architecture IA commence.
La disponibilité est également réaliste : une bêta est annoncée pour GitLab 18.2, avec une disponibilité générale attendue vers la version 18.8+, principalement pour les niveaux Premium et Ultimate. Le niveau gratuit est limité, et l'utilisation est facturée via les Crédits GitLab, ce qui signifie que la question du coût deviendra rapidement un enjeu comptable très concret.
Ce que cela change pour l'entreprise et l'automatisation
Le premier avantage est évident : le CI/CD n'est plus seulement une vérification post-commit, mais un environnement où les agents corrigent les pannes, optimisent le pipeline et convertissent les anciens scripts Jenkins en GitLab CI/CD. Pour les équipes DevOps, c'est un gain de temps non pas en pourcentages, mais sur les tâches routinières constantes.
Le deuxième point est plus sévère : sans règles, audits et limites, cela se transformera vite en un chaos coûteux. Les équipes avec une intégration IA solide, des politiques claires et une observabilité gagneront. Celles qui activent simplement les agents pour tout le monde perdront.
Et troisièmement : la valeur de l'architecture des flux augmente, éclipsant la focalisation sur un seul modèle. Chez Nahornyi AI Lab, nous résolvons précisément ces problèmes pour nos clients : décider où un agent peut agir en toute confiance, où une intervention humaine (human-in-the-loop) est nécessaire, et comment construire une automatisation avec l'IA sans faire exploser les coûts et les risques pour la production.
Si votre CI/CD est déjà freiné par des vérifications manuelles, des corrections nocturnes et le débogage sans fin de pipelines instables, c'est le bon moment pour repenser le processus. Nous pouvons analyser ensemble où créer un agent IA ou construire une automatisation IA prudente dans votre cas, afin que votre équipe accélère réellement au lieu d'obtenir une nouvelle source de bruit à la mode.