- ▸ Un service technologique face au choc des agents
- ▸ La thèse : le code n'est plus le goulot
- ▸ Contexte historique : de l'offshore à l'IA-native
- ▸ Analyse technique : la mécanique DavaFlow
DavaFlow, la méthodologie native IA dévoilée par Endava avec OpenAI le 4 juin 2026, déplace le goulet d’étranglement de la production de code vers la gestion des exigences. La société de services technologiques refond ses processus, ses comportements de leadership et la collaboration entre équipes. Trois ruptures, trois zones d’inconfort, trois leçons pour les ESN européennes.
Points clés 1. Endava revendique une transformation de fond depuis l’arrivée des modèles génératifs, avec une refonte des flux de travail, du leadership et de la collaboration entre équipes, selon le récit publié par OpenAI le 4 juin 2026. 2. DavaFlow, méthodologie de livraison native IA, intègre la technologie OpenAI à chacune de ses étapes : « il n’y a pas une partie de DavaFlow qui n’utilise pas la technologie OpenAI », confirme l’entreprise. 3. Le goulet d’étranglement s’est déplacé : ce n’est plus le code qui ralentit, mais la production des exigences et la planification des solutions métier. 4. Le slogan interne « AI-first » devient un réflexe quotidien : un dirigeant d’Endava reconnaît avoir « l’impression de perdre son temps » s’il n’a pas un agent qui tourne en arrière-plan. 5. Les défis ne sont pas techniques mais culturels — l’IA challenge la définition même de la « productivité » dans une ESN de plus de 11 000 collaborateurs.
Un service technologique face au choc des agents
Endava n’est pas une startup. Cotée au New York Stock Exchange depuis 2018, la société de services technologiques d’origine roumano-britannique opère depuis trois décennies sur le créneau exigeant du custom software development pour grands comptes — banques, assureurs, distributeurs, télécoms. C’est précisément ce qui rend son virage instructif. Quand un acteur de cette taille déclare avoir « fondamentalement » changé, le signal mérite d’être lu attentivement.
Le 4 juin 2026, OpenAI publie un retour d’expérience intitulé « How Endava is redesigning software delivery around AI agents ». Le ton est lisse, l’angle commercial. Mais derrière le storytelling, la mécanique décrite est sérieuse : Endava ne se contente pas d’utiliser ChatGPT comme outil bureautique. La société a refondu sa chaîne de production logicielle autour d’agents — des programmes capables d’exécuter des séquences de tâches en autonomie partielle. Le nom de cette refonte : DavaFlow.
La thèse : le code n’est plus le goulot
L’angle d’Endava est contre-intuitif pour qui a passé vingt ans à industrialiser le développement. Pendant des décennies, la productivité des ESN se mesurait à la vélocité de leurs développeurs : combien de tickets clos, combien de story points livrés. L’IA générative a déplacé le problème. « Nous avons commencé à challenger la rapidité avec laquelle nous pouvions produire les exigences et la rapidité avec laquelle nous pouvions produire les bonnes solutions métier pour nos clients », explique un responsable cité par OpenAI le 4 juin 2026. Le code se produit vite. Ce sont la spécification, le cadrage métier, la traduction d’un besoin flou en backlog exécutable, qui freinent désormais la livraison.
Contexte historique : de l’offshore à l’IA-native
Pour mesurer ce que représente DavaFlow, il faut remonter trois décennies. La modernité du custom software development s’est construite par couches successives, chacune cherchant à éliminer le goulet d’étranglement précédent.
Dans les années 1990, le freinage venait des cycles longs et du recueil des besoins. Les méthodologies en cascade — waterfall — produisaient des cahiers des charges de plusieurs centaines de pages, validés mois après mois. Le développement venait après, lent, coûteux, souvent décalé par rapport à un marché qui avait changé entre-temps.
Le tournant agile, à partir de 2001 avec le manifeste éponyme, a déplacé le verrou. Sprints courts, équipes pluridisciplinaires, livraison continue : la production de code s’est accélérée. Mais le coût restait élevé. La réponse, dans les années 2000-2010, a été l’offshore et le nearshore. Endava elle-même s’est construite sur ce modèle, avec des centres en Roumanie, Moldavie, Argentine, puis Colombie. La main-d’œuvre qualifiée à coût compétitif est devenue le levier principal.
Vers 2015, un troisième virage : le DevOps. L’industrialisation des pipelines de livraison, l’automatisation des tests, l’infrastructure-as-code. Le développement et l’exploitation ont fusionné, raccourcissant encore les délais entre l’idée et la production.
À chacune de ces étapes, le verrou se déplaçait : du besoin vers le code, du code vers la coordination, de la coordination vers le déploiement. L’arrivée des grands modèles de langage en 2022-2023, puis des agents en 2024-2025, redessine la carte. La production de code, qui occupait 40 à 60 % du temps des équipes selon les estimations sectorielles courantes, peut être largement automatisée. La question devient : que fait-on des heures libérées, et où se trouve le nouveau goulet ?
Endava donne sa réponse en juin 2026 : le nouveau goulet, c’est la qualité et la rapidité des exigences. D’où DavaFlow.
Analyse technique : la mécanique DavaFlow
DavaFlow n’est pas, à la lecture du retour d’expérience publié par OpenAI le 4 juin 2026, un produit unique mais une méthodologie. Elle structure l’ensemble du cycle de vie logiciel — du cadrage métier à la mise en production — autour d’agents IA qui interviennent à chaque étape. « Il n’y a pas une partie de DavaFlow qui n’utilise pas la technologie OpenAI », affirme Endava. La formulation est englobante. Elle traduit un choix d’intégration verticale : un fournisseur principal, une cohérence d’outillage, un stack unifié.
Pour situer cette approche dans le paysage des grandes ESN, le tableau ci-dessous compare quelques caractéristiques publiques des principales méthodologies natives IA annoncées ou observées sur le marché.
| Acteur | Initiative IA-native | Fournisseur de modèles annoncé | Périmètre |
|---|---|---|---|
| Endava | DavaFlow | OpenAI (confirmé) | Bout-en-bout, du cadrage à la livraison |
| Approche sectorielle médiane | Assistants de codage isolés | Multi-fournisseurs | Phase de développement seule |
| Méthodes agiles classiques | Aucune | Sans objet | Coordination humaine |
Le différentiel d’Endava tient à deux choix. D’abord, l’intégration sur l’intégralité de la chaîne. Là où la plupart des grandes ESN déploient des copilotes de code sur la seule phase de développement, DavaFlow remonte en amont — recueil des besoins, modélisation, rédaction d’exigences — et descend en aval — déploiement, supervision, retours d’expérience. Ensuite, le choix d’un fournisseur principal. Plutôt qu’une stratégie multi-modèles, Endava revendique la profondeur d’intégration avec une seule famille technologique.
Cette stratégie comporte un coût d’opportunité évident : la dépendance. Si OpenAI ajuste sa tarification, modifie ses conditions d’usage ou voit ses performances dépassées par un concurrent, l’ensemble du dispositif est exposé. Le pari d’Endava est que les bénéfices de la cohérence — un seul modèle de gouvernance, une seule courbe d’apprentissage, des intégrations stables — surpassent ce risque.
Le second élément technique notable est culturel : l’omniprésence des agents en arrière-plan. « Si je n’ai pas un agent qui tourne en arrière-plan, j’ai l’impression de perdre mon temps », confie un dirigeant cité par OpenAI le 4 juin 2026. Cette phrase, anodine en apparence, redéfinit la notion de productivité individuelle. Le travailleur n’est plus celui qui exécute des tâches en série, mais celui qui orchestre des séquences parallèles d’agents. Une analogie sectorielle pertinente : le passage du chef de chantier supervisant des ouvriers à l’opérateur d’usine pilotant une chaîne automatisée.
Pour les directions techniques européennes, l’enjeu de cette bascule est mesurable. Si l’agent travaille pendant que l’humain réfléchit, le ratio temps-utile/temps-total s’inverse. Ce n’est plus la durée passée devant l’écran qui compte, mais le nombre de séquences déléguées et le taux de validation de leurs livrables.
Chiffre-phare Selon le récit publié par OpenAI le 4 juin 2026, l’IA a eu « un impact fondamental sur Endava ces dernières années » — l’entreprise, fondée en 2000, compte plus de deux décennies d’expérience dans le développement sur mesure et opère aujourd’hui dans une vingtaine de pays.
Impact terrain : la grille de lecture pour les ESN françaises
Le cas Endava interpelle directement les services companies françaises. Capgemini, Sopra Steria, Atos, Devoteam, mais aussi des acteurs plus spécialisés comme Onepoint ou Talan : tous opèrent sur des marchés voisins, avec des modèles économiques qui reposent encore largement sur la facturation au temps passé.
Premier impact : le modèle de tarification. Si DavaFlow permet de livrer une solution comparable en deux à trois fois moins de temps humain, la facturation au jour homme devient un piège auto-infligé. Le retour d’expérience publié le 4 juin 2026 ne donne pas de ratio précis, mais la logique narrative est limpide : Endava se positionne sur la valeur livrée plutôt que sur le volume d’heures. Cette bascule, déjà entamée dans plusieurs ESN sous le label « outcome-based pricing », devient existentielle.
Deuxième impact : la composition des équipes. Si la production de code se compresse, la valeur se déplace vers le cadrage, l’architecture, la relation client, la gouvernance des données. Le ratio entre développeurs juniors et architectes seniors, qui penche traditionnellement vers les juniors pour des raisons de marge, doit être repensé. Une équipe DavaFlow ressemble probablement davantage à une cellule resserrée d’experts qu’à une factory étagée.
Troisième impact : la formation. « Pour être AI-native chez Endava, il s’agit de penser à l’IA pour résoudre le problème en premier », explique un responsable cité par OpenAI le 4 juin 2026. « C’est la première chose que vous faites plutôt que la dernière. » Cette inversion mentale ne s’obtient pas par décret. Elle suppose un investissement formation soutenu, des routines d’équipe revues, des indicateurs de pilotage refondus.
Quatrième impact : la sécurité et la confidentialité des données client. Les ESN françaises servent massivement le secteur public, la banque, la santé — autant de filières où la circulation des informations vers des modèles tiers est strictement encadrée. Une méthodologie AI-native doit intégrer dès la conception les contraintes de souveraineté, d’hébergement et de traçabilité. Ce sujet n’est pas évoqué frontalement dans le retour d’expérience d’OpenAI, ce qui est en soi un signal — la communication commerciale tend à éviter les zones d’inconfort.
Cinquième impact : le management intermédiaire. Le chef de projet historique, dont la valeur tenait à la maîtrise du planning et au reporting, voit son rôle questionné. Un agent peut produire un état d’avancement, détecter une dérive, alerter sur un risque. Le manager d’une équipe DavaFlow doit pivoter vers ce que les agents ne savent pas faire : arbitrer politiquement, négocier avec le client, accompagner les talents, porter la responsabilité.
Perspectives contradictoires : ce que le récit OpenAI ne dit pas
Tout retour d’expérience publié par un fournisseur sur son client est un acte commercial. Le récit du 4 juin 2026 est riche en témoignages enthousiastes — « cela a complètement changé la conversation », « il faut juste se laisser porter », « nous sommes vraiment enthousiastes des workflows qui peuvent être créés en combinant ces outils ». Cette tonalité ne doit pas masquer trois angles morts.
Premier angle mort : l’évaluation indépendante. Le récit ne fournit aucun chiffre vérifiable de productivité — pas de pourcentage de réduction du time-to-market, pas de comparaison de coût par projet, pas de mesure de satisfaction client avant/après. Pour une analyse rigoureuse, il faudrait disposer de données auditées par un tiers, idéalement publiées dans un rapport annuel ou un communiqué financier. À la date de cette analyse, ces éléments ne sont pas dans le domaine public.
Deuxième angle mort : la qualité du code généré. Plusieurs études académiques publiées depuis 2024 — sans qu’il soit possible de les citer ici faute d’inclusion dans la liste de sources fournies — ont pointé des préoccupations sur la dette technique introduite par les assistants IA. Le code généré peut fonctionner, passer les tests, mais accumuler des dépendances obsolètes, des duplications, des vulnérabilités subtiles. Une méthodologie AI-native aboutie doit intégrer des garde-fous spécifiques. Le retour d’expérience d’Endava ne détaille pas ce volet.
Troisième angle mort : l’impact social. Quand une ESN transforme sa chaîne de production, la pyramide des âges et des compétences se déforme. Les profils juniors, traditionnellement formés sur des tâches de codage répétitives, voient leur point d’entrée se rétrécir. La société Endava emploie un effectif important, principalement dans des pays où l’industrie du delivery logiciel est un employeur structurant. Le récit ne dit rien des trajectoires de carrière, des reconversions, des éventuels ajustements d’effectifs liés à la productivité accrue.
Ces angles morts ne disqualifient pas la démarche. Ils en délimitent le périmètre d’enseignement : DavaFlow est un cas instructif sur la mécanique de transformation, mais ne tient pas lieu de preuve de retour sur investissement.
Prospective : la nouvelle barrière à l’entrée
Que retenir, à un horizon de douze à dix-huit mois, pour les acteurs européens du custom software ? Trois lignes de force se dessinent.
D’abord, la méthodologie devient un actif différenciant. Pendant vingt ans, les ESN se sont battues sur les coûts horaires et la qualité des équipes. La prochaine décennie pourrait se jouer sur la maturité méthodologique en environnement IA-augmenté. Une signature DavaFlow, Capgemini, ou autre, devient un élément de réponse à appel d’offres aussi structurant qu’un certificat ISO 27001.
Ensuite, le choix de fournisseur de modèles devient stratégique. La consolidation autour d’un acteur — OpenAI pour Endava — sécurise la cohérence mais expose à un risque de concentration. Les ESN françaises auront probablement à arbitrer entre profondeur d’intégration et diversité de fournisseurs, avec un regard particulier sur les options souveraines européennes.
Enfin, la culture d’entreprise devient un goulet d’étranglement à part entière. « Il faut juste se laisser porter », résume un dirigeant cité par OpenAI le 4 juin 2026. La formule, désinvolte, cache une vérité plus dure : l’adoption à grande échelle suppose une bascule comportementale collective. Les organisations qui n’embarquent pas leurs équipes paieront cher leur retard.
La question n’est plus de savoir si les agents s’intégreront aux chaînes de production logicielles, mais à quelle vitesse, avec quels garde-fous, et au profit de quels modèles économiques.
FAQ
Qu’est-ce que DavaFlow exactement ?
DavaFlow est la méthodologie de livraison native IA développée par Endava, présentée publiquement le 4 juin 2026 via un retour d’expérience publié par OpenAI. Elle couvre l’intégralité du cycle de vie logiciel — du cadrage des besoins à la mise en production — en intégrant des agents IA à chaque étape. Endava revendique l’usage de la technologie OpenAI sur toutes les composantes de la méthodologie.
Quels sont les principaux bénéfices revendiqués par Endava ?
Le retour d’expérience publié le 4 juin 2026 met en avant trois bénéfices qualitatifs : une accélération du cycle de recueil des exigences, une refonte des comportements de leadership autour d’une logique « AI-first », et une collaboration inter-équipes repensée. Aucun chiffre précis de gain de productivité, de coût ou de satisfaction client n’est rendu public dans ce récit.
Cette approche concerne-t-elle les ESN françaises ?
Oui, le cas Endava est directement instructif pour les acteurs français comme Capgemini, Sopra Steria, Atos ou Onepoint. Ces sociétés opèrent sur des marchés voisins avec des modèles tarifaires comparables. La principale leçon transposable concerne le déplacement du goulet d’étranglement de la production de code vers le cadrage et la gestion des exigences.
Quels risques accompagnent une stratégie AI-native ?
Trois risques principaux ressortent : la dépendance à un fournisseur unique de modèles (OpenAI dans le cas Endava), la qualité et la dette technique du code généré, et l’impact sur la composition des équipes — notamment les profils juniors traditionnellement formés sur des tâches automatisables. Le retour d’expérience publié n’aborde pas frontalement ces zones d’inconfort.
Sources – OpenAI, « How Endava is redesigning software delivery around AI agents », 4 juin 2026, https://openai.com/index/endava-frontiers
