« L’impact de l’IA est devenu très structurant » – Julio Guerra, Datadog
Julio Guerra est Engineering Manager chez Datadog, côté product engineering. Il encadre un groupe d’environ trente personnes sur des produits de sécurité et leurs intégrations chez les clients via l’agent Datadog.
Quel est votre rôle aujourd’hui ?
Je suis Engineering Manager niveau 2 chez Datadog, côté product engineering. Je travaille sur plusieurs produits de sécurité, plus précisément sur leurs intégrations côté client via l’agent Datadog. Mon rôle consiste à encadrer plusieurs équipes très techniques, pour un groupe d’environ trente personnes, avec des managers qui me reportent directement. Nous ne sommes pas directement responsables de ce qui est visible sur datadog.com : nous travaillons plutôt sur la façon dont les produits s’intègrent chez les clients, avec des enjeux forts de qualité, de fiabilité et de sécurité.
Quel impact l’IA a-t-elle eu sur votre métier ?
L’impact est devenu très structurant. Chez Datadog, on est passé d’une logique où il fallait accélérer, à une logique où il fallait utiliser l’IA, puis à une logique où il fallait innover avec elle. L’entreprise a ouvert largement l’accès à des outils comme OpenAI, Anthropic, Codex, Claude Code ou Gemini, tout en développant aussi certains modèles spécialisés en interne.
Dans mon équipe, l’IA est devenue un outil quotidien, presque le point d’entrée naturel pour travailler. Ce n’est plus seulement un équivalent de Stack Overflow : on travaille avec l’outil.
Julio Guerra – Engineering Manager chez Datadog
Qu’est-ce que l’IA change le plus profondément dans l’activité ?
Ce qui change le plus, c’est l’accélération de la production technique. Dans mon équipe, nous devons souvent décliner une fonctionnalité dans beaucoup de cas d’intégration. Avant, certains travaux pouvaient prendre plusieurs trimestres, aujourd’hui, ils peuvent parfois être réalisés en quelques semaines, avec une revue humaine approfondie. L’IA aide aussi à explorer une base de code, retrouver du contexte, faire de l’archéologie technique et produire des premières versions exploitables.
L’IA est-elle devenue une compétence évaluée au recrutement ?
Oui, de manière explicite. Nous avons modifié nos recrutements pour vérifier l’aisance des candidats avec l’IA. Les entretiens de programmation peuvent maintenant se faire avec un LLM : soit nous fournissons une clé, soit le candidat utilise son propre outil. L’objectif n’est plus seulement de voir s’il résout l’exercice, mais de comprendre comment il utilise l’IA pour raisonner, coder et avancer. S’il ne l’utilise pas, cela peut devenir un point de discussion au débrief.
L’IA menace-t-elle la place des juniors ?
Mon analyse va plutôt à l’inverse de ce qu’on entend souvent. À ce stade, je ne pense pas que l’IA remplace les juniors. Elle peut au contraire les rendre beaucoup plus autonomes. Un junior qui arrive chez Datadog peut interroger un LLM sur la base de code, les documents internes ou l’historique GitHub, et accéder beaucoup plus vite à un contexte technique qui était auparavant difficile à obtenir. C’est un outil très puissant pour l’onboarding. La situation changerait peut-être si les modèles atteignaient un niveau d’expertise beaucoup plus élevé, mais aujourd’hui ce n’est pas ce que j’observe.
Observez-vous des différences entre juniors et seniors ?
Oui. Les plus jeunes, notamment ceux issus d’écoles comme EPITA ou Epitech, ont adopté les outils très vite. Ils les utilisent souvent de manière plus avancée : personnalisation de l’environnement, usage de versions open source, changement de modèle selon les besoins, comparaison entre solutions. Les profils plus seniors ont parfois des usages plus stabilisés, privilégiant des méthodes éprouvées et ciblées. Cela dit, en entreprise, nous avons aussi accès à des outils, des volumes de code et des environnements que les étudiants n’ont pas toujours. Le plus important reste donc la vitesse d’apprentissage une fois en poste.
Y a-t-il un risque de perte d’expertise ?
Dans mon équipe, je ne le constate pas encore, parce que les sujets sont très critiques. Une mauvaise release peut impacter un client, donc la documentation, la relecture et la validation restent très rigoureuses. Le risque existe plutôt dans des contextes où beaucoup de code est généré rapidement sans compréhension suffisante. La vraie question, à long terme, est collective : que devient une codebase après un, deux ou trois ans de modifications fortement assistées par IA ? C’est quelque chose que nous nous efforçons de garder activement sous contrôle.
« La vraie question, à long terme, est collective : que devient une codebase après un, deux ou trois ans de modifications fortement assistées par IA ? C’est quelque chose que nous nous efforçons de garder activement sous contrôle. »
Julio Guerra – Engineering Manager chez Datadog
Comment l’IA transforme-t-elle vos processus de management ?
Elle nous permet de combler des trous dans les processus. Par exemple, pour nos revues mensuelles d’opérations, nous ne voulions plus nous contenter de moyennes qui masquent les cas particuliers. Une IA peut analyser les métriques, repérer des outliers, comparer avec le mois précédent et produire un rapport. Autre exemple : les tickets support. Un LLM peut analyser les tickets Zendesk, filtrer les cas pertinents, recouper les informations et produire une synthèse hebdomadaire. Ce sont des tâches qui auraient demandé énormément de temps humain et que nous ne faisions pas systématiquement.
Quels angles morts vous préoccupent ?
Le principal risque, pour moi, c’est le goulet d’étranglement humain. L’IA permet de produire plus vite et davantage, mais tout doit encore être relu, validé ou intégré par des humains. Cela crée une surcharge : du code ou des projets générés hors planification peuvent arriver dans les équipes et demander des heures de revue à des personnes qui ne l’avaient pas prévu. Le risque n’est donc pas seulement technique ; il est aussi organisationnel. L’IA peut créer du travail non planifié, de la frustration et une pression supplémentaire sur les chaînes de validation.
Que faudrait-il enseigner aux futurs ingénieurs ?
Il faut leur apprendre à construire un agent, à l’évaluer, à le benchmarker et à comprendre comment il fonctionne. C’est comparable à l’apprentissage des frameworks ou des langages : il ne suffit pas d’utiliser un outil, il faut savoir choisir une solution, comprendre ses limites, vérifier ses résultats et l’intégrer dans un système fiable. Les étudiants doivent connaître plusieurs modèles, savoir les comparer, comprendre les enjeux de sécurité et de confidentialité, et garder des bases techniques solides pour pouvoir relire, corriger et maîtriser ce que l’IA produit.
Quel est, selon vous, le point à retenir ?
L’IA ne supprime pas le besoin d’ingénieurs. Elle change la façon dont on travaille, accélère certaines tâches et rend des profils plus autonomes, y compris les juniors. Mais elle déplace aussi la difficulté : il faut savoir contrôler, relire, organiser, planifier et garder la maîtrise collective. C’est là que se fera la différence.