L'IA au service de la reprise de code WLangage

L'intelligence artificielle a changé l'économie des migrations de code legacy, mais pas comme les promesses commerciales le laissent entendre. Aucun outil ne convertit une application WLangage en application moderne d'un clic. En revanche, bien employée, l'IA accélère significativement les phases les plus coûteuses du chantier : comprendre, documenter, transposer, tester. Voici la part du réel.

Ce que l'IA ne sait pas faire

Elle ne sait pas décider à votre place ce qui mérite de survivre : distinguer la règle métier essentielle du contournement historique demande le contexte de l'entreprise. Elle ne garantit pas l'équivalence fonctionnelle : un code transposé qui « ressemble » au bon résultat n'est pas un code prouvé équivalent. Et elle ne remplace pas l'architecture : découpage en services, modèle de données, contrats d'API restent des décisions d'ingénierie. Tout transcodage produit par IA passe donc par une revue humaine systématique, sans exception.

Une situation type

Un exemple révélateur : face à une fonction de calcul de remise avec plusieurs conditions imbriquées, l'IA propose une transposition qui reproduit fidèlement la logique visible dans le code. Ce qu'elle ne peut pas savoir, c'est qu'une des conditions correspond à un contournement mis en place pour un cas particulier disparu depuis des années, alors qu'une autre reste indispensable pour un type de client encore actif. Seule la relecture par un développeur qui connaît le contexte métier, ou un entretien avec le référent concerné, permet de trancher laquelle conserver.

Cartographier un code non documenté

C'est l'apport le plus immédiat. Sur un parc WLangage de centaines de milliers de lignes sans documentation, l'IA lit vite et bien : elle identifie les traitements, leurs dépendances, les fenêtres qui les appellent, les tables qu'ils touchent. Ce qui demandait des semaines de lecture humaine produit en jours une cartographie exploitable, que l'audit valide ensuite par sondage. Le bénéfice est double : un chiffrage plus fiable, et la détection précoce du code mort, souvent une part non négligeable du volume total.

Documentation automatique des règles métier

Deuxième apport majeur : transformer le code en spécifications lisibles. Pour chaque traitement critique, l'IA produit une description en français de ce que fait le code, conditions, cas particuliers et effets compris, que le référent métier peut relire et corriger. C'est la réponse concrète au risque du développeur unique : le savoir enfermé dans le code devient un document que l'entreprise possède, indépendamment de toute migration. Plusieurs de nos recommandations d'audit commencent par là, avant même toute décision de trajectoire.

Transcodage assisté et revue humaine

Sur la transposition proprement dite, le fonctionnement efficace est celui d'un binôme : l'IA propose une première version du code cible (C#, PHP, TypeScript) à partir du WLangage et des règles documentées ; le développeur la relit, la corrige et l'intègre dans l'architecture cible. Le gain se concentre sur le code répétitif, écrans de gestion et accès aux données, où la proposition initiale est proche du compte. Sur les moteurs de calcul complexes, la part humaine reste dominante et c'est souhaitable : c'est là que se cachent les subtilités qui font la valeur du logiciel.

Ce que nous vérifions à ce stade

• La proposition de l'IA respecte-t-elle les cas limites déjà identifiés lors de l'audit, ou seulement le chemin principal ?
• Le code proposé s'intègre-t-il proprement dans l'architecture cible, ou reproduit-il des raccourcis propres au code d'origine ?
• Chaque équivalence fonctionnelle est-elle vérifiée par un test avant d'être considérée comme acquise ?
• La revue humaine porte-t-elle sur la totalité du code transposé, ou seulement sur un échantillon ?

Génération des tests de non-régression

Le legacy WinDev typique n'a aucun test automatisé : chaque évolution se recettait à la main. L'IA change ce point d'entrée : à partir du code existant et de ses règles documentées, elle génère des jeux de tests qui capturent le comportement actuel, y compris ses cas limites. Ces tests deviennent le filet de sécurité de toute la migration : le nouveau code doit les passer, ce qui transforme « ça a l'air de marcher » en vérification reproductible. C'est probablement l'usage de l'IA au meilleur rapport valeur/risque de tout le chantier.

Ce que l'on mesure sur un projet réel

Plutôt que d'annoncer des pourcentages de gain invérifiables, nous mesurons sur chaque dossier : le temps de cartographie initiale, la part de code transposé acceptée en revue sans reprise, la couverture de tests atteinte avant bascule. Ces indicateurs figurent dans les livrables et se comparent d'un jalon à l'autre. La conclusion constante : l'IA ne réduit pas le besoin d'ingénieurs expérimentés, elle déplace leur temps de la lecture fastidieuse vers les décisions qui comptent. C'est ce déplacement qui change l'équation économique d'une reprise de WLangage.

FAQ