AI-DLC : le cycle d'AWS qui remplace le sprint par le Bolt
Le 31 juillet 2025, Raja SP publie sur le blog DevOps d'AWS l'AI-Driven Development Life Cycle (AI-DLC), une méthode où l'agent planifie et exécute, et où l'équipe approuve chaque étape1. AWS y renomme le sprint en Bolt et l'epic en Unit of Work : pour Raja SP, un lot de deux semaines devient trop gros quand un agent écrit architecture, code et tests en quelques minutes. La méthode vise les équipes qui confient la production du code à des agents et gardent les décisions. Cet article est le dixième volet du comparatif des méthodes de développement avec agents, toutes lues sur la grille du SDLC augmenté par l'IA.
D'où vient la méthode
AWS a publié deux objets sous le même nom. Le premier est une méthode : le billet fondateur de Raja SP (31 juillet 2025) et son livre blanc décrivent trois phases, Inception, Construction et Operations1. Le second est une implémentation outillée : le 29 novembre 2025, Will Matos, Raj Jain, Siddhesh Jog et Raja SP ouvrent le dépôt awslabs/aidlc-workflows, d'abord sous forme de règles pour Amazon Q Developer et Kiro2. Dans sa version 2.10 (30 septembre 2026), le dépôt déroule le cycle en cinq phases et 33 stages dans Kiro, Claude Code, Codex CLI, Cursor, opencode ou GitHub Copilot3. AWS publie la version 2.0 de la spécification dans ce même dépôt4. Desk2Mob, dans son analyse de la méthode, sépare de la même façon la méthode en trois phases et l'outil en cinq7.
Raja SP décrit comment répartir le travail entre l'équipe et l'agent ; le dépôt fournit les commandes qui font dérouler ce travail à un agent. Les deux suivent la même boucle : l'humain formule une intention, l'agent rédige un plan et pose ses questions, l'humain répond puis approuve, l'agent exécute, l'humain vérifie, et la boucle repart. AWS écarte deux extrêmes, l'IA cantonnée à la complétion de code et l'agent autonome que personne ne valide, et résume sa position par « AI proposes, humans decide »6.
Le cycle étape par étape
La méthode compte trois phases1.
- Inception (quoi et pourquoi). En Mob Elaboration, product owner, développeurs, QA et l'agent partagent le même écran. L'agent rédige exigences, user stories, critères d'acceptation, exigences non fonctionnelles, risques, et un découpage en Units ; l'équipe corrige, refuse, tranche.
- Construction (comment). En Mob Construction, l'agent rédige modèle de domaine, architecture logique, code et tests ; l'équipe arbitre en direct, dans la séance. Sur un code existant, l'agent en reconstruit d'abord un modèle. L'équipe enchaîne les Bolts dans cette phase.
- Operations. L'agent reprend le contexte accumulé pour écrire l'infrastructure as code, le déploiement, l'observabilité et les runbooks ; l'équipe valide.
Le dépôt aidlc-workflows détaille le même parcours en cinq phases35 :
| Phase outillée | Contenu | Remarque |
|---|---|---|
| 0 Initialization | Workspace, détection greenfield ou brownfield, état initial | Souvent automatique |
| 1 Ideation | Intention, marché, faisabilité, scope, maquettes, approbation | Sautée par un bugfix |
| 2 Inception | Reverse engineering, exigences, stories, design, Units, plan de Bolts (stage 2.9) | Le plan de livraison s'écrit ici |
| 3 Construction | Design par Unit, code, tests, CI | Série par défaut, checkpoint vérifié |
| 4 Operation | Déploiement, observabilité, sécurité, runbooks, retour d'expérience | Souvent sautée en POC ou MVP |
L'équipe choisit un scope parmi onze profils (dont bugfix, feature, poc, mvp et enterprise), et ce choix fixe les stages exécutés. La commande /aidlc ouvre une session « conductor » ; un moteur déterministe désigne le stage suivant. L'agent écrit plans, exigences, designs et journal d'audit dans le dépôt, sous aidlc/spaces/<space>/intents/, et l'équipe reprend une session là où elle l'a laissée.
Le vocabulaire renommé
| Agile | AI-DLC | Ce que le terme désigne |
|---|---|---|
| Sprint (deux semaines) | Bolt (heures à jours) | Plan validé, exécution par l'IA, revue |
| Epic | Unit of Work | Tranche livrable, faiblement couplée, parallélisable |
| Backlog grooming | Mob Elaboration | L'équipe interroge le plan d'exigences produit par l'IA |
| Développement isolé et revue asynchrone | Mob Construction | L'équipe tranche en séance les propositions de l'IA |
| Ticket | Intent | Intention de départ, persistée dans le dépôt |
Le mécanisme du Bolt, exemple complet à l'appui, est détaillé dans l'article compagnon : le Bolt, ou comment découper le travail quand l'IA code en minutes.
Lecture dans la grille SFEIR
Correspondance avec le cycle SFEIR à onze phases :
| Étape AI-DLC | Étape(s) de la grille SFEIR |
|---|---|
| Initialization | 0 Setup |
| Ideation, Inception (exigences, stories) | 1 Define (gate d'approbation) |
| Inception (design, Units, plan de Bolts) | 2 Plan (gate d'approbation) |
| Construction (code, Walking Skeleton) | 3 Build |
Construction (tests, vérification exit 0, CI) | 4 Verify |
| Mob Construction, portes d'approbation | 5 Review |
| Operation (déploiement) | 7 Ship |
| Operation (observabilité, runbooks) | 8 Ops |
| Retour d'expérience vers une nouvelle intention | 9 Compound-2 (partiel) |
Parmi les méthodes de la série, AI-DLC est l'une des rares à couvrir la grille de Setup à Ops. Ses portes humaines tombent au même endroit que celles du SDLC SFEIR : l'équipe approuve l'intention (Define) et le plan (Plan) avant toute construction. La revue a lieu pendant la Mob Construction, en séance. Compound-1 n'a pas d'équivalent : le journal d'audit enregistre ce qui s'est passé sans en tirer de règle pour la suite. Deprecation reste hors champ.
Son parti pris
Raja SP part de la taille de lot. Selon lui, une équipe qui garde sprint et epic garde les délais de l'ère pré-IA : quand l'agent produit en minutes, deux semaines de lot deviennent deux semaines d'attente1. Le second parti pris porte sur l'équipe. L'agent absorbe la production, alors développeurs, QA et métier se regroupent pour décider ensemble, en mob, au moment où chaque décision se pose.
Forces, limites et angles morts
Forces : un cycle complet, de l'idéation à l'exploitation, avec un vocabulaire cohérent ; une implémentation open source qui tourne dans Kiro, Claude Code, Cursor et d'autres harnais ; un chemin taillé au scope, qui épargne à un correctif la cérémonie d'un programme ; des artefacts écrits dans le dépôt, que l'équipe peut auditer. ConnectiveRx, éditeur américain de solutions d'accès aux traitements, publie le retour le plus chiffré : un effort réduit de 68 à 87 % par cas d'usage, soit environ 24 heures au lieu de 180, en séances de Bolt avec Kiro6.
Limites : AWS co-signe les chiffres publiés, issus d'engagements qu'il a lui-même accompagnés, et aucun tiers ne les a mesurés. AWS détaille moins la phase Operations que l'Inception, et décrit peu la gouvernance (qui signe, quelle barre de qualité avant la production). Chaque Bolt consomme beaucoup de tokens, et le mob immobilise trois à cinq personnes à la fois : l'économie d'une équipe change. La cadence fatigue les équipes : Julien Lépine, directeur de la technologie d'AWS France, cite un client qui a ramené son rythme sous trois Bolts par jour pour préserver ses développeurs8.
Angle mort : la capitalisation. Aucune étape du cycle ne transforme une erreur vue deux fois en règle pour le cycle suivant.
Quand l'utiliser
AI-DLC convient aux équipes qui démarrent un produit ou une fonctionnalité substantielle et peuvent réunir métier, développement et QA dans une même séance. Il convient moins à un développeur seul, ou à une organisation dont le métier ne se libère pas par blocs de quelques heures. Une équipe peut l'essayer avec le dépôt aidlc-workflows sur un scope bugfix avant d'engager tout le monde. Kiro, autre production d'AWS, fournit l'éditeur ; AI-DLC décrit l'organisation de l'équipe qui s'en sert, et le dépôt s'installe dans Kiro comme dans Claude Code ou Cursor. BMAD simule les rôles (PM, architecte, QA) par des agents ; AI-DLC réunit dans une même séance les personnes qui les tiennent.
Ce que le SDLC SFEIR en retient
Le SDLC SFEIR reprend la taille de lot en heures quand l'agent produit en minutes. Il reprend aussi l'exigence d'un premier incrément qui tourne de bout en bout avant toute parallélisation, et un choix d'autonomie posé une fois, après une preuve, qu'un échec révoque toujours. Il y ajoute ce qu'AI-DLC laisse ouvert : les étapes Compound et Deprecation.
Sources
- Raja SP, « AI-Driven Development Life Cycle: Reimagining Software Engineering », AWS DevOps Blog, 31 juillet 2025. aws.amazon.com
- Will Matos, Raj Jain, Siddhesh Jog, Raja SP, « Open-Sourcing Adaptive Workflows for AI-DLC », AWS DevOps Blog, 29 novembre 2025. aws.amazon.com
- Dépôt
awslabs/aidlc-workflows, GitHub, consulté en septembre 2026. github.com - « AI-DLC Workflows 2.0 Specification » (PDF), dépôt
awslabs/aidlc-workflows, GitHub. github.com - AI-DLC User Guide, « Your First Workflow ». awslabs.github.io
- Praveen Allam, David Caicedo, Rizwan Sarkhot, Sojung Lee, « How ConnectiveRx Accelerated Innovation with AI-DLC », AWS Public Sector Blog, 20 septembre 2026. aws.amazon.com
- Desk2Mob, « AI-Driven Development Lifecycle (AI-DLC): philosophy, methodology », distinction entre la méthode en trois phases et l'outil en cinq phases. desk2mob.com
- Bruno (hôte) et Julien Lépine (CTO AWS France), « AWS Summit : rester aux commandes des agents de code », podcast If This Then Dev #351, 8 avril 2026. ifttd.io
Articles similaires
Le Bolt, ou comment découper le travail quand l'IA code en minutes
Le Bolt remplace le sprint dans AI-DLC, la méthode d'AWS : un morceau de travail que l'agent planifie, que l'équipe approuve, que l'agent code et teste en quelques heures. Walking Skeleton, autonomie après preuve, Bolts parallèles : un exemple complet.
Spec Kit, Kiro, BMAD, Superpowers, AI-DLC : dix méthodes, une même grille
En dix-huit mois, dix méthodes de développement avec agents sont apparues, de Spec Kit (GitHub) à AI-DLC (AWS). Une seule va jusqu'à Ops, aucune ne couvre Deprecation. Lecture comparée sur le cycle SFEIR à onze phases : gates, capitalisation, outil cible, combinaisons.
Kiro : le spec-driven d'AWS intégré dans l'éditeur
Kiro, l'IDE spec-driven d'AWS, transforme un prompt en trois artefacts versionnés (requirements EARS, design, tasks) puis exécute les tâches. Preview le 14 juillet 2025, GA le 17 novembre 2025, Kiro Crew le 4 août 2026. Dans la grille SFEIR : de Setup à Verify, sans capitalisation ni aval.
BMAD Method : une équipe agile complète simulée par des agents
BMAD Method, projet open source MIT animé par Brian Madison, simule une équipe agile par des agents spécialisés (analyste, PM, architecte, scrum master, dev, QA) en huit temps, du brief à la rétro. Sa version 6 (janvier 2026) passe aux skills. Forces, coût en tokens et place dans la grille SFEIR.