Par Reda Ennasr, CEO & Cofondateur d’In Value
La 17e édition du World Quality Report vient de paraître. Publiée par Capgemini, Sogeti et OpenText, elle reste la référence mondiale pour comprendre où en sont les organisations en matière de qualité logicielle et d’automatisation des tests. Cette année, le rapport porte sur un thème central : l’adoption de l’IA en Quality Engineering — et l’écart entre ce que les équipes déclarent vouloir faire et ce qu’elles font réellement.
J’ai lu le rapport en entier. Voici ce que j’en retiens — les données qui comptent, et ce qu’elles signifient concrètement pour les équipes en France et en Europe.
Ce que dit le rapport : les chiffres-clés
Le World Quality Report 2025-26 interroge des milliers de responsables QA, Engineering et IT dans plus de 30 pays. Les chiffres de cette édition font apparaître une image contrastée.
89 % des organisations pilotent ou déploient l’IA générative dans leurs processus QE. Le chiffre est impressionnant. Il faut le lire avec le suivant : seules 15 % l’ont déployée à l’échelle de l’entreprise. Les 74 % restants sont soit en pilote, soit en exploration.
Le taux de non-adoption a augmenté. C’est peut-être le chiffre le plus surprenant : la part des organisations qui n’adoptent pas du tout l’IA est passée de 4 % en 2024 à 11 % en 2025. Une partie des équipes se retirent de l’expérimentation — faute de résultats, ou faute de cadre pour avancer.
La couverture d’automatisation stagne à 33 %. En moyenne, les organisations automatisent un tiers de leurs tests. 50 % d’entre elles sont encore en phase de planification. Seulement 8 % déclarent avoir une stratégie d’automatisation pleinement établie.
Ces trois statistiques racontent la même histoire : il y a beaucoup d’activité, mais peu de maturité. Les organisations bougent, mais pas toujours dans la bonne direction.
L’écart IA : entre ambition et réalité
Le rapport est explicite sur les raisons de cet écart. Parmi les organisations qui ont adopté l’IA, l’amélioration de productivité moyenne est de 19 % — un chiffre respectable. Mais 33 % des adoptants déclarent des gains très limités. La technologie n’est pas en cause. Les freins sont organisationnels :
– Manque de compétences en IA générative dans les équipes QA
– Ownership flou (qui est responsable de l’IA en testing ?)
– Absence de cadre structuré pour déployer et gouverner les outils
63 % des responsables QE citent la maîtrise de l’IA générative comme la compétence prioritaire à développer dans leurs équipes. C’est la première fois que cette compétence dépasse les savoir-faire techniques classiques (60 %).
Ce que cela signifie en pratique : investir dans un outil d’IA testing sans investir dans la montée en compétences et dans la gouvernance, c’est reproduire les mêmes erreurs qu’avec les outils de test classiques — une adoption rapide, des résultats décevants, un abandon silencieux.
La couverture d’automatisation stagne — pourquoi ?
33 % de couverture moyenne, c’est le même ordre de grandeur que les éditions précédentes. L’automatisation progresse, mais pas aussi vite que les ambitions l’exigeraient.
Les raisons que le rapport identifie sont cohérentes avec ce que j’observe sur le terrain :
La dette de maintenance absorbe les ressources. Quand une suite de tests n’est pas gouvernée — quand on ne mesure pas la stabilité, la fréquence d’exécution, le coût de maintenance — elle vieillit plus vite qu’elle ne grandit. Les équipes passent plus de temps à corriger des tests existants qu’à en créer de nouveaux.
60 % des organisations ont du mal à gérer leurs données de test de manière sécurisée et scalable. Sans données de test maîtrisées, impossible d’automatiser les scénarios qui comptent vraiment — ceux qui valident les cas métier critiques.
58 % citent des difficultés à adopter les outils IA de testing. La prolifération des outils crée de la confusion : qu’est-ce qui est mature ? Qu’est-ce qui est marketing ? Les équipes hésitent à investir sans visibilité sur le ROI.
Le tournant shift-right : une tendance à surveiller
Un signal fort dans ce rapport : 38 % des organisations ont démarré des pilotes shift-right — l’utilisation de la télémétrie de production pour générer de nouveaux tests et détecter des défauts que les environnements de staging ne trouvent jamais.
C’est une évolution structurelle. Pendant des années, la philosophie dominante était le shift-left : tester plus tôt dans le cycle de développement. Le shift-right ne remplace pas le shift-left — il le complète. L’idée est d’utiliser les signaux réels de la production (logs, traces, comportements utilisateurs) pour alimenter et améliorer la stratégie de test.
Pour les équipes qui cherchent à aller au-delà du testing classique, c’est une direction concrète.
Données synthétiques : un signal fort de maturité
Le rapport note une progression significative de l’usage des données synthétiques en testing : de 14 % en 2024 à 25 % en 2025. C’est une hausse de 80 % en un an.
Les données synthétiques permettent de contourner les contraintes RGPD et de sécurité sur les données de production, tout en générant des jeux de données représentatifs pour les tests. L’IA générative accélère cette tendance : il devient plus simple de créer des datasets variés, réalistes, adaptés à des scénarios spécifiques.
C’est probablement l’usage le plus concret et le plus immédiatement rentable de l’IA générative en testing — avant même la génération automatique de tests, qui reste plus complexe à déployer à grande échelle.
Technologies émergentes : les agents IA en testing
La 17e édition identifie les technologies agentiques — les agents IA capables d’agir de manière autonome dans un environnement — comme une force active de transformation du Quality Engineering. Les premiers outils commerciaux existent. Les frameworks open-source permettent aux équipes avec des capacités d’ingénierie de les construire elles-mêmes.
Ce n’est pas encore une réalité opérationnelle pour la majorité des équipes. Mais c’est une direction claire. Les équipes qui travaillent dès maintenant à comprendre comment l’automatisation et l’IA s’articulent dans leur contexte seront mieux positionnées pour adopter ces technologies quand elles auront atteint leur maturité.
Ce que j’en retiens pour les équipes françaises
Le World Quality Report 2025-26 confirme une tension que j’observe depuis plusieurs années : les équipes veulent avancer vite sur l’IA et l’automatisation, mais elles n’ont pas les fondations pour le faire efficacement.
Ce n’est pas un problème de technologie. Les outils existent. C’est un problème de méthode et de gouvernance.
Trois conclusions pratiques :
Mesurez avant d’adopter. Avant d’intégrer un outil IA dans votre processus de test, ayez une vision claire de votre état actuel : quelle est la stabilité de votre suite ? Quelle est la fréquence réelle d’exécution ? Quel est le coût de maintenance ? Sans cette baseline, vous ne pourrez pas mesurer l’impact de ce que vous déployez.
Définissez l’ownership de l’IA en testing. Le rapport est clair : l’une des principales causes des gains limités est l’absence de responsable clairement désigné pour l’IA en QE. Ce n’est pas un sujet purement technique — c’est un sujet de leadership.
Commencez par les données synthétiques. Si vous cherchez un premier usage concret de l’IA générative en testing, les données synthétiques offrent le meilleur rapport effort/impact. C’est accessible, scalable, et les bénéfices sont mesurables rapidement.
Ce que fait In Value avec ces données
Chez In Value, nous utilisons les données du World Quality Report pour calibrer les benchmarks de notre plateforme Automate Score©. Quand nous mesurons la maturité d’une équipe sur les 4 + 1 dimensions — Fréquence, Stabilité, Durée, Maintenance, et AI Readiness — nous les positionnons par rapport à la réalité du marché, pas par rapport à un idéal théorique.
33 % de couverture d’automatisation en moyenne. 15 % de déploiement IA à l’échelle. Ces chiffres sont utiles non pas pour décourager, mais pour situer. La plupart des équipes sont en transition. La question n’est pas “êtes-vous en retard ?” mais “dans quelle direction allez-vous, et à quelle vitesse ?”
En résumé
Le World Quality Report 2025-26 dessine un secteur en mouvement, mais inégal dans ses avancées. L’IA est sur toutes les lèvres et dans peu d’organisations à grande échelle. L’automatisation couvre un tiers des tests en moyenne et stagne faute de gouvernance. Les données synthétiques et le shift-right émergent comme des leviers concrets.
Ce rapport n’est pas un verdict. C’est un outil de navigation. À condition de le lire avec un regard critique — et de ne pas confondre l’intention avec l’exécution.
Reda Ennasr est CEO & Cofondateur d’In Value, cabinet de conseil spécialisé en automatisation intelligente des tests, et éditeur de la plateforme Automate Score©.
Source principale : World Quality Report 2025-26, Capgemini / Sogeti / OpenText (17e édition)