L’enquête Python de Meta relève plus d’usage de l’IA et des questions ouvertes
Meta a publié le 27 octobre son enquête 2026 sur le typage en Python. Elle a reçu 1 794 réponses, dont 76,4 % de personnes pratiquant Python depuis au moins cinq ans. Le questionnaire a circulé dans des forums, des réseaux sociaux, des lettres d’information et des communautés de développeurs.
Meta a publié le 27 octobre son enquête 2026 sur le typage en Python. Elle a reçu 1 794 réponses, dont 76,4 % de personnes pratiquant Python depuis au moins cinq ans. Le questionnaire a circulé dans des forums, des réseaux sociaux, des lettres d’information et des communautés de développeurs. Il s’agit donc de réponses volontaires, et non d’un échantillon aléatoire de tous les programmeurs Python. Notre édition est datée du 28 octobre. Les dénominateurs changent selon les questions; rapporter chaque pourcentage à l’ensemble des 1 794 participants serait inexact.
Parmi 1 517 personnes ayant répondu sur les usages concernés, 42,5 % déclarent qu’un outil d’IA a écrit des indications de type et 32,6 % qu’elles ont écrit des types pour améliorer du code généré par IA. Dans le même groupe, 24,4 % disent qu’un outil de codage par IA a lancé leur vérificateur de types. Au moins une des quatre activités d’IA et de typage proposées a été sélectionnée par 61,0 %. La proportion choisissant « rendre le code généré par IA plus exact ou fiable » comme avantage est passée de 18,5 % en 2025 à 38,4 % en 2026. Ce sont des comportements et des opinions rapportés, non une preuve expérimentale que les annotations réduisent les défauts causés par l’IA.
Le manque d’informations de type dans les bibliothèques tierces arrive en tête des difficultés : 65,1 % des 1 486 personnes ayant répondu à cette question l’ont choisi. Autre difficulté, 44,6 % estiment que le système de types ne sait pas exprimer tout ce que fait leur code. Les réponses évoquent les cadres dynamiques, les décorateurs, les tableaux et les données scientifiques. Une meilleure syntaxe pour Callable est la fonctionnalité manquante la plus citée, par 45,7 % de ce même groupe. Fournir un fichier de types ne suffit pas si son contenu est trop général ou ne décrit pas le comportement réel d’une bibliothèque.
L’usage fréquent des indications de type reste entre 85,5 % et 88,0 % sur les trois enquêtes annuelles, mais les répondants ne sont pas les mêmes chaque année. Parmi les personnes déclarant leurs vérificateurs, 49,9 % en ont choisi au moins deux en 2026, contre 46,0 % en 2025. Meta développe Pyrefly; 220 des 264 répondants qui l’ont sélectionné ont aussi choisi un autre vérificateur, soit 83,3 %. Les réponses étant multiples, les parts se chevauchent et ne sont pas des parts de marché exclusives. Une équipe peut privilégier la rapidité dans l’éditeur et conserver un autre outil dans son intégration continue pour des raisons de compatibilité.
L’incertitude demeure importante. Sur 1 551 personnes répondant à la question de l’utilité des types pour le codage assisté par IA, 29,8 % se disent indécises, contre 7,7 % pour l’avantage des garanties à l’exécution. Meta juge nécessaire d’étudier empiriquement quelles interactions entre agents et vérificateurs apportent vraiment quelque chose. Une équipe peut mesurer les erreurs réelles détectées dans son dépôt, mais aussi vérifier si l’agent masque les avertissements avec des types trop larges ou des directives d’ignorance. L’enquête indique des pistes de travail; elle n’établit pas à elle seule un effet causal valable pour chaque projet.
Sources
FAQ
Combien de réponses l’enquête a-t-elle reçues ?
Meta a publié le 27 octobre son enquête 2026 sur le typage en Python. Elle a reçu 1 794 réponses, dont 76,4 % de personnes pratiquant Python depuis au moins cinq ans. Le questionnaire a circulé dans des forums, des réseaux sociaux, des lettres d’information et des communautés de développeurs. Il s’agit donc de réponses volontaires, et non d’un échantillon aléatoire de tous les programmeurs Python. Notre édition est datée du 28 octobre. Les dénominateurs changent selon les questions; rapporter chaque pourcentage à l’ensemble des 1 794 participants serait inexact.
Quels sont les dénominateurs des chiffres sur l’IA ?
Parmi 1 517 personnes ayant répondu sur les usages concernés, 42,5 % déclarent qu’un outil d’IA a écrit des indications de type et 32,6 % qu’elles ont écrit des types pour améliorer du code généré par IA. Dans le même groupe, 24,4 % disent qu’un outil de codage par IA a lancé leur vérificateur de types. Au moins une des quatre activités d’IA et de typage proposées a été sélectionnée par 61,0 %. La proportion choisissant « rendre le code généré par IA plus exact ou fiable » comme avantage est passée de 18,5 % en 2025 à 38,4 % en 2026. Ce sont des comportements et des opinions rapportés, non une preuve expérimentale que les annotations réduisent les défauts causés par l’IA.
L’enquête prouve-t-elle un effet causal des types ?
L’incertitude demeure importante. Sur 1 551 personnes répondant à la question de l’utilité des types pour le codage assisté par IA, 29,8 % se disent indécises, contre 7,7 % pour l’avantage des garanties à l’exécution. Meta juge nécessaire d’étudier empiriquement quelles interactions entre agents et vérificateurs apportent vraiment quelque chose. Une équipe peut mesurer les erreurs réelles détectées dans son dépôt, mais aussi vérifier si l’agent masque les avertissements avec des types trop larges ou des directives d’ignorance. L’enquête indique des pistes de travail; elle n’établit pas à elle seule un effet causal valable pour chaque projet.