Des études estiment que les dévs passent** jusqu'à 60 % de leur temps à lire du code**.

Pourtant, presque personne ne nous apprend à bien le faire.

Et cette compétence devient vitale : à l'heure où une part croissante du code est générée par des IA, on en écrit de moins en moins nous-mêmes, mais on doit en comprendre, en valider et en maintenir toujours plus. Du code qu'aucun humain de l'équipe ne connaît vraiment.

Face à une codebase inconnue, on ouvre des fichiers au hasard, on suit les appels de méthodes, on scrolle en espérant que ça fasse tilt. C'est lent, épuisant et risqué.

Dans ce talk, je vous présenterai l'Outside-In Discovery : une méthode time-boxée pour explorer un système couche par couche. On part de l'extérieur (documentation, CI/CD, historique git, dépendances, build, exécution) avant d'aller vers l'intérieur : architecture, hotspots, qualité des tests, faiblesses structurelles.

Sur un cas concret, on verra comment cette approche fait vite émerger les signaux critiques : dépendances obsolètes, frontières floues, couverture élevée mais mutation testing faible, zones à la fois complexes et souvent modifiées.

Puis on ajoute l'IA : reconstituer le backlog depuis le code, générer des diagrammes C4, retracer des parcours fonctionnels, repérer les code smells. Avec ses limites aussi : hallucinations, suppositions hâtives, intention métier mal comprise. Je montrerai où elle apporte un vrai levier, et où le jugement humain reste indispensable.

Vous repartirez avec une checklist, un cadre pour évaluer la santé réelle d'une base de code et des prompts concrets pour faire de l'IA un sparring partner.

Car le vrai défi, ce n'est pas le code inconnu. C'est de l'explorer sans méthode.

Demander à une IA de refactorer 200 fichiers React, ça consomme des tokens, ça prend du temps, et ça hallucine parfois. Un codemod peut faire la job en quelques secondes, gratuitement, sans se tromper. Mais écrire un codemod, c'est pas évident. Dans ce talk, je vais vous montrer comment vous pouvez utiliser l'IA pour écrire les codemods qui s'occuperont de réaliser le travail de migration.

AI coding agents feel like magic... right up until they collide with production code.

For teams maintaining legacy systems, these agents often hallucinate APIs, run off on tangents, and shatter trust faster than an unreviewed hotfix at 5pm. Ignoring the past won't save us, because new code becomes old!

We can do better, and we will. In this session we'll go over emerging strategies for improving the accuracy of coding agents on real codebases, benchmarks such as SWE-bench that evaluate our progress, and their limitations. Expect to walk away with actionable techniques and a renewed respect for code that came before us and the challenges ahead.

In this session, I’ll explore how AI-powered tooling is transforming large-scale refactoring and codebase migrations, making these complex tasks faster and more efficient. By leveraging tools like Large Language Models (LLMs), static analysis, and refactoring frameworks, we can automate repetitive code transformations, accelerate migration paths, and reduce human error. I’ll share practical examples of how we can migrate legacy systems to modern frameworks, break monolithic architectures into service-based structures, and automate large-scale code changes across thousands of files.

I’ll demonstrate how tools like OpenAI Codex, GitHub Copilot, and fine-tuned models for domain-specific transformations can assist in these processes, while still integrating with traditional migration tools and CI/CD systems. I’ll also cover the importance of developer oversight, highlighting lessons learned from real-world production rollouts and how to balance automation with manual reviews.

By the end of the talk, I want attendees to walk away with a clear understanding of how to use AI to enhance their refactoring and migration workflows, ensuring they can handle large-scale transformations while maintaining code quality, consistency, and governance.