Pourquoi et comment construire une application React en monorepo : avantages, inconvénients, outils (Turborepo, Nx, CI/CD), et pourquoi c'est encore plus intéressant à l'ère des agents IA. Avec un cas réel : OtomatikEdit, du code partagé entre web et mobile jusqu'au développement d'une fonctionnalité avec un agent.

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.

What happens when you need to refactor 377 files in a SvelteKit codebase? Without AI, you retire. With Claude Code, you ship it in 11 hours.

This talk walks through real-world examples of using Claude Code for massive refactoring work that would be soul-crushing to do manually. I'll cover:

How I approach large-scale refactors with Claude (377 files → 364 files → and counting)

Building and activating Claude Code skills reliably (based on my viral post that's getting 4k+ views in 3 days)

The workflow patterns that actually work vs the ones that waste your time

Real examples from production codebases

This isn't about AI replacing developers - it's about using AI to handle the tedious parts so you can focus on the interesting problems.

Justine discutera de la rémédiation automatique du code avec le moteur de refactorisation déterministe OpenRewrite, une technologie née chez Netflix en 2016. Il est conçu pour manipuler la représentation de l'arbre sémantique sans perte (LST) du code à l'aide de recettes (programmes) qui aboutissent à des transformations de code précises, tout en préservant le style à 100 %. Vous verrez comment associer la précision d'un système basé sur des règles à la puissance généraliste de l'IA. Divers cas d'utilisation seront présentés, tels que l'obtention d'une vue d'ensemble sémantique de votre code, la recommandation de modernisations adaptées à votre base de code, et la manière dont les LSTs fonctionnent comme guide et garde-fou pour les modèles.

🇬🇧 Justine will discuss automated code remediation with the deterministic OpenRewrite refactoring engine, a technology born at Netflix in 2016. It’s built on manipulating the Lossless Semantic Tree (LST) representation of code with recipes (programs) that result in 100% accurate style-preserving code transformations. You will be shown how to couple the precision of a rules-based system with the generalist power of AI. Various use cases will be presented such as getting a semantic-based bird's eye view of your code, getting codebase-tailored recommendations for modernization, and how LSTs function as a guide and guardrails for models.