Devenir ambassadeur IA dans son équipe sans l'avoir demandé

Il n’y a pas eu de nomination officielle. À un moment, j’étais le seul dans l’équipe à utiliser des agents de coding quotidiennement depuis quelques mois, et ça s’est su. Les questions ont commencé : “t’as un avis sur Cursor ?”, “on devrait pas essayer ça ?”, “tu pourrais pas nous faire une présentation ?”.

C’est comme ça qu’on devient ambassadeur IA dans une équipe technique — par défaut, parce qu’on est visible sur le sujet.

La sélection de l’outil

La contrainte centrale : l’équipe est hétérogène. Des devs sous VS Code, d’autres sous JetBrains, et moi en terminal. Un outil qui n’existe que dans un seul écosystème, c’est un outil qui crée des citoyens de seconde zone dans l’équipe dès le départ.

Les critères qu’on a posés collectivement :

• Compatible VS Code et JetBrains et CLI — pas de compromis
• Multi-modèles : pas de lock-in sur un provider unique
• Open-source ou au minimum auditabilité du code — pas de boîte noire
• Pas de frais fixes par dev — facturation à l’usage

Kilo Code cochait tout. VS Code en natif, plugin JetBrains disponible, CLI pour les profils terminaux, Apache 2.0, multi-provider par conception. La décision a été rapide — c’était objectivement le meilleur choix selon nos critères.

Le choix de Mistral — une bonne idée sur le papier

Pour le modèle, la proposition initiale était Mistral via leur API gratuite. Deux arguments forts : la gratuité pour un premier test sans budget engagé, et la souveraineté — Mistral est français, infrastructure européenne, RGPD par design. Pour une équipe qui travaille sur des projets clients avec des données sensibles, c’est un argument réel, pas symbolique.

Sur le papier, c’était le choix parfait. API gratuite + outil open-source + souveraineté = adoption sans friction.

Ce qui s’est passé en pratique

L’équipe a installé Kilo Code. Configuré l’API Mistral. Commencé à travailler.

Et ça a coincé — pas à cause de Kilo Code, mais à cause de Mistral. Sur les tâches de coding concret dans notre stack Symfony/TypeScript, le modèle produisait des résultats en dessous des attentes créées par les démos et les benchmarks. Code fonctionnel mais pas idiomatique. Suggestions qui ne respectaient pas les conventions du projet. Instructions de refactoring suivies de façon incomplète.

Ce n’est pas une critique générale de Mistral — c’est un bon modèle pour beaucoup d’usages. Mais pour du coding agentique sur une stack PHP/TypeScript spécifique, la comparaison avec Claude Sonnet ou Gemini était défavorable.

Le problème : les premiers jours avec un outil façonnent la perception. Des devs qui auraient pu devenir des utilisateurs réguliers ont associé Kilo Code à une expérience décevante. Quelques-uns ont simplement arrêté d’essayer.

L’outil n’était pas en cause. Le modèle l’était. Mais pour quelqu’un qui fait son premier contact avec les agents de coding, cette distinction n’est pas évidente à faire.

Le pivot

La décision a été de changer de modèle sans changer d’outil. Kilo Code restait — la configuration, les custom commands qu’on avait commencé à construire, les habitudes nascentes. On changeait juste le moteur.

OVH AI Gateway est devenu le hub. C’est un proxy compatible API OpenAI qui permet d’accéder à plusieurs providers via une interface unifiée, hébergé en Europe, facturation en euros. L’avantage pour l’équipe : une seule clé API à gérer collectivement, un seul endroit pour voir la consommation, et la possibilité de changer de modèle sans redistribuer des credentials à chaque dev.

Gemini 3 est le modèle par défaut depuis. Sur notre stack, la différence de qualité avec Mistral est notable — le code est plus idiomatique, les instructions complexes sont mieux suivies, et le context window est confortable pour charger des fichiers Symfony sans découpage fin.

Les résultats ont changé. L’adoption aussi — des devs qui avaient décroché ont redonné une chance à l’outil avec le nouveau modèle, et cette fois l’expérience était à la hauteur des attentes.

Ce qui a changé depuis

L’équipe est passée sur l’API Anthropic directement — plus via OVH AI Gateway. La motivation : la qualité de Claude Sonnet sur les tâches d’architecture et de refactoring complexe, et l’accès direct à l’écosystème Anthropic. Mi-2026, c’est toujours la configuration en place : Kilo Code VS Code + API Anthropic pour l’équipe, Gemini 3 disponible pour le travail courant.

Côté perso, la trajectoire a continué : je suis reparti sur Claude Code en abonnement Max — pas pour remplacer le setup équipe, mais parce que l’écosystème Anthropic (agents, hooks, mémoire persistante) vaut l’investissement individuel. Je documente ce demi-tour dans Anthropic, le Apple de l’IA.

Ce que ça m’a appris sur l’adoption

Le choix de l’outil est la partie facile. On peut évaluer des critères objectifs, faire des comparatifs, rationaliser une décision. C’est du travail d’ingénieur.

La gestion de l’adoption est différente. Ce sont les premiers jours qui comptent — pas les fonctionnalités, pas les benchmarks. Si la première expérience déçoit, peu importe la qualité intrinsèque de l’outil, la majorité des gens n’investira pas pour comprendre pourquoi ça n’a pas marché.

Sur le modèle spécifiquement : la gratuité est un critère secondaire pour les premiers tests. Ce qui compte est que les résultats soient suffisamment bons pour que des gens qui n’ont pas encore l’habitude des agents veuillent revenir le lendemain. Si le modèle gratuit produit des résultats corrects, c’est le bon choix. S’il produit des résultats qui créent de la frustration chez des devs déjà sceptiques, le coût de l’adoption ratée dépasse largement celui d’une clé API payante.

→ Revue complète Kilo Code
→ Guide : workflow agentique en équipe