Créer plus vite et coder mieux : comment l’IA refaçonne l’expérience développeur sur Google Cloud

La mission de l'équipe Expérience Développeur de Google Cloud est simple : aider les développeurs à passer de l'apprentissage au déploiement aussi rapidement et efficacement que possible. Pour y parvenir, notre stratégie repose sur deux outils principaux : une documentation pratique et robuste associée à des exemples de code prêts à l'emploi intégrés directement dans celle-ci, sur lesquels les développeurs s'appuient quotidiennement. Alors que les services de Google Cloud s'étendent et évoluent à un rythme rapide, maintenir la qualité, la précision et la couverture de ces ressources étroitement intégrées représente un défi d’envergure. Or les développeurs d’aujourd’hui attendent des réponses immédiates et des conseils précis et idiomatiques. Toute lacune risque de freiner l'adoption et de compromettre leur productivité.

Pour relever ce défi, nous exploitons de manière stratégique l’IA générative, propulsée par Gemini, au cœur de nos workflows de création de contenus. Il ne s’agit pas de remplacer l’expertise humaine, mais d’utiliser la technologie pour renforcer notre capacité à apporter de la valeur aux développeurs, plus rapidement et à plus grande échelle. Voici comment nous mettons l’IA au service d’une documentation de qualité et d’exemples de code plus riches et mieux intégrés.

Une documentation dopée à l’IA : accélérer la cadence et garantir l’exactitude

Pour nos équipes de rédaction technique, la cadence du développement de Google Cloud soulève deux questions majeures : comment suivre le rythme pour documenter les nouvelles fonctionnalités sans cesse ajoutées et comment garantir que la documentation existante reste exacte ?

Pour accélérer le processus de création, nous avons intégré Gemini au cœur des environnements d'écriture de nos rédacteurs. L’assistant IA agit comme un multiplicateur de productivité, en fluidifiant des tâches courantes telles que la génération de tableaux formatés à partir de contenus non structurés, la traduction entre langages de balisage ou l’application en un clic de guides stylistiques complexes. Surtout, l’IA libère du temps pour l’essentiel : concevoir une documentation plus stratégique et livrer un contenu de haute qualité.

La validation du contenu représente un enjeu aussi crucial que sa création. Depuis des années, les tests de non-régression automatisés traquent les bugs dans le code. Nous appliquons désormais la même discipline à la documentation, un objectif longtemps considéré comme utopique, en raison de l’ambiguïté du langage naturel.
Pour nos « quickstarts » (guides de démarrage rapide), nous utilisons Gemini pour lire les étapes pas-à-pas et automatiquement générer des scripts d’orchestration web (en utilisant des frameworks comme Playwright). Ces scripts exécutent ensuite les différentes étapes dans un environnement Google Cloud réel, vérifiant automatiquement que notre documentation reflète fidèlement le comportement du produit. Nous faisons tourner plus d’une centaine de tels tests chaque jour, ce qui garantit une validation continue de nos guides « quickstart » et vous assure de la fiabilité des étapes présentées.

Démultiplier les exemples de code au sein des documentations via des Agents IA

Les extraits de code intégrés à nos documentations soulèvent des défis similaires, voire plus complexes : assurer une large couverture des langages, gérer leur mise à jour au fur et à mesure des évolutions des API et des bonnes pratiques, et optimiser l’utilisation de nos ressources d’ingénierie.
Créer et maintenir manuellement des dizaines de milliers d’exemples idiomatiques pour l’ensemble de notre documentation — y compris pour la « longue traîne » d’API spécialisées — n’est simplement pas imaginable.

Notre solution repose sur un système agentique qui automatise l’intégralité du cycle de vie d’un exemple de code destiné à notre documentation. Ce workflow automatisé est ancré sur l’ultime source de vérité des API Google à savoir les essentielles définitions Protobuf (proto) hébergées dans les dépôts publics « googleapis ». Ainsi, nos exemples restent toujours fidèles à l’implémentation réelle et actualisée de l’API, sans risque d’erreurs ou d’écarts.

Le système fonctionne en trois étapes principales :

1 - Assemblage du prompt : Un agent prépare un prompt très détaillé en analysant la méthode API ciblée et en combinant un modèle de code « one-shot » avec les noms de méthodes, paramètres et documentations issus de sa définition officielle Protobuf. Cette approche structurée et fondée sur les données est essentielle : elle contraint le modèle, évite les hallucinations et garantit que le prompt repose dès le départ sur les détails factuels de l’API.

2 - Génération et affinage : Le prompt est ensuite transmis à Gemini pour générer un premier brouillon. Un autre agent « évaluateur » note ensuite l’exemple généré selon un barème rigoureux. Si le résultat est insuffisant, un retour précis est renvoyé au générateur afin d’obtenir une version améliorée. Ce « dialogue » automatisé entre agents imite un processus de relecture par les pairs, qui s’exécute à une vitesse et une échelle impossibles à atteindre manuellement.

3 - Tests automatisés : Une fois approuvé, l’exemple est déployé dans un environnement conteneurisé où il subit une batterie finale de tests : build/compilation, linting et exécution pour confirmer son bon fonctionnement. De quoi offrir un niveau de confiance permettant sa publication en toute sérénité et à grande échelle dans notre documentation.

Au cœur de notre approche se trouve un agent d’audit dopé à l’IA. Véritable contrôleur qualité, il passe chaque appel d’API au crible en le comparant à la documentation officielle, grâce à l’association de Gemini et Google Search. Résultat : chaque détail est vérifié en appui sur nos documentations publiques, assurant un standard de qualité uniforme pour tous les exemples, qu’ils soient écrits par des humains ou générés par l’IA.

L’avenir est augmenté : qualité et expertise à l’échelle

À mesure que nous montons en charge, ce niveau d’automatisation permet à nos experts humains de faire évoluer leur rôle. Ils se concentrent désormais sur l’amélioration des systèmes d’IA eux-mêmes, enquêtant sur les anomalies statistiques, effectuant des échantillonnages d'audit pour valider les évaluateurs IA, et affinant les modèles génératifs. Cette nouvelle approche valorise leur travail et garantit une qualité uniforme à une échelle que des humains seuls ne pourraient atteindre.

En automatisant la création de la documentation de base et du code qu’elle contient, nous libérons nos équipes pour qu’elles se consacrent à ce dont les développeurs ont le plus besoin : un contenu détaillé, orienté solutions, qui résout des problèmes complexes et concrets. Ce partenariat stratégique entre experts humains et agents IA est au cœur de notre approche. Il nous permet d’offrir une expérience développeur plus complète, précise et réactive, garantissant que, quel que soit votre projet sur Google Cloud, vous disposiez de la documentation et du code intégré nécessaires à votre réussite.