Nissan a fait passer l'ingénierie native pour l'IA du projet pilote à 34 cas d'utilisation en quelques mois

Les véhicules modernes contiennent des millions de lignes de code. Micrologiciels d'ECU critiques pour la sécurité, services connectés au nuage, plateformes d'analytique : le logiciel qui s'exécute dans une voiture aujourd'hui rivalise avec la complexité de systèmes d'entreprise qui ont mis des décennies à être créés. Pour Nissan Technical Center North America, la division de recherche et développement de Nissan North America, le volume et la complexité des logiciels continuaient de croître dans l'ensemble des plateformes de véhicules, et il fallait trouver de nouvelles façons d'aider les ingénieurs à travailler plus efficacement tout en maintenant la qualité et la gouvernance.

Avant d'écrire une seule ligne de code, les ingénieurs travaillaient dans plusieurs dépôts et avec des normes de programmation qui exigeaient une importante collecte de contexte avant que le développement puisse commencer. Les exigences consignées dans les documents de conception nécessitaient une interprétation manuelle et des activités de configuration de projet avant le début du développement. Les nouveaux ingénieurs qui se joignaient aux projets devaient compter des semaines d'intégration uniquement pour assimiler les conventions du code source et les patrons d'architecture. Au sein d'une organisation de développement connectée à l'échelle mondiale, présente aux États-Unis, au Mexique, au Japon, en Inde et dans d'autres régions, les équipes collaborent pour livrer un vaste éventail de plateformes logicielles et de solutions d'entreprise. Compte tenu de la taille et de la complexité de cet écosystème, même de petits gains d'efficacité par développeur peuvent se traduire par d'importantes améliorations de productivité dans l'ensemble de l'organisation.

L'équipe avait besoin d'un moyen d'accélérer la livraison sans sacrifier la rigueur d'ingénierie. Dans le logiciel automobile, la qualité et l'exactitude demeurent des attentes fondamentales.

Trouver le bon outil pour une culture d'ingénierie

Au début de 2026, NTCNA a évalué plusieurs assistants de programmation par IA. L'équipe avait vu ce que l'IA générative pouvait faire pour la simple autocomplétion. Ce n'était pas ce qu'elle cherchait. Elle a posé une autre question : l'IA peut-elle aider nos ingénieurs à créer le bon code à partir de spécifications, tout en appliquant automatiquement nos normes, avec la gouvernance d'entreprise dont nous avons besoin à grande échelle?

Ce qui distinguait Kiro, c'était une combinaison de trois facteurs qui correspondaient directement à la façon dont NTCNA travaillait déjà.

• Développement axé sur les Specs, la capacité de définir les exigences dans des fichiers de fonctionnalités structurés et d'utiliser des documents de Steering pour encoder les normes organisationnelles : cela résonnait dans une culture d'ingénierie où la traçabilité est un prérequis.
• Contrôles d'entreprise et sécurité des données, avec une gouvernance centralisée offrant une visibilité complète sur l'utilisation, les tendances d'adoption et la conformité : pour une entreprise automobile mondiale qui gère de la propriété intellectuelle sensible, c'était non négociable.
• Un coût prévisible, combiné à la gouvernance d'entreprise, à la sécurité et à la visibilité, a procuré la confiance nécessaire pour soutenir une adoption plus large du développement assisté par l'IA.

Les capacités de Kiro en matière de transparence de l'utilisation, d'auditabilité, de gestion des modèles, de supervision des intégrations et d'accompagnement contextuel ont aidé à démontrer une approche évolutive, alignée sur les exigences de Nissan. Avec l'équipe Kiro, Nissan a établi les bases pour étendre le développement propulsé par l'IA de manière responsable, sécurisée et soucieuse des coûts.

Un déploiement réfléchi, pas précipité

NTCNA a suivi une approche par étapes, en validant les résultats avant d'étendre le déploiement.

Le projet pilote a été lancé avec 70 utilisateurs représentant plusieurs fonctions d'ingénierie, dont la conception de véhicules, les essais, la validation, le développement logiciel, l'analytique et l'administration de l'ingénierie. Les ingénieurs ont travaillé sur de vrais scénarios tirés de leur propre code source lors de séances de formation pratique et d'Office Hours hebdomadaires avec l'équipe Kiro. Ces séances ont créé une boucle de rétroaction continue : les ingénieurs apportaient leurs défis quotidiens et les traduisaient en collaboration en flux de travail Kiro efficaces, développant des réflexes plutôt qu'une simple familiarité avec l'outil.

L'objectif n'était pas simplement d'évaluer le code généré par l'IA. Il s'agissait de déterminer où le développement assisté par l'IA pouvait accélérer les flux de travail d'ingénierie sans compromettre la qualité, la gouvernance ou la sécurité.

À mesure que les ingénieurs gagnaient en confiance, l'adoption s'est étendue rapidement au-delà du développement logiciel traditionnel. Les équipes ont appliqué Kiro pour :

• Automatiser les flux de travail de rendu de CAO
• Moderniser les outils d'analyse MATLAB et Python
• Accélérer l'automatisation des essais de véhicules
• Créer des plateformes d'analytique internes
• Automatiser la gestion de la configuration
• Créer des assistants de connaissances en ingénierie propulsés par l'IA
• Simplifier le traitement de données dans l'ensemble des programmes de développement de véhicules

Les participants au projet pilote sont devenus des ambassadeurs de Kiro, favorisant la sensibilisation, l'adoption et le partage de pratiques exemplaires entre les entités de Nissan. Le succès du projet pilote nord-américain a rapidement été mis à profit dans l'ensemble de l'organisation mondiale, permettant à d'autres équipes de bénéficier de l'expérience et des approches éprouvées de NTCNA.

Le développement axé sur les Specs en pratique

Au cœur du flux de travail de NTCNA se trouve la programmation axée d'abord sur les spécifications. Un ingénieur rédige un fichier .feature structuré décrivant le comportement attendu. Kiro génère du code d'implémentation et les cas de test correspondants directement à partir du comportement et des scénarios définis. Les réviseurs de code peuvent ensuite se concentrer sur la logique d'affaires, les cas limites et les considérations de sécurité plutôt que sur les problèmes de style et de structure.

Les documents de Steering encodent les normes de programmation, les patrons d'architecture et les conventions de nommage de NTCNA. Lorsque Kiro génère ou suggère du code, il consulte automatiquement ces balises :

• Des conventions de nommage uniformes dans toute l'équipe de développement
• Des patrons normalisés de gestion des erreurs
• Des patrons de sécurité préapprouvés pour l'authentification et l'autorisation
• De la documentation générée automatiquement, conforme aux normes organisationnelles

L'équipe a développé des intégrations personnalisées qui reliaient Kiro à des outils d'ingénierie et à des sources de données approuvés. Les ingénieurs pouvaient exploiter le contexte pertinent directement dans leurs flux de travail, ce qui réduisait l'effort manuel et accélérait les activités d'ingénierie tout en maintenant les pratiques établies de révision et de gouvernance. En décrivant les exigences en langage naturel, les ingénieurs pouvaient générer du code, des ressources de test et des composants de flux de travail alignés sur les normes d'ingénierie établies. Par exemple, un ingénieur pouvait demander un cas de test à partir d'une exigence d'ingénierie ou générer une logique de validation à partir d'une exigence logicielle, ce qui permettait aux équipes de passer plus rapidement du concept à l'implémentation. Plutôt que de recueillir manuellement de l'information dans plusieurs systèmes ou de créer du code répétitif à partir de zéro, les ingénieurs ont pu utiliser le développement assisté par l'IA pour accélérer la livraison tout en maintenant la qualité, l'uniformité et la rigueur d'ingénierie.

Remarque : le code généré par l'IA est toujours révisé par des ingénieurs qualifiés avant le déploiement. Pour les systèmes de véhicule critiques pour la sécurité, NTCNA maintient des processus de révision rigoureux avec intervention humaine.

Ce que révèlent les chiffres

En quelques mois, l'initiative a généré plus de 1 500 heures d'économies de temps par année, plus de $100,000 en évitement de coûts initial et plus de $1M en valeur d'affaires provenant du seul déploiement initial.

Deux projets illustrent l'ampleur de l'incidence.

Projet 1 : pipeline de données d'essais de véhicules

Les ingénieurs ont créé un pipeline interne de données d'essais de véhicules capable d'extraire les données de journal CAN, de les enrichir avec des métadonnées d'ingénierie et de les préparer pour l'analytique et les applications d'apprentissage automatique. La solution a été livrée en deux jours, évitant environ $12,000 en coûts de développement tout en fournissant une base évolutive pour les futurs travaux d'analytique.

Projet 2 : modernisation du traitement des données de conduite héritées

Un flux de travail hérité de traitement des données de conduite fondé sur Excel/VBA a été modernisé en une application fondée sur Python, avec validation de la qualité intégrée, prise en charge élargie des groupes motopropulseurs et déploiement simplifié. La solution a réduit l'effort de traitement d'environ 10x et permet d'économiser environ 150 heures par année, ce qui représente environ $1M en valeur de productivité annuelle.

Comment le travail a changé

Le changement est allé au-delà de la simple vitesse. Les ingénieurs ont commencé à utiliser Kiro pour moderniser les flux de travail hérités, prototyper rapidement des solutions et réduire la dépendance aux paquets externes lorsque c'était approprié.

À la mi-année, les ingénieurs avaient documenté 34 cas d'utilisation et créé plus de 25 outils internes, automatisations, assistants et accélérateurs de flux de travail. Plusieurs équipes ont développé des intégrations personnalisées fondées sur MCP, étendant Kiro à des systèmes d'ingénierie propriétaires et à des flux de travail automobiles spécialisés.

Un cadre reproductible, pas un succès isolé

Le succès de NTCNA ne reposait pas sur un seul projet. L'organisation a établi un modèle d'adoption reproductible fondé sur :

• La gouvernance d'entreprise et les contrôles de sécurité
• Une formation et une intégration structurées
• Des pratiques de développement axées sur les spécifications
• Des documents de Steering et des normes organisationnelles réutilisables
• Des intégrations activées par MCP pour les flux de travail propres à un domaine
• Le partage communautaire des cas d'utilisation réussis

Ce cadre a permis au savoir de se diffuser au-delà des équipes individuelles et a créé une base pour une adoption plus large en ingénierie. L'élan s'étend maintenant à l'échelle mondiale, d'autres régions de Nissan évaluant l'adoption à partir du guide de NTCNA.

Ce qui vient ensuite

L'équipe explore une intégration plus poussée dans l'ensemble de l'organisation d'ingénierie :

• Des architectures agentives et l'orchestration multiagent pour les flux de travail logiciels complexes de véhicules
• L'intégration du pipeline CI/CD au moyen du mode Kiro Headless
• Des agents conçus expressément pour la documentation de conformité réglementaire et la génération de tests
• Un écosystème MCP élargi reliant les agents d'IA aux plateformes d'ingénierie approuvées et aux dépôts de connaissances

Pour NTCNA, la question n'est plus « Devrions-nous utiliser l'IA en développement? », mais « Comment continuer d'étendre l'ingénierie assistée par l'IA là où elle apporte le plus de valeur? »