GitHub a fait passer Code Quality de la préversion à la disponibilité générale, offrant aux équipes de développement un moyen automatisé de détecter les problèmes de maintenabilité et de fiabilité avant la fusion du code. L’outil est disponible sur GitHub Enterprise Cloud et GitHub Team — mais pas, au lancement, sur Enterprise Server auto-hébergé.

Le déterministe rencontre l’IA

Code Quality associe CodeQL, le moteur d’analyse statique déterministe de GitHub, à une détection assistée par IA pour faire remonter les problèmes directement dans les pull requests. L’idée repose sur cette combinaison : une analyse fondée sur des règles pour la précision, et l’IA pour signaler les problèmes plus diffus de maintenabilité et de fiabilité que les règles déterministes ne détectent pas — examinés au moment où le code est proposé, plutôt qu’après son déploiement.

Ce qui l’accompagne

La version GA comprend des tableaux de bord à l’échelle de l’organisation, des rapports de couverture de code issus de Cobertura XML affichés dans les pull requests, des quality gates appliqués via les rulesets de GitHub avec des seuils de couverture, des API REST pour activer des dépôts et récupérer les constats, ainsi que des suggestions Copilot Autofix — ces dernières étant disponibles sans abonnement Copilot distinct.

Le prix

Code Quality coûte 10 $ par contributeur actif et par mois — en comptant les développeurs actifs au cours des 90 derniers jours et en excluant les bots — plus une facturation à l’usage pour la détection alimentée par l’IA et Autofix, ainsi que pour le calcul Actions qui exécute les analyses CodeQL. Ce n’est pas un forfait fixe ; une utilisation intensive de l’IA alourdit la facture.

Les éléments avancés par GitHub

Pour étayer son argumentaire, GitHub cite sa propre utilisation interne : dans l’organisation d’ingénierie de GitHub, indique-t-il, les équipes résolvent 67,3 % des constats de Code Quality avant de fusionner les pull requests. Il s’agit d’un résultat interne et non d’un benchmark général client, mais il illustre le flux de travail visé — détecter les problèmes au moment de la revue, quand leur correction est la moins coûteuse, plutôt qu’en production.