Automatiser la revue de code avec un modèle d'IA local
Envoyer chaque merge request à un modèle en ligne pose deux questions : où part votre code, et combien de jetons coûte un gros diff. Un modèle exécuté sur votre propre machine y répond, à condition d'accepter ses limites. L'architecture type, et ce qu'elle ne fait pas.
Sommaire
La revue de code est l’une des tâches que l’IA aide le mieux. Elle est aussi l’une de celles qui posent le plus vite deux questions gênantes. Où part votre code quand vous l’envoyez à un service en ligne ? Et combien coûte la relecture d’une merge request de plusieurs dizaines de fichiers, quand chaque ligne du diff se compte en jetons ?
Un modèle exécuté sur votre propre machine répond aux deux. Il ne répond pas à tout, et c’est ce que cet article veut rendre clair : quand le local a du sens, à quoi ressemble l’architecture, et où sont ses limites.
Quand un modèle local a du sens
Trois situations font pencher la balance.
Le code est sensible. Logiciel embarqué chez des clients, algorithme qui fait la différence commerciale, clauses de confidentialité dans les contrats : il y a des bases de code qu’on préfère ne pas voir sortir du réseau. Nous avons détaillé ailleurs les enjeux d’héberger son IA en Europe ; un modèle local va un cran plus loin, puisque le calcul se fait sur une machine que vous possédez.
Les volumes sont gros et répétitifs. Une revue systématique de chaque merge request, ou une analyse de toute une branche avant fusion, consomme beaucoup de jetons. Sur un service facturé à l’usage, c’est ce volume qui pèse. Sur une machine déjà disponible, il ne se paie plus à chaque appel.
La tâche tolère un modèle moins puissant. Repérer les fichiers à risque, signaler un écart aux conventions, résumer un changement volumineux : ce premier passage n’exige pas le meilleur modèle du marché. Il exige de passer partout, à chaque fois.
À l’inverse, si votre équipe produit quelques petites merge requests par semaine et que le code n’a rien de confidentiel, un service en ligne reste plus simple. Le local n’est pas une doctrine, c’est un arbitrage.
L’architecture type, en quatre briques
1. Un déclencheur côté forge. GitLab peut envoyer un webhook à chaque événement de merge request : d’après sa documentation des événements, à la création, à la mise à jour, à l’ajout d’un commit sur la branche source, entre autres. Le déclenchement peut aussi être volontaire : l’ingénieur lance lui-même la revue quand il la juge utile, depuis son assistant de code.
2. Un orchestrateur. C’est lui qui enchaîne les étapes : récupérer le diff, le découper, interroger le modèle, assembler le rapport. n8n s’y prête bien. Il peut être auto-hébergé, sur votre infrastructure ou sur site, et propose un déclencheur GitLab qui écoute notamment les événements de merge request.
3. Un serveur de modèles. Ollama fait tourner des modèles ouverts sur une machine et les expose par une API locale, sans clé d’authentification pour les appels locaux. n8n dispose d’un nœud dédié à Ollama pour utiliser ces modèles locaux dans un workflow.
4. Un retour dans la forge. Le rapport n’a de valeur que là où l’ingénieur travaille. L’API des notes de GitLab permet de publier un commentaire directement sur la merge request. Pas de tableau de bord à consulter ailleurs, pas de courriel à retrouver.
Le point délicat est entre les briques 2 et 3 : le découpage. Un gros diff ne tient pas d’un bloc dans la fenêtre de contexte d’un modèle local. On le traite fichier par fichier, ou par groupe de fichiers liés, puis on consolide. C’est l’orchestrateur qui porte cette logique.
Le cas Stellar
En septembre 2026, lors de deux jours d’accompagnement chez Stellar, nous avons installé n8n et Ollama en auto-hébergé sur une machine du laboratoire de test. L’un des objectifs explicites était de réduire la consommation de jetons sur les tâches volumineuses, comme la revue de code et les tests.
Le flux construit a été utilisé sur une merge request de 99 fichiers. Claude Code déclenche le workflow n8n — lui-même construit avec Claude —, qui s’appuie sur un modèle Qwen 3.6 exécuté en local. Le résultat arrive dans GitLab en dix minutes. L’ingénieur garde la décision finale. Selon l’équipe, c’est « probablement près d’une demi-journée » de travail fastidieux évitée, comme l’a raconté Matthieu Sevestre, CPTO de Stellar, sur LinkedIn.
On y retrouve la répartition qui fonctionne : un assistant de code en ligne pour construire l’automatisation, un modèle local pour la tâche volumineuse et répétitive, et un humain pour trancher. Nous avons détaillé la façon dont ces deux jours ont été cadrés dans former une équipe technique sur ses vrais tickets.
Les limites, sans les maquiller
La qualité. Un modèle qui tient sur une machine de bureau ou de laboratoire raisonne en général moins finement qu’un grand modèle en ligne. Il signale plus de faux positifs, rate des subtilités. C’est acceptable pour un premier passage qui oriente l’attention ; ça ne l’est pas pour une revue qui ferait autorité.
Le matériel. La documentation d’Ollama indique que la longueur de contexte par défaut dépend de la mémoire vidéo disponible, et qu’augmenter cette longueur augmente la mémoire nécessaire pour faire tourner le modèle. Autrement dit, la taille des diffs que vous pourrez traiter d’un coup se décide à l’achat ou à l’affectation de la machine. On dimensionne à partir des merge requests réelles de l’équipe, pas d’une fiche technique.
L’exploitation. Un serveur de modèles et un orchestrateur auto-hébergés sont des services comme les autres : mises à jour, accès, supervision. Ce n’est pas lourd, mais il faut que quelqu’un en soit responsable.
La décision. C’est la limite qui ne se négocie pas. La revue automatisée signale, classe et résume. Elle n’approuve pas. Une merge request reste fusionnée par un ingénieur qui en assume le contenu ; le rapport lui dit simplement où regarder en premier.
Par où commencer
Choisissez une seule tâche, celle qui coûte le plus de temps pour le moins de valeur ajoutée : souvent la première lecture des grosses merge requests. Faites tourner le flux à côté de la revue humaine pendant quelques semaines, sans rien changer au processus, et comparez ce que chacun a vu. Vous saurez alors, sur vos propres diffs, si le modèle local mérite sa place — et à quel endroit précis.
C’est ce type de chantier que nous menons dans nos missions d’accompagnement IA : une automatisation branchée sur vos outils, mesurée sur vos cas, et laissée entre les mains de votre équipe.
Retrouvez nos articles en priorité dans vos résultats Google en nous ajoutant à vos sources préférées.
Ajouter aux sources préféréesQuestions fréquentes
Pourquoi utiliser un modèle local plutôt qu'un service en ligne pour la revue de code ?
Pour deux raisons principales. Le code ne quitte pas votre réseau, ce qui compte quand il porte un savoir-faire sensible ou des contraintes contractuelles. Et une revue systématique de gros diffs consomme beaucoup de jetons : sur une machine que vous possédez déjà, ce volume ne se paie plus à l'usage.
Quels outils faut-il pour automatiser une revue de code en local ?
Un déclencheur côté forge, par exemple un webhook GitLab sur les événements de merge request ou une commande lancée par l'ingénieur ; un orchestrateur comme n8n, auto-hébergeable ; un serveur de modèles comme Ollama, qui expose une API locale ; et l'API de la forge pour publier le résultat en commentaire sur la merge request.
Un modèle local est-il aussi bon qu'un grand modèle en ligne ?
En général non, pas sur toutes les tâches. Il suffit en revanche pour un premier passage systématique : repérer les fichiers à risque, signaler les écarts aux conventions, résumer un gros changement. Le raisonnement délicat reste l'affaire de l'ingénieur, éventuellement aidé d'un modèle plus puissant sur un périmètre restreint.
Quel matériel faut-il pour faire tourner un modèle de revue de code ?
Une machine avec suffisamment de mémoire vidéo pour le modèle choisi et pour la taille de contexte voulue. La documentation d'Ollama précise que la longueur de contexte par défaut dépend de la mémoire vidéo disponible, et qu'augmenter cette longueur augmente la mémoire nécessaire. Le dimensionnement se fait donc à partir des diffs réels de l'équipe.
La revue automatisée peut-elle approuver une merge request ?
Elle ne devrait pas. Son rôle est de signaler et de prioriser, pas de décider. L'approbation reste à un ingénieur qui sait où concentrer son attention grâce au rapport, mais qui assume la décision.