Qu'est-ce que Devin AI ? Fonctionnalités, benchmarks, tarification & guide de déploiement

TL;DR

Devin AI est un agent autonome d’ingénierie logicielle développé par Cognition, capable d’explorer des dépôts, de planifier des changements, d’écrire et de tester du code, et de préparer des pull requests. Contrairement aux outils d’autocomplétion basés sur l’éditeur, Devin peut inspecter un dépôt, modifier plusieurs fichiers, exécuter des commandes et des tests, et préparer une modification prête à être examinée.

En 2026, Devin s’est étendu au-delà de son agent cloud initial pour inclure Devin Cloud, Devin Desktop, Devin CLI et l’architecture Devin Fusion optimisée en coûts. Les utilisateurs peuvent commencer avec une formule gratuite, tandis que Pro débute à 20 $/mois. Le déploiement de Devin consiste généralement à connecter un dépôt, configurer un environnement d’exécution, définir des permissions et intégrer sa sortie dans un pipeline existant de revue et de déploiement.

Ce guide s’adresse aux développeurs et aux responsables techniques qui maîtrisent Git et les tests de base. Il explique les capacités de Devin et les éléments probants, puis montre comment exécuter un pilote borné sur un dépôt. Les exemples de commandes supposent un projet Python et un shell Bash.

Key Takeaways

• Devin prend en charge des workflows d’ingénierie multi-étapes, de l’exploration et l’implémentation du code jusqu’aux tests et à la préparation de pull requests.
• Devin propose des workflows hébergés et une exécution locale via CLI. CometAPI peut alimenter des agents personnalisés séparés ; ni une CLI locale ni une API de modèle ne reproduisent la plateforme propriétaire de Devin.
• Devin Fusion combine des modèles de pointe et des modèles plus petits afin de réduire les coûts d’exécution de l’agent tout en préservant des performances de codage compétitives.
• La tarification de Devin AI comprend Free, Pro (20 $/mois), Max (200 $/mois), Teams (minimum 80 $/mois, avec des sièges développeurs complets à 40 $/mois chacun, comptabilisés dans le minimum), et des offres Enterprise personnalisées.
• Le résultat SWE-bench original de 2024 à 13,86 % est un jalon historique, plutôt qu’un benchmark du Devin actuel.

What Is Devin AI?

Devin AI est une plateforme autonome d’ingénierie logicielle créée par Cognition. Présentée en mars 2024, Devin a été conçue pour aller au-delà des suggestions de code et réaliser des tâches d’ingénierie de bout en bout dans un environnement de développement contrôlé.

Un assistant de codage classique aide généralement les développeurs à écrire du code dans un éditeur. Devin peut prendre une mission à plus haut niveau, inspecter le dépôt, élaborer un plan, modifier plusieurs fichiers, exécuter des commandes et des tests, investiguer des défaillances, et produire une implémentation proposée pour revue humaine.

L’annonce originale de Devin par Cognition a démontré le débogage, la génération de code et la résolution de problèmes en plusieurs étapes. Des versions ultérieures ont introduit une planification interactive, l’exploration de dépôts, des environnements de développement collaboratifs et des workflows de déploiement flexibles.

Devin est une plateforme d’agents, pas un simple grand modèle de langage. Ses capacités proviennent du raisonnement des modèles combiné à l’accès aux outils, au contexte du dépôt, aux environnements d’exécution, à la planification et à la vérification.

Devin AI specifications at a glance

Les fenêtres de contexte des modèles et les spécifications des modèles sous-jacents individuels ne doivent pas être confondues avec des limites universelles du produit Devin.

Devin expose également une API REST pour l’automatisation de sessions et de workflows. Les périmètres Organization et Enterprise offrent des capacités et des exigences d’autorisations différentes ; l’accès à l’API de plateforme est distinct de l’achat d’une API de modèle.

How Does Devin AI Work?

Devin utilise une boucle d’exécution d’agent : interpréter les objectifs, planifier le travail, sélectionner les outils, inspecter la base de code, modifier des fichiers, exécuter des tests, évaluer les retours, et itérer. La sortie finale est généralement une pull request prête à être examinée, et non une mise en production automatiquement approuvée.

Workflow : Task / GitHub issue → Planning and model reasoning → Codebase search, terminal and browser actions → Validation and iteration → Pull request → Human review → CI/CD deployment.

From Repository Understanding to Pull Request

Devin commence par inspecter le dépôt, identifier les fichiers et dépendances pertinents, et élaborer un plan autour du résultat demandé. Il modifie ensuite le code, exécute des commandes et des tests, et investigue les défaillances. Le workflow culmine avec une pull request proposée contenant des changements et des résultats de validation pour revue humaine ; des tests réussis ne remplacent pas la vérification des exigences métiers.

Devin Fusion and multi-model orchestration

Devin Fusion combine un modèle de pointe avec un modèle support moins coûteux. Les décisions plus difficiles peuvent utiliser le modèle le plus performant, tandis que le codage de routine et l’exploration peuvent recourir à un modèle plus petit. Les économies varient selon la charge de travail.

La description officielle de Fusion attribue les décisions majeures et les modifications importantes au modèle principal, tandis que l’exploration, les lectures et les exécutions de tests sont traitées par un assistant moins cher.

What Are Devin AI’s Main Features?

Dans la pratique, des tâches bornées telles que des mises à jour de dépendances, des migrations répétables, des corrections ciblées de bugs, des ajouts de tests et de petits refactorings sont plus faciles à évaluer. Les résultats sont plus difficiles à juger lorsque les exigences métiers sont ambiguës ou que la réussite dépend de décisions de parties prenantes.

Who Should Use Devin AI?

Devin est particulièrement utile pour les développeurs et équipes d’ingénierie ayant un backlog défini, des dépôts accessibles et une personne disponible pour examiner les modifications résultantes. Les responsables techniques peuvent déléguer des tickets bornés, tandis que les mainteneurs peuvent utiliser un pilote pour évaluer si l’automatisation réduit le travail d’implémentation répétitif sans augmenter l’effort de revue.

De bonnes tâches de départ incluent des mises à jour de dépendances, de petits correctifs de bugs, des tests de régression, des mises à jour de documentation et des migrations répétables. Choisissez un travail avec des critères de réussite observables : un test en échec doit réussir, une route doit renvoyer la réponse attendue, ou une migration doit préserver le comportement existant. Gardez la première mission suffisamment petite pour qu’un reviewer puisse comprendre l’intégralité du diff.

Avant de commencer, fournissez l’accès au dépôt, les commandes d’installation et de test, la documentation pertinente, et des limites explicites. Identifiez les fichiers que l’agent peut modifier, les identifiants qu’il peut utiliser et les actions qui nécessitent une approbation. Confirmez que l’environnement peut reproduire le problème et que l’équipe peut inspecter les logs, les résultats de tests et les modifications proposées.

Les tâches avec des décisions produit non résolues, des critères d’acceptation flous ou des arbitrages architecturaux majeurs nécessitent d’abord une clarification humaine. Divisez des objectifs larges en étapes indépendamment testables, et conservez l’approbation humaine pour les mises en production. Évaluez le pilote selon les changements acceptés, la dépense totale, le temps de revue et les régressions, y compris les tentatives infructueuses. N’étendez que lorsque les résultats justifient la coordination supplémentaire et le coût opérationnel.

How Does Devin AI Perform on Coding Benchmarks?

La performance de Devin doit être évaluée séparément entre les résultats historiques de résolution d’issues et les mesures plus récentes d’efficacité des agents de bout en bout. Les benchmarks pour différentes versions, tâches et niveaux d’assistance ne sont pas interchangeables.

Devin’s original SWE-bench results

Dans l’évaluation de mars 2024 par Cognition, Devin a résolu 13,86 % de 570 issues SWE-bench échantillonnées sous une configuration d’agent autonome. Le baseline non assisté rapporté était de 1,96 %, tandis que le baseline assisté avec Claude 2 atteignait 4,80 %. Une expérience séparée sur 100 issues avec des tests ground truth a rapporté 23,00 %.

Ces chiffres sont des résultats historiques d’un setup d’évaluation spécifique et ne doivent pas être comparés directement aux classements actuels des agents de codage.

Le graphique de benchmark original de Cognition montre des résultats historiques avec des baselines assistés. Il est reproduit sans redessin ; les conditions diffèrent des évaluations d’agents d’aujourd’hui.

Ces résultats illustrent le développement précoce d’agents de navigation de dépôts et de débogage ; ils ne doivent pas servir à une comparaison de classement actuelle.

Devin Fusion performance in 2026

Les résultats suivants du Coding Agent Index 1.5 sont affichés par Cognition et attribués à des tests indépendants par Artificial Analysis. Les scores se réfèrent à des configurations d’agents, et les coûts à des exécutions complètes de benchmark, non à des prix par token d’API.

Les résultats publiés pour Fusion attribuent les mesures du Coding Agent Index 1.5 à Artificial Analysis. Ce sont des résultats externes rapportés, et non des tests réalisés pour cet article. Le résumé produit ne spécifie pas un environnement complètement reproductible, un budget d’exécution ou un nombre de répétitions ; le tableau soutient donc une comparaison limitée coût–score plutôt qu’un classement de performance universel.

L’association avec Fable 5.1 réduit le coût déclaré de 36,1 % avec une baisse de 0,5 point ; l’association avec Astra 6 réduit le coût de 39,2 % avec une baisse de 2,7 points. Les développeurs peuvent accéder séparément à l’API Claude Fable 5.1 dans CometAPI et à l’API GPT-6 Astra dans CometAPI. Ces routes d’API sont distinctes des configurations d’agent testées et n’héritent pas de leurs scores de benchmark.

Practical evaluation metrics

• Taux d’achèvement des tâches et taux de PR fusionnées
• Dépense de l’agent par changement accepté
• Temps de revue humaine et fréquence des corrections
• Taux de réussite des tests et régressions post-merge
• Lead time de bout en bout, du ticket au déploiement

Les scores de benchmark varient selon le modèle, la tâche, l’accès aux outils, la limite de temps et le setup d’évaluation. Les équipes doivent également suivre les changements acceptés, le temps de revue, le coût par changement accepté et les régressions post-merge.

Devin AI vs Claude Code vs Codex

Devin AI advantages

Devin convient aux organisations qui délèguent des issues bornées et collectent des modifications examinables via des processus d’ingénierie hébergés.

Interactive coding workflows

Claude Code et Codex conviennent souvent mieux au codage hautement interactif, à l’implémentation itérative, au débogage et à une direction étroite par le développeur.

Team selection criteria

Utilisez les mêmes tâches de dépôt et les mêmes garde-fous qualité pour évaluer les outils. Sélectionnez selon la qualité des changements fusionnés, la charge de revue, le coût et le lead time plutôt que selon un seul score de classement.

How Much Does Devin AI Cost in 2026?

Cognition a révisé la tarification en libre-service en avril 2026. Les offres distinguent les droits inclus de l’usage mesuré, et la dépense réelle dépend de l’activité.

L’offre Teams a un minimum mensuel de 80 $, chaque siège développeur complet coûtant 40 $ par mois. Les frais de siège comptent dans ce minimum plutôt que d’être toujours ajoutés au-dessus. Par exemple, deux sièges complets coûtent 80 $/mois, tandis que trois coûtent 120 $/mois. Des sièges flex gratuits sont également disponibles, leur usage étant prélevé sur des crédits à la demande partagés.

Selon la documentation Enterprise sur la facturation de Cognition, les clients Enterprise sont facturés en Agent Compute Units (ACU) à des tarifs spécifiques au contrat. En revanche, les offres en libre-service utilisent des quotas inclus et des frais en dollars pour l’usage additionnel. Les coûts réels dépendent de la sélection de modèle, de la complexité des tâches et de la consommation.

Total cost drivers

• Temps d’exécution de l’agent et reprises
• Configuration modèle de pointe versus Fusion
• Corrections humaines et temps de revue
• Infrastructure de tests, CI/CD et supervision

How to Deploy Devin AI: Step-by-Step Guide

Devin propose plusieurs moyens de démarrer ou superviser le travail : Cloud, Desktop, CLI, @Devin dans Slack ou Microsoft Teams, automations, et Review. Ce sont des interfaces et des workflows plutôt que des modèles d’hébergement interchangeables. Devin Mobile est un autre point d’accès : sa page officielle propose actuellement une liste d’attente pour un accès anticipé, avec des sessions exécutées dans le cloud. Le guide ci-dessous se concentre sur la configuration du dépôt pour Cloud et les workflows CLI locaux. L’exécution CLI locale n’implique pas un hébergement local de tous les services d’IA sous-jacents. Voir la présentation produit officielle et la documentation des workflows.

Step 1: Create a Devin account

Visitez le site officiel de Devin et sélectionnez l’offre disponible adaptée au pilote. Définissez les responsabilités d’autorisation et d’approbation avant de connecter des actifs de production.

Step 2: Connect a Git repository

Dans Settings > Connections, connectez votre fournisseur de contrôle de version et sélectionnez le dépôt que Devin peut accéder. Les administrateurs Enterprise doivent également accorder l’accès aux dépôts de l’organisation. Suivez la procédure officielle de configuration d’environnement et confirmez que Devin peut cloner le dépôt sélectionné avant d’assigner un changement.

Step 3: Prepare the development environment

Fournissez les instructions d’installation, de build, de test et de configuration d’environnement. Un exemple classique pour Python :

python -m venv .venv
source .venv/bin/activate
python -m pip install -r requirements.txt
python -m pytest tests/ -q

Ces commandes sont des exemples de projet, et non des commandes requises par le service Devin. La syntaxe d’activation sous Windows diffère.

Step 4: Give Devin a bounded task

Repository: example-org/customer-api
Task: Fix the incorrect HTTP status for a missing customer.
Requirements:
1. Find the endpoint and error handler.
2. Return 404 for missing records.
3. Preserve successful responses.
4. Add regression tests.
5. Run relevant tests.
6. Prepare a PR with a change summary.
Constraints: Do not modify the schema, credentials, or production deployment.
Completion: A reviewed PR with passing tests.

Step 5: Review the changes

Inspectez le diff, la sortie des tests, les mises à jour de dépendances et les hypothèses. Appliquez les mêmes vérifications de lint, d’intégration, de sécurité et de revue que pour les pull requests rédigées par des humains.

Step 6: Validate the PR and prepare a release

name: Validate Application
on:
  pull_request:
    branches: [main]
permissions:
  contents: read
jobs:
  test:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - uses: actions/setup-python@v5
        with:
          python-version: "3.12"
      - run: pip install -r requirements.txt
      - run: pytest tests/ -q

Cet exemple valide une pull request Python ; il ne réalise pas une mise en production. Utilisez une étape de release séparée, nécessitant une approbation, pour les déploiements en production, avec observabilité et mécanismes de rollback.

How to Install and Use Devin CLI Locally

Devin CLI fonctionne avec le dépôt et les outils locaux tout en utilisant les services Devin pris en charge. Il ne doit pas être décrit comme une publication auto-hébergée des poids propriétaires du modèle de Devin.

Vérifiez les scripts et la politique de votre organisation avant d’exécuter des installateurs distants.

Step 1: Install Devin CLI

Installez Devin CLI sur macOS ou Linux :

curl -fsSL https://cli.devin.ai/install.sh | bash

Step 2: Start a local session

cd ~/projects/my-app
devin

Terminez l’authentification lorsque vous y êtes invité.

Step 3: Plan before editing

/plan
Review authentication and propose a minimal expired-session fix.
Do not edit files until the plan is agreed.

Le mode /ask peut également aider pour une exploration en lecture seule.

Step 4: Run tests and inspect changes

Mettez en œuvre le plan approuvé, exécutez les tests et inspectez le diff git. Sélectionnez les contrôles de permission et d’approbation en fonction du risque du dépôt.

Step 5: Hand off to Devin Cloud

/handoff open a PR

La documentation Devin CLI couvre l’installation, l’authentification et le handoff vers le cloud. Un handoff réussi crée une session cloud ; vérifiez son statut avant de clôturer le travail local.

Which Devin AI Deployment Option Should You Choose?

Pour des besoins d’isolation stricte, confirmez les modalités de déploiement Enterprise avec Cognition plutôt que de supposer qu’un abonnement inclut une exécution entièrement auto-hébergée.

Can CometAPI Replace or Complement Devin AI?

Devin est une plateforme d’agent d’ingénierie gérée ; CometAPI fournit un accès API à des modèles d’IA pris en charge pour construire des applications personnalisées. Ce sont des produits distincts. Les développeurs peuvent créer des services spécialisés de revue de code ou de documentation de dépôt en utilisant des APIs de modèles sans reproduire le runtime propriétaire de Devin.

Les développeurs peuvent accéder à l’API Claude Fable 5 pour l’exemple ci-dessous. Il s’agit d’une requête de modèle qui retourne une suggestion de revue ; elle n’inspecte pas un dépôt, n’exécute pas des tests et ne crée pas une pull request par elle-même.

Step 1: Obtain a CometAPI key

Créez des identifiants et stockez-les dans des variables d’environnement, pas dans le code source.

Step 2: Install the Python client

python -m pip install --upgrade openai
export COMETAPI_KEY="your_api_key"

Step 3: Request a code review

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["COMETAPI_KEY"],
    base_url="https://api.cometapi.com/v1",
)

response = client.chat.completions.create(
    model="claude-fable-5",
    messages=[
        {"role": "system", "content": "You review code and propose minimal fixes."},
        {"role": "user", "content": "Review: def divide(a,b): return a/b; suggest tests."},
    ],
)
print(response.choices[0].message.content)

L’exemple utilise l’ID de modèle claude-fable-5 documenté et la route compatible OpenAI chat-completions. Il requiert un compte CometAPI activé, une clé valide et du crédit disponible. Une requête réussie imprime un texte de revue ; inspectez ce texte et écrivez et exécutez des tests séparément. Un agent autonome a en plus besoin de retrieval, d’outils d’exécution, d’un état persistant et de contrôles de permissions.

CometAPI prend en charge les APIs OpenAI-compatibles Chat Completions et Responses. Chat Completions utilise messages, tandis que Responses propose une entrée multimodale, du raisonnement, des sorties structurées, le streaming, la recherche web, et des outils de fonctions. Le support exact dépend du modèle sélectionné.

What Are the Limitations of Devin AI?

Task Ambiguity and Scope Control

Un agent peut produire un code plausible tout en malcomprenant le comportement métier voulu. Des missions larges encouragent également des tentatives répétées, une expansion du périmètre, et des changements difficiles à examiner. Définissez des critères d’acceptation, fournissez le contexte pertinent, et divisez les grandes tâches en lots de travail petits et testables. Fixez des limites sur les fichiers et le temps, inspectez les progrès aux jalons convenus, et arrêtez-vous pour clarifier les exigences quand le résultat demandé reste ambigu.

Production security

Les agents peuvent interagir avec des fichiers, des secrets, des services et des commandes. Appliquez le principe du moindre privilège, l’isolation et des points de contrôle d’approbation.

Cost variability

La durée des sessions, les reprises, le choix de modèle et la validation influencent la dépense. Fixez des budgets et surveillez les résultats.

Human accountability

Les équipes restent responsables de l’architecture, de la sécurité, de la conformité, de la correction métier et des mises en production.

Conclusion

Devin AI a évolué en une plateforme d’ingénierie couvrant des agents hébergés, une CLI locale, des workflows collaboratifs et une optimisation de coûts multi-modèles. Sa valeur la plus claire se situe dans des tâches bornées et vérifiables comme des corrections de bugs, des migrations, des tests et la préparation de pull requests.

Les résultats Fusion suggèrent que l’orchestration de modèles peut améliorer l’efficacité des coûts, mais les économies n’éliminent pas les tests et la revue. Commencez par un pilote limité sur un dépôt, mesurez les résultats acceptés, et n’étendez que lorsque le débit d’ingénierie s’améliore. Les développeurs ayant besoin d’une automatisation personnalisée peuvent explorer séparément les modèles pris en charge par CometAPI.

FAQ

Why can Devin not see a connected repository?

Une connexion seule peut ne pas accorder l’accès à l’organisation cible. Pour les configurations Enterprise, un administrateur doit assigner les dépôts à l’organisation avant la configuration de l’environnement. Vérifiez les permissions de l’organisation et du dépôt sélectionnés, puis confirmez qu’une nouvelle session peut cloner le dépôt. Le guide de configuration d’environnement sépare ces étapes d’accès.

Will a Devin session change the next session’s environment?

Les changements de session ne mettent pas automatiquement à jour l’instantané d’environnement sauvegardé. Considérez une installation ad hoc comme temporaire jusqu’à ce que la configuration de l’environnement soit mise à jour et qu’un nouvel instantané soit construit. Si des sessions répétées échouent sur la même dépendance manquante, corrigez le blueprint plutôt que de l’installer à répétition dans des prompts de tâche.

How should teams measure a Devin pilot with failed tasks?

Utilisez toutes les tâches assignées comme dénominateur, y compris les échecs et les tentatives abandonnées. Suivez séparément les changements acceptés, la dépense totale de l’agent et les minutes de revue humaine. Comparez des tâches de difficulté similaire, et consignez pourquoi chaque tentative a échoué ; exclure des sessions infructueuses peut rendre le coût par changement accepté artificiellement bas.

How can a custom API review avoid exposing private code?

Envoyez l’extrait de code le plus petit répondant à la question de revue, retirez les identifiants et les données personnelles, et imposez des vérifications d’accès au dépôt avant la récupération. Confirmez les conditions de gestion des données du fournisseur sélectionné avant d’envoyer du code propriétaire. Une application personnalisée doit elle-même appliquer ces contrôles ; une clé d’API de modèle ne fournit pas d’autorisation de dépôt.