Assistants IA et X++ : ce qui marche, ce qui reste limité

Un assistant IA généraliste produit vite du X++ correct sur les modèles bien documentés : Chain of Command, classes SysOperation, états RDP, data entities, requêtes. Ses limites viennent moins du langage que du contexte : sans accès à votre code, il ignore vos extensions, préfixes, rôles et volumes ; sans compilateur ni BP check, il ne sait pas si son code compile ; sans environnement, il ne peut pas exécuter de tests. La valeur se joue donc dans ce qui entoure le modèle : le contexte qu'on lui donne et les contrôles qu'on applique ensuite.

• Les modèles répétitifs et documentés publiquement par Microsoft Learn : extension de table et de formulaire, Chain of Command, SysOperation, RDP/Contract, business events, actions OData.
• La rédaction de la spécification à partir d'une demande métier, et la liste des objets concernés.
• Les squelettes de tests SysTest et les cas limites à couvrir.
• L'explication d'un code existant, à condition de le fournir.

Voir par exemple batch SysOperation pas à pas ou rapport SSRS avec classes RDP et Contract : ce sont des schémas stables.

• Votre contexte : objets personnalisés, conventions, modèles et dépendances. Sans eux, le code est générique.
• La version : les API évoluent avec les mises à jour ; un modèle peut proposer une méthode dépréciée ou une signature inexistante.
• La vérification : compiler, passer le BP check, synchroniser la base et exécuter les tests demandent les outils Microsoft et un environnement.
• La sécurité et la performance : rôles à créer, volumes réels, index ; ce sont des décisions d'architecture.
• La responsabilité : la validation d'un développement reste humaine.

Microsoft documente d'ailleurs que, pour des agents qui agissent dans F&O, le choix du modèle d'orchestration change nettement la qualité des résultats : le modèle ne fait pas tout, l'outillage autour compte autant.

Donner le contexte (le code du dépôt, les conventions), outiller la vérification (compilation, BP check, tests) et garder une relecture par pull request. C'est ce que décrit notre checklist de relecture du X++ généré par IA et la chaîne de portes qualité.

Chez Skalp AI, l'agent génère le code X++ et ses tests unitaires, compile en contrôlant les bonnes pratiques, puis pousse une pull request dans le projet Azure DevOps du client avec les captures d'écran des tests. Rien n'arrive sur la branche de travail sans la relecture et la validation de la pull request par l'architecte technique du client. Pour la comparaison avec Copilot, voir Skalp AI vs Copilot pour D365 ; tarifs : offres Basic, Pro et Max (1 crédit, ≈ 400 € en Basic, 200 € en Pro, consommé seulement à la génération du code).

À lire aussi : développement X++ en 2026 : IA ou consultant et développement X++ par IA.

• Microsoft Learn, « Build an agent with Dynamics 365 ERP MCP », mise à jour du 05/03/2026, consultée le 18/10/2026.
• Microsoft Learn, « Customization Analysis Report (CAR) », mise à jour du 26/02/2026, consultée le 18/10/2026.
• Microsoft Learn, « Testing and validations », mise à jour du 29/04/2026, consultée le 18/10/2026.