L’état de Python en 2025
Ceci est un article de notre invité Michael Kennedy, le fondateur de Talk Python, également membre de la PSF.

Bienvenue dans cet article sur les principaux points, tendances et mesures essentiels de la huitième enquête annuelle sur les développeurs Python. Cette enquête est menée dans le cadre d’un travail collaboratif entre la Python Software Foundation et l’équipe PyCharm de JetBrains.
Je m’appelle Michael Kennedy, et j’ai analysé les plus de 30 000 réponses à l’enquête pour en tirer les tendances et les prédictions les plus significatives. J’ai également identifié plusieurs mesures à prendre pour améliorer votre carrière en Python.
J’occupe une position unique en tant qu’animateur du podcast Talk Python to Me. Chaque semaine depuis 10 ans, j’interviewe les personnes à l’origine de certaines des bibliothèques et tendances les plus importantes de l’écosystème Python. Dans cet article, mon objectif est d’utiliser cette expérience communautaire élargie pour comprendre les résultats de cette importante enquête annuelle.
Si votre travail, vos produits ou vos services dépendent de Python, ou des développeurs plus largement, cet article vous sera utile. Il fournit beaucoup d’informations qu’il vous sera difficile de trouver ailleurs.
Principales tendances de Python en 2025
Plongeons-nous dans les tendances les plus importantes qu’indiquent les résultats de l’enquête Python.

Note: L’état de Python en 2025
D’après les réponses à l’enquête de plus de 30 000 développeurs Python.
* 50 % des développeurs Python ont moins de 2 ans d’expérience professionnelle
* 51 % utilisent Python pour l’exploration et le traitement des données
* 46 % utilisent Python pour le développement web
* L’utilisation de FastAPI est passée de 29 % à 38 % en un an
* 83 % utilisent encore d’anciennes versions de Python
* 1 sur 3 contribue aux logiciels open source :
✔️ 78 % écrivent du code
✔️ 40 % rédigent de la documentation
* Les serveurs web adoptent des outils asynchrones basés sur Rust
Quelle direction prend Python ?
* 69 % prévoient d’essayer des agents de programmation IA. L’adoption de l’IA agentique va croître rapidement
* Le threading parallèle arrive dans Python 3.14. Async, await et threading sont essentiels
* Les interfaces graphiques et le développement mobile sont en plein essor
Idées concrètes pour 2025
✔️ Essayez l’IA agentique pour augmenter votre productivité
✔️ Apprenez à utiliser uv pour accélérer la gestion des paquets
✔️ Adaptez le contenu et les outils aux novices
L’enquête sur les développeurs Python est un effort conjoint de la Python Software Foundation et de JetBrains PyCharm.
Dans le cadre de votre exploration de ces informations, disposer des bons outils pour vos projets peut faire toute la différence. Essayez PyCharm gratuitement pour bénéficier de tout le nécessaire pour la science des données, les workflows ML/IA et le développement web dans un puissant IDE Python.
Les fans de Python utilisent Python
Commençons par parler de l’importance de Python pour les personnes qui l’utilisent. Les fans de Python utilisent principalement Python. Cela peut sembler une évidence absolue. Mais les développeurs utilisent de nombreux langages en plus de leur langage principal. Par exemple, les développeurs web peuvent utiliser principalement Python, C# ou Java, mais également CSS, HTML et même JavaScript.
D’autre part, les développeurs qui travaillent principalement avec Node.js ou Deno utilisent également JavaScript, mais pas comme langage principal.
L’enquête montre que 86 % des personnes interrogées utilisent Python comme langage principal pour écrire des programmes informatiques, créer des applications, créer des API, etc.

Note: Utilisation générale de Python : principal vs. secondaire
* Secondaire 14 %
* Principal 86 %
Nous sommes pour la plupart de nouveaux programmeurs
Pour ceux d’entre nous qui programment depuis longtemps (je m’inclus dans cette catégorie, comme j’écris du code depuis près de 30 ans maintenant), il est facile d’imaginer que la plupart des gens dans l’industrie ont une expérience conséquente. C’est une supposition parfaitement raisonnable. Vous allez à des conférences et vous parlez avec des gens qui font de la programmation depuis 10 ou 20 ans. Vous regardez vos collègues, et beaucoup d’entre eux utilisent Python et programment depuis longtemps.
Mais ce n’est pas à cela que ressemble l’écosystème Python au sens large.
Précisément 50 % des personnes interrogées ont moins de deux ans d’expérience professionnelle en programmation ! Et 39 % ont moins de deux ans d’expérience avec Python (même dans un cadre amateur ou éducatif).

Note: Combien d’années d’expérience professionnelle en programmation avez-vous ?
* Moins de 1 an 31 %
* 1 à 2 ans 19 %
* 3 à 5 ans 20 %
* 6 à 10 ans 13 %
* 11 ans et + 17 %
Ce résultat réaffirme que Python est un excellent langage pour les personnes en début de carrière. La syntaxe simple (mais pas simpliste) et l’accessibilité s’avèrent vraiment convaincantes pour les nouveaux programmeurs comme pour les plus chevronnés. Beaucoup d’entre nous aiment la programmation et Python, et sont heureux de partager cela avec les nouveaux membres de notre communauté.
Cet élément devrait toutefois nous inciter à tenir compte de ces données démographiques lorsque nous créons du contenu pour la communauté. Si vous créez un tutoriel ou une démonstration vidéo, ne lésinez pas sur les étapes pour aider les gens à démarrer. Par exemple, ne vous contentez pas de leur dire d’installer le paquet. Dites-leur qu’ils doivent créer un environnement virtuel et montrez-leur comment le faire et comment l’activer. Guidez-les pour l’installation du paquet dans cet environnement virtuel.
Si vous êtes un fournisseur d’outils tel que JetBrains, vous voudrez certainement garder à l’esprit que beaucoup de vos utilisateurs seront assez novices en programmation et en Python lui-même. Cela ne signifie pas que vous devez ignorer les fonctionnalités avancées ou réduire les fonctionnalités de vos produits, mais ne compliquez pas non plus leur adoption par des débutants.
La science des données représente désormais plus de la moitié de l’ensemble de Python
Cette année, 51 % de tous les développeurs Python interrogés sont impliqués dans l’exploration et le traitement des données. pandas et NumPy sont les outils les plus couramment utilisés pour cela.
Beaucoup d’entre nous, experts de Python, ont parlé de Python selon cette répartition par tiers : un tiers de développement web, un tiers de science des données et de science pure, et un tiers un peu fourre-tout.
Nous devons repenser ce positionnement maintenant que l’un de ces tiers est de loin la partie la plus importante de Python.
Replaçons-nous également dans le contexte non seulement d’un boom massif de l’intérêt actuel pour les données et l’IA, mais aussi d’une explosion correspondante du développement d’outils avec lesquels travailler dans cet univers. On trouve des outils de traitement de données comme Polars, de nouvelles façons de travailler avec des notebooks comme Marimo, et un grand nombre de paquets conviviaux pour travailler avec des LLM, des modèles de vision et des agents (par exemple Transformers, Diffusers, smolagents, LangChain/LangGraph, LlamaIndex).
Le centre de gravité de Python s’est encore davantage incliné vers les données et l’IA.
La majorité utilise encore d’anciennes versions de Python malgré les avantages des nouvelles versions
L’enquête montre la répartition entre les versions les plus récentes et les plus anciennes de l’environnement d’exécution Python. Beaucoup d’entre nous (15 %) utilisent la toute dernière version publiée de Python, mais il nous arrive plus souvent d’utiliser une version vieille d’au moins un an (83 %).

Note: Quelle version de Python utilisez-vous ?
* Python 3.14 2 %
* Python 3.13 15 %
* Python 3.12 35 %
* Python 3.11 21 %
* Python 3.10 15 %
* Python 3.9 6 %
* Python 3.8 3 %
* Python 3.7 1 %
* Python 3.6 1 %
* Python 3.5 ou version antérieure 1 %
L’enquête indique également que beaucoup d’entre nous utilisent Docker et des conteneurs pour exécuter notre code, ce qui rend ce chiffre de 83 % (voire plus) encore plus surprenant. Avec les conteneurs, il suffit de choisir la dernière version de Python dans le conteneur. Comme tout est isolé, vous n’avez pas à vous soucier de ses interactions avec le reste du système, par exemple, le Python du système Linux. Nous pourrions nous attendre à ce que la conteneurisation offre plus de flexibilité et facilite notre transition vers la dernière version de Python.
Alors pourquoi les gens n’adoptent-ils pas la dernière version de Python ? Les résultats de l’enquête donnent deux raisons principales.
- La version que j’utilise répond à tous mes besoins (53 %)
- Je n’ai pas eu le temps de faire la mise à jour (25 %)
Les 83 % de développeurs qui utilisent d’anciennes versions de Python passent peut-être à côté de bien plus qu’ils ne le pensent. Ce n’est pas seulement qu’il leur manque certaines fonctionnalités du langage, comme le mot-clé except
, ou une amélioration mineure de la bibliothèque standard, comme tomllib
. Python 3.11, 3.12 et 3.13 apportent tous des avantages majeurs sur le plan des performances, et la version 3.14 qui arrive en inclura encore plus.
Ce qui est épatant, c’est que vous bénéficiez de ces avantages sans modifier votre code. Il vous suffit de choisir un environnement d’exécution plus récent et votre code s’exécute plus rapidement. CPython a été extrêmement bon en matière de rétrocompatibilité. La mise à niveau demande rarement un effort significatif. Regardons quelques chiffres.
48 % des gens utilisent actuellement Python 3.11. La mise à niveau vers la version 3.13 permettra d’exécuter leur code ~ 11 % plus vite de bout en bout et d’utiliser ~ 10-15 % de mémoire en moins.
S’ils font partie des 27 % qui utilisent encore la version 3.10 voire une plus ancienne encore, leur code bénéficiera d’une accélération de ~42 % (sans modification de code), et l’utilisation de la mémoire pourra chuter de ~20-30 % !
Alors peut-être qu’ils répondront quand même que « Eh bien, cette vitesse nous suffit. Nous n’avons pas beaucoup de trafic, etc. » Mais s’ils sont comme la plupart des moyennes et grandes entreprises, ils comprendront qu’il s’agit là d’un incroyable gaspillage de dépenses de calcul dans le cloud (avec les dommages environnementaux correspondants à l’énergie dépensée).
Les recherches montrent certaines estimations pour le cloud computing (spécifiquement basé sur le calcul) :
- Moyenne entreprise
- Facture annuelle totale d’AWS (médiane) : ~ 2,3 millions de dollars par an (vendr.com)
- Part d’EC2 (instance de calcul) (~ 50 à 70 % de cette facture) : 1,15 à 1,6 million de dollars par an (cloudlaya.com)
- Grande entreprise
- Facture annuelle totale d’AWS : ~ 24 à 36 millions de dollars par an (soit 2 à 3 millions de dollars par mois) (reddit.com)
- Part d’EC2 (~ 50-70 %) : 12-25 millions de dollars par an (cloudlaya.com)
Supposons qu’ils utilisent Python 3.10, cela représente respectivement 420 000 dollars et 5,6 millions de dollars d’économies (calculés comme 30 % du coût EC2).
Si votre entreprise se rend compte que vous brûlez 0,4 à 5 millions de dollars de plus par an parce que vous n’avez pas pris la journée nécessaire à la mise à niveau, vous risquez d’avoir une conversation difficile.
Au-delà des aspects financiers et environnementaux, c’est vraiment génial de pouvoir adopter les dernières fonctionnalités du langage et d’être en phase avec le travail important des développeurs principaux. Faites de la mise à niveau une priorité, les amis.
Résurgence des développeurs web Python
Au cours des dernières années, nous avons entendu dire que l’importance du développement web dans l’univers Python diminuait. Deux forces puissantes pourraient être en jeu ici : 1) à mesure que de plus en plus de personnes intéressées par la science des données et l’IA se tournent vers Python, le pourcentage du nombre relativement statique de développeurs web diminue, et 2) le web continue d’être axé sur le frontend, et jusqu’à ce que Python devienne une réalité fonctionnelle dans le navigateur, les développeurs web préféreront probablement JavaScript.
Si l’on regarde les chiffres de 2021 à 2023, la tendance est clairement à la baisse : 45 % → 43 % → 42 %. Mais cette année, le web est de retour ! Les personnes interrogées ont déclaré que 46 % d’entre elles utilisaient Python pour le développement web en 2024. À l’appui de cette hypothèse, nous avons vu les langages web « secondaires » bondir en conséquence, avec une hausse de l’utilisation de HTML/CSS de 15 %, une hausse de l’utilisation de JavaScript de 14 % et une hausse de l’utilisation de SQL de 16 %.

Note: À quelles fins utilisez-vous Python ?
* Analyse des données
* Développement Web
* Machine Learning
Le plus grand gagnant des frameworks web Python a été FastAPI, qui est passé de 29 % à 38 % (soit une augmentation de 30 %). Bien que tous les principaux frameworks aient connu une croissance d’une année sur l’autre, le bond de près de 30 % de FastAPI est impressionnant. Je ne peux que spéculer sur les raisons de ce bond. Je pense que cette hausse de Python pour le web s’explique probablement en partie par un grand nombre de nouveaux arrivants dans l’univers Python. Beaucoup d’entre eux se situent du côté ML/IA/science des données, et ces personnes n’ont souvent pas des années d’expérience et d’histoire avec Flask ou Django. Elles choisissent probablement le plus populaire des frameworks web Python, et aujourd’hui il semble que ce soit FastAPI. De nombreuses personnes hébergent leurs modèles ML derrière des API FastAPI.

Note: Utilisation des frameworks web
* FastAPI
* Django
* Flask
L’utilisation de FastAPI est passée de 29 % à 38 % en un an
La tendance des frameworks web Python asynchrones se confirme également. Pour Talk Python, j’ai réécrit notre application web Python en Flask asynchrone (environ 10 000 lignes de Python). Django a régulièrement ajouté des fonctionnalités asynchrones, et sa prise en charge asynchrone est presque complète. Bien qu’aujourd’hui, dans la version 5.2, sa couche de base de données nécessite un peu plus de travail, comme le dit l’équipe : « Nous travaillons toujours sur la prise en charge asynchrone de l’ORM et d’autres parties de Django. »
Les serveurs web Python adoptent des outils asynchrones basés sur Rust
Il convient de mentionner brièvement que les serveurs d’applications de production hébergeant des applications web Python et des API sont également en train de changer. De manière anecdotique, je vois deux forces en jeu ici : 1) Le passage à des frameworks asynchrones nécessite des serveurs d’applications qui prennent en charge ASGI, et pas seulement WSGI et 2) Rust devient de plus en plus central dans l’exécution rapide du code Python (nous y reviendrons sous peu).
La plus grande perte dans ce domaine l’année dernière a été la disparition complète d’uWSGI. Nous avons même fait un podcast Python Bytes intitulé We Must Replace uWSGI With Something Else (Il faut remplacer uWSGI par autre chose), examinant cette situation en détail.
Nous avons également vu Gunicorn gérer moins de charge de travail asynchrone avec des serveurs natifs asynchrones tels que uvicorn et Hypercorn, qui sont capables de fonctionner indépendamment. De nouveaux serveurs basés sur Rust, tels que Granian, ont également convaincu un large public.
Rust est à présent notre moyen d’accélérer Python
Au cours des deux dernières années, Rust est devenu le copilote de la performance de Python. Le Python Language Summit de 2025 a révélé qu’« entre un quart et un tiers de tout le code natif téléchargé sur PyPI pour de nouveaux projets utilise Rust », indiquant que « les gens choisissent de démarrer de nouveaux projets en utilisant Rust ».
En examinant les résultats de l’enquête, nous constatons que l’utilisation de Rust est passée de 27 % à 33 % pour les extensions binaires des paquets Python.

Note: Langages pour créer des modules binaires pour Python
* C++
* C
* Rust
On le voit dans l’écosystème avec le succès de Polars pour la science des données et de Pydantic pour à peu près toutes les disciplines. Nous le constatons même pour les serveurs d’applications Python tels que le nouveau Granian.
Le Python typé bénéficie de meilleurs outils
Une autre grande tendance cette année est le Python typé. Vous avez probablement vu des informations de type Python dans les définitions de fonctions telles que :
def add(x: int, y: int) -> int: ...
Elles sont en Python depuis un certain temps maintenant. On voit toutefois un effort renouvelé pour populariser le Python typé et le rendre plus indulgent. Nous avons des outils tels que mypy depuis les premiers jours du typage, mais l’objectif concernait davantage la cohérence de l’ensemble du programme. Au cours des derniers mois, nous avons vu le lancement de deux nouveaux outils de typage haute performance :
- ty d’Astral : un vérificateur de type Python extrêmement rapide et un serveur de langage écrits en Rust.
- Pyrefly de Meta : un vérificateur de type Python plus rapide, écrit en Rust.
Tous deux sont en lice pour devenir la prochaine génération d’outils dédiés à la vérification de type. Ces deux outils fournissent également des protocoles de serveur de langage (LSP) extrêmement rapides.
Vous remarquez des similitudes ? Ils sont tous deux écrits en Rust, ce qui confirme notre constat précédent selon lequel « Rust est devenu le copilote de la performance de Python ».
Au fait, j’ai interviewé l’équipe à l’origine de ty lorsqu’il a été annoncé il y a quelques semaines si vous voulez plonger plus profondément dans ce projet.
Le code et la documentation représentent la plus grande partie des contributions open source
De nombreux moyens permettent de contribuer à l’open source. La première chose qui vient à l’esprit de la plupart des gens lorsqu’on parle d’un contributeur, c’est probablement quelqu’un qui écrit du code et ajoute une nouvelle fonctionnalité à ce projet. Il existe toutefois des moyens moins visibles, mais tout aussi importants, d’apporter une contribution, tels que le tri des problèmes ou l’examen des requêtes d’extraction.
Alors, quelle partie de la communauté a contribué à l’open source, et par quels moyens ?
L’enquête nous apprend qu’un tiers des développeurs ont contribué à l’open source. Cela se manifeste principalement sous forme d’ajouts de code ou de documentation et de tutoriels.

Note: Au cours de l’année dernière, comment décririez-vous vos contributions à l’open source ?
* Code 78 %
* Documentation, exemples ou contenu pédagogique 40 %
* Mainteneur, gouvernance ou leadership 35 %
* Tests 33 %
La documentation reste la principale ressource
Où vous formez-vous généralement en tant que développeur ou scientifique des données ? Les participants déclarent que la documentation est leur principale ressource. De nombreux moyens permettent d’apprendre les langages et les bibliothèques, mais les gens préfèrent la documentation. C’est une bonne nouvelle pour les mainteneurs de l’open source. Cela signifie que l’effort consacré à la documentation (et aux tutoriels intégrés) est entièrement justifié. Il s’agit d’un moyen clair et simple d’améliorer l’expérience des utilisateurs avec votre projet.
Cela correspond également aux tendances abordées dans Developer Trends in 2025, un épisode de podcast que j’ai réalisé avec un panel de développeurs Python expérimentés, dont Paul Everitt de JetBrains. Les panélistes s’accordent tous à dire que la documentation est la principale ressource, bien que l’enquête ait classé YouTube beaucoup plus haut que les panélistes, à 51 %. N’oubliez pas que notre communauté a en moyenne 1 à 2 ans d’expérience, et 45 % d’entre ses membres ont moins de 30 ans.
Un puissant nouvel acteur est la suite d’outils d’IA dont nous avons tous entendu parler (et que beaucoup d’entre nous utilisent). Les outils d’IA, en tant que source d’apprentissage, sont passés de 19 % à 27 % (en hausse de 42 % d’une année sur l’autre) !
Postgres règne en maître sur les bases de données pour les Pythonistes
Lorsqu’on leur a demandé quelle base de données les participants avaient choisie (le cas échéant), ils ont massivement répondu PostgreSQL. PostgreSQL est le roi des bases de données Python, et il affiche une saine croissance, passant de 43 % à 49 %. Cela correspond à une hausse de 14 % d’une année sur l’autre, remarquable pour un projet open source vieux de 28 ans.

Note: Quelles bases de données utilisez-vous ?
* PostgresSQL
* SQLite
* MySQL
Ici, un détail intéressant, au-delà de l’utilisation intensive de Postgres, est que chaque base de données du top six a vu son utilisation augmenter d’année en année. C’est probablement un autre indicateur de la reprise de croissance du développement web, comme nous l’avons vu ci-dessus.
Tendances à venir
L’IA agentique fera rage
Ma première prédiction de tendance à venir est que l’IA agentique va révolutionner la programmation. L’IA agentique est souvent citée comme un outil de vibe coding, aussi décrié qu’apprécié. Cependant, le vibe coding occulte la productivité remarquable des outils d’IA agentique lorsqu’ils sont utilisés aux côtés d’un ingénieur ou d’un scientifique des données talentueux.
Des sondages, en dehors de l’enquête de la PSF, indiquent qu’environ 70 % des développeurs utilisaient ou prévoyaient d’utiliser des outils de programmation IA en 2023, et en 2024, environ 44 % des développeurs professionnels les utilisaient quotidiennement.
Le rapport JetBrains sur l’état de l’écosystème des développeurs en 2023 a noté qu’en quelques années, « les outils de génération de code basés sur l’IA sont passés d’un sujet de recherche intéressant à un outil important pour de nombreux développeurs. ». Revenons en 2025, et selon l’enquête sur l’état de l’écosystème des développeurs de 2025, près de la moitié des personnes interrogées (49 %) prévoient d’essayer des agents de programmation IA au cours de l’année à venir.

Note: Quelle est la probabilité que vous essayiez des agents de programmation IA dans les prochains mois ?
* Très probable 49 %
* Assez probable 20 %
* Je ne sais pas 10 %
* Peu probable 4 %
* Très peu probable 6 %
* J’utilise déjà des agents de programmation IA 11 %
Les responsables de programmes de grandes entreprises technologiques ont déclaré ne pas vraiment pouvoir embaucher de développeurs qui n’adoptaient pas l’IA agentique. Le delta de productivité entre ceux qui l’utilisent et ceux qui l’évitent est tout simplement trop important (estimé à environ 30 % de productivité en plus avec l’IA).
Async
, await
et le threading deviennent essentiels à Python
L’avenir sera marqué par l’exécution concurrente en Python. Nous avons déjà discuté de l’évolution des frameworks web Python et des serveurs d’applications vers une exécution asynchrone, mais cela ne représente qu’une partie d’une tendance puissante.
Python 3.14 sera la première version de Python à prendre entièrement en charge le Python à threads libres. Le Python à threads libres, qui est une version de l’environnement d’exécution Python qui n’utilise pas le GIL (verrou de l’interpréteur global), a d’abord été ajouté à titre expérimental à CPython 3.13.
Pas plus tard que la semaine dernière, le conseil de pilotage et les développeurs principaux ont officiellement accepté que cela devienne une partie permanente du langage et de l’environnement d’exécution. Cela aura des conséquences d’une portée considérable. Les développeurs et les scientifiques des données devront réfléchir plus attentivement au code threadé avec des verrous, aux conditions de concurrence et aux avantages de performances qui en découlent. Les mainteneurs de paquets, en particulier ceux qui ont des extensions de code natif, peuvent devoir réécrire une partie de leur code pour prendre en charge le Python à threads libres afin de ne pas entrer eux-mêmes dans des conditions de concurrence et des blocages.
Il y a aussi un énorme avantage dans tout cela. J’écris actuellement ceci sur le moins cher des Apple Mac Mini M4. Cet ordinateur est livré avec 10 cœurs de CPU. Cela signifie que jusqu’à ce que ce changement se manifeste dans Python, les performances maximales que je peux obtenir d’un processus Python donné se limitent à 10 % des capacités réelles de ma machine. Une fois que le Python à threads libres fera pleinement partie de l’écosystème, je devrais me rapprocher beaucoup plus de ma capacité maximale avec un programme Python standard utilisant le threading et les mots-clés async et await.
Les mots-clés async
et await
ne sont pas que des outils pour les développeurs web qui souhaitent écrire plus de code simultané. On les trouve de plus en plus un peu partout. Parmi ces outils, j’ai récemment découvert Temporal. Ce programme exploite la boucle d’événements asyncio, mais remplace les astuces intelligentes de threading standard par une exécution durable à l’échelle de la machine. Vous pouvez simplement attendre une action (await), et en coulisses, vous obtenez une exécution durable qui survit aux redémarrages de la machine. Comprendre async
et await
deviendra donc de plus en plus important à mesure qu’un nombre croissant d’outils en feront un usage intéressant, à l’exemple de Temporal.
Je vois ici des parallèles avec la façon dont Pydantic a suscité l’intérêt de beaucoup plus de gens que prévu pour le typage Python.
Les interfaces graphiques Python et le mobile sont en plein essor
Ma dernière prédiction de tendance à venir est la hausse des interfaces graphiques Python et du Python sur mobile. Lorsque nous voyons les applications natives sur iOS et Android, nous ne pouvons que rêver d’utiliser Python pour les créer un jour prochain.
Lors du Python Language Summit 2025, Russell Keith-Magee a présenté son travail visant à prendre en charge au niveau 3 les plateformes iOS et Android pour CPython. Cela a été défini dans les PEP 730 et PEP 738. Il s’agit d’une condition nécessaire (mais pas suffisante) pour nous permettre d’écrire de véritables applications natives, pouvant être livrées dans les boutiques d’applications, à l’aide de Python.
Plus généralement, nous avons vu des idées intéressantes et de nouvelles approches des interfaces utilisateur pour Python. Jeremy Howard, de fast.ai, nous a présenté FastHTML, qui nous permet d’écrire des applications web modernes en Python pur. NiceGUI s’est imposé comme un excellent moyen d’écrire des applications web et des PWA en Python pur.
Je m’attends à ce que ces changements, en particulier ceux concernant le mobile, débloquent des cas d’utilisation puissants dont nous parlerons dans les années à venir.
Idées concrètes
Vous avez vu les résultats, mes interprétations et mes prédictions. Mais que pouvez-vous en faire concrètement ? Bien sûr, rien n’est obligatoire, mais je termine cet article avec quelques idées concrètes pour vous aider à surfer sur ces vagues technologiques et open source.
Voici six idées concrètes à mettre en pratique après avoir lu cet article. Choisissez celle que vous préférez parmi celles que vous n’exploitez pas encore, et voyez si cela peut vous aider à prospérer dans l’univers Python.
Mesure 1 : apprendre à utiliser uv
uv, cet incroyable outil de gestion de paquets et de Python, a fait un bond incroyable de 0 % à 11 % l’année de son inauguration (et cette croissance s’est manifestement poursuivie en 2025). Cet outil basé sur Rust unifie les capacités de la plupart des outils les plus importants dont vous avez peut-être déjà entendu parler, et ce, avec des performances et des fonctionnalités incroyables.
Avez-vous besoin de Python sur la machine ? Exécutez simplement uv venv
, et vous avez à la fois installé la dernière version stable et créé un environnement virtuel. Ce n’est que le début. Si vous voulez toute l’histoire, j’ai interviewé Charlie Marsh à propos de la deuxième génération d’uv sur Talk Python.
Si vous décidez d’installer uv, assurez-vous d’utiliser leurs installateurs autonomes. Il permet à uv de se gérer lui-même et de s’améliorer avec le temps.
Mesure 2 : utiliser la dernière version de Python
Nous avons vu que 83 % des participants à l’enquête n’utilisent pas la dernière version de Python. Ne soyez pas l’un d’entre eux. Utilisez un environnement virtuel ou un conteneur et installez la dernière version de Python. Le moyen le plus rapide et le plus simple de nos jours est d’utiliser uv, car cela n’affectera pas le Python du système et d’autres configurations (voir mesure 1 !).
Si vous déployez ou développez dans des conteneurs Docker, il vous suffit de configurer la dernière version de Python 3.13 et d’exécuter ces deux lignes :
RUN curl -LsSf https://astral.sh/uv/install.sh | sh RUN uv venv --python 3.13 /venv
Si vous développez localement dans des environnements virtuels (comme je le fais), supprimez simplement le mot-clé RUN
et utilisez uv pour créer cet environnement. Bien sûr, mettez à jour le numéro de version au fur et à mesure que de nouvelles versions majeures de Python sont publiées.
Cette mesure vous donne accès à tout le potentiel du Python moderne, allant des avantages de performances jusqu’aux fonctionnalités du langage.
Mesure 3 : apprendre l’IA agentique
Si vous faites partie des personnes qui n’ont pas encore essayé l’IA agentique, vous vous devez d’y jeter un œil. Je comprends pourquoi les gens évitent d’utiliser l’IA et les LLM. D’une part, la légalité autour des droits d’auteur est douteuse. Les dommages environnementaux sont réels, et la menace qui pèse sur les emplois et l’autonomie des développeurs ne doit pas être négligée. Mais les modèles de premier plan pour l’IA agentique, et pas seulement les chatbots, vous offrent un énorme gain de productivité.
Je ne recommande pas le vibe coding. Mais avez-vous déjà souhaité qu’une bibliothèque ou un paquet existe, ou peut-être qu’un outil en ligne de commande automatise une partie simple de votre travail ? Confiez cette tâche à une IA agentique : vous n’aurez pas à assumer de dette technique pour votre application principale et regagnerez une partie de votre journée. Votre productivité s’est considérablement améliorée.
L’autre erreur que font les gens est d’essayer en utilisant les modèles les moins chers possibles. Quand ils ne fonctionnent pas très bien, ils présentent cela comme une preuve et disent : « Vous voyez, ce n’est pas si utile. Le modèle invente des choses et se trompe. » Assurez-vous de choisir le meilleur modèle possible, et si vous voulez lui donner une vraie chance, dépensez 10 $ ou 20 $ pendant un mois pour voir ce qui est réellement possible.
JetBrains a récemment lancé Junie, un assistant de programmation agentique pour ses IDE. Si vous utilisez l’un d’entre eux, jetez-y un coup d’œil.
Mesure 4 : apprendre à lire du Rust basique
Les développeurs Python devraient envisager d’apprendre les bases de Rust, non pas pour remplacer Python, mais pour le compléter. Comme je l’ai expliqué dans notre analyse, Rust gagne en importance dans les parties les plus significatives de l’écosystème Python. Je ne vous recommande certainement pas de devenir un développeur Rust plutôt qu’un Pythoniste, mais la capacité de lire un code basique en Rust afin de comprendre ce que font les bibliothèques que vous utilisez sera une compétence utile.
Mesure 5 : améliorez votre compréhension du threading
Pendant longtemps, les développeurs Python ont principalement travaillé en dehors du domaine du threading et de la programmation parallèle. Dans Python 3.6, les incroyables mots-clés async et await ont été ajoutés au langage. Cependant, ils ne s’appliquaient qu’à la concurrence liée aux E/S. Par exemple, si j’appelle un service web, je peux utiliser la bibliothèque HTTPX et attendre (await) cet appel. Ce type de concurrence permet principalement d’éviter les conditions de concurrence et ce genre de choses.
Maintenant, le véritable threading parallèle arrive dans Python. Avec la proposition PEP 703 officiellement et entièrement acceptée dans la version 3.14 de Python, nous devrons comprendre comment fonctionne le véritable threading. Cela impliquera de comprendre les verrous, les sémaphores et les mutex.
Ce sera un défi, mais aussi une excellente occasion d’augmenter considérablement les performances de Python.
Lors du Python Language Summit 2025, près d’un tiers des discussions ont porté sur la concurrence et le threading sous une forme ou une autre. Il s’agit certainement d’un signe des temps à venir.
Tous les programmes que vous écrivez n’impliqueront pas de concurrence ou de threading, mais ils seront suffisamment omniprésents pour qu’il soit important d’en avoir une compréhension fonctionnelle. J’ai écrit un cours sur async en Python si vous souhaitez en savoir plus à ce sujet. De plus, Cheuk Ting Ho de JetBrains a écrit un excellent article intitulé Faster Python: Concurrency in async/await and threading (Accélérer Python : la concurrence dans async/await et le threading), qui vaut la peine d’être lu.
Mesure 6 : ne pas oublier les nouveaux
Ma dernière recommandation est de garder les choses accessibles pour les débutants, chaque fois que vous créez ou partagez. La moitié de la base de développeurs Python utilise Python depuis moins de deux ans, et la plupart d’entre eux programment tout court depuis moins de deux ans. Je suis encore ébahi par ce fait.
Ainsi, lorsque vous préparez des présentations ou conférences, que vous écrivez ou créez des paquets, des bibliothèques et des outils, n’oubliez pas que vous ne pouvez pas tabler sur des années de connaissances communes concernant l’utilisation de plusieurs fichiers Python, les environnements virtuels, l’épinglage de dépendances, etc.
Vous souhaitez en savoir plus ? Consultez ici les résultats complets de l’enquête auprès des développeurs Python.
Commencez à développer avec PyCharm
PyCharm fournit tout le nécessaire pour la science des données, les workflows ML/IA et le développement web, le tout dans un puissant IDE.