Réflexions sur le génie logiciel à l'ère de l'IA

L'intégration de l'IA dans le génie logiciel ne se réduit pas à une question d'efficacité productive. Elle reconfigure en profondeur les mécanismes cognitifs et professionnels sur lesquels repose le métier depuis des décennies. Le témoignage d'Andrew Diamond, ingénieur logiciel senior, illustre cette transformation à travers une observation personnelle et méthodique accumulée sur plusieurs mois de travail quotidien avec des assistants génératifs.

Avant l'IA, le développeur construisait mentalement la solution : choix des structures de données, arbitrages algorithmiques, anticipation des interactions entre composants, prise en compte des contraintes légales et des évolutions futures du produit. Ce travail de conception exigeait une immersion prolongée, propice à ce que le psychologue Mihaly Csikszentmihalyi a théorisé sous le nom d'état de flow — cet état d'absorption totale dans une tâche créative où la conscience du temps s'efface. Avec les outils génératifs comme Claude ou Codex, le développeur rédige un prompt, examine la sortie, corrige, soumet. Le rôle bascule de la création vers l'édition.

Diamond décrit l'IA comme un développeur junior ou intermédiaire compétent et rapide, mais dépourvu de la connaissance institutionnelle indispensable à haut niveau. Un modèle génératif ignore si le code produit viole une obligation réglementaire, si un appel à un service externe mettra dix millisecondes ou dix minutes, si la fonction nouvellement générée entre en conflit avec une future fonctionnalité déjà planifiée par l'équipe, ou si elle ouvre une faille de sécurité lorsqu'elle interagit avec du code existant gérant des données sensibles. Ce sont précisément ces angles morts qui justifient le maintien d'un regard humain expert — mais ce regard se dégrade lui-même avec le temps, faute d'exercice.

C'est l'un des constats les plus nets de l'article : plusieurs mois de supervision de code généré par IA ont rendu l'auteur, selon ses propres termes, "perceptiblement plus paresseux et moins compétent" en programmation. Le réflexe de déléguer au modèle une tâche complexe prend le pas sur l'effort de raisonnement autonome. Le seuil de tolérance à la difficulté cognitive s'abaisse. Ce phénomène n'est pas sans rappeler les discussions sur la dépendance aux GPS pour la navigation spatiale, ou sur l'atrophie de certaines compétences rédactionnelles avec la correction automatique.

L'analogie mobilisée par Diamond pour illustrer la situation du développeur est celle d'une romancière historique dont l'éditeur remplace l'écriture par une supervision d'étudiants productivement peu coûteux. Le flow créatif disparaît, remplacé par un travail d'édition systématique. La comparaison éclaire aussi l'écosystème de connaissance collective : les plateformes comme Stack Overflow, qui concentraient pendant des décennies les réponses construites laborieusement par des praticiens, se vident au profit des chatbots. Or ces chatbots ont précisément été entraînés sur ces données. La source se tarit, ce qui pourrait affecter la qualité des modèles futurs sur les questions techniques de pointe.

La question de la transmission des compétences pose un problème structurel à plus long terme. De nombreuses entreprises ont supprimé les postes de développeurs juniors, jugés redondants face aux outils génératifs. Mais les développeurs seniors de demain sont précisément ceux qui apprennent aujourd'hui à résoudre des problèmes complexes de façon autonome — ceux dont le périmètre dépasse la fenêtre de contexte de n'importe quel LLM actuel. Diamond cite l'exemple de la Marine américaine, qui a justifié devant le Congrès la construction d'un porte-avions dont elle n'avait pas besoin immédiatement, uniquement pour préserver le savoir-faire d'ingénieurs et d'artisans qui, sans cette pratique, auraient perdu des compétences irremplaçables en moins d'une décennie. L'analogie est directement transposable à l'industrie logicielle.

La métaphore finale de l'article est celle du plastique industriel : un matériau bon marché, omniprésent, fonctionnel à court terme, mais dont les externalités négatives s'accumulent à une échelle difficilement réversible. Diamond y voit le pendant numérique de l'expansion de l'IA générative : une production massive de contenu et de code "suffisamment bon", dont le coût réel — en termes de compétences humaines perdues, de dépendance systémique et de dette technique non maîtrisée — sera payé ultérieurement. La question de savoir qui sera alors qualifié pour auditer, corriger ou faire évoluer ces systèmes reste, pour l'heure, sans réponse claire.