Quelque chose de grand se passe — mais pas ce que vous croyez

L’essai de Matt Shumer est devenu viral parce qu’il dit tout haut ce que beaucoup ressentent : quelque chose de massif se passe avec l’IA et la plupart d’entre nous n’y sont pas préparés. Je suis d’accord avec le ressenti. Je suis en désaccord avec le cadrage. Ce que nous vivons n’est pas la fin du travail intellectuel. C’est un changement de couche d’abstraction — et si vous êtes dans la tech depuis assez longtemps, vous avez déjà vu ce film.

I. Le schéma dont personne ne parle

L’assembleur a remplacé le code machine saisi à la main. Le C a remplacé l’assembleur. SQL a remplacé les E/S fichier manuelles. Le cloud a remplacé les serveurs montés à la main. Chacune de ces transitions a rendu l’ancienne façon de faire obsolète. Et chacune a rendu ceux qui se sont adaptés plus productifs — sans faire disparaître le métier.

L’IA est la couche suivante. Elle ne remplace pas la réflexion — elle remplace la traduction mécanique entre l’intention et l’implémentation. Avant, on écrivait des boucles ; maintenant, on décrit ce qu’on veut. Avant, on formatait des rapports ; maintenant, on décrit l’analyse dont on a besoin. Le travail cognitif n’a pas disparu. Il s’est déplacé vers le haut.

L’essai viral présente l’IA comme une force qui va « faire votre travail ». Mais les couches d’abstraction n’ont jamais fonctionné ainsi. Elles éliminent la manière précédente de faire le travail, pas le travail lui-même. La demande de praticiens n’a pas diminué après que le C a remplacé l’assembleur — elle a explosé, car le gain de productivité a élargi ce qu’il était possible de construire.

II. Le problème des 90/10

Voici ce que l’essai omet : l’IA gère environ 90 % d’une tâche brillamment, puis échoue sur les derniers 10 %. Ces derniers 10 % sont là où réside l’expertise réelle — le contexte de production, les cas limites, le savoir-faire accumulé, le jugement nécessaire pour trancher quand les données sont ambiguës.

Je travaille avec l’IA quotidiennement, construisant des systèmes agentiques à grande échelle. Les modèles sont stupéfiants pour générer des premiers jets, du code standard et des résultats d’apparence plausible. Ils sont nuls pour savoir quand ils se trompent. Ils ne peuvent pas vous dire que le schéma de base de données a changé jeudi dernier, que l’exigence réglementaire du marché X diffère de celle du marché Y, ou que le vrai problème du client n’est pas celui décrit dans le ticket.

Les 90 % sont véritablement transformateurs. Mais traiter l’IA comme si elle gérait 100 % est la recette pour mettre des bugs en production, publier des données hallucinées et éroder la confiance qui a pris des années à construire.

III. « Mais cette fois c’est différent »

Chaque changement de couche d’abstraction a déclenché la même prédiction : celui-ci sera celui qui rendra les humains obsolètes. Quand les compilateurs sont arrivés, on a dit que les programmeurs étaient finis. Quand les bases de données ont intégré des optimiseurs de requêtes, on a dit que les DBA étaient finis. Quand le cloud a automatisé l’infrastructure, on a dit que les sysadmins étaient finis.

Ce qui s’est réellement passé, c’est que la barre s’est déplacée. On ne pouvait plus être compétitif comme programmeur en ne connaissant que l’assembleur une fois le C arrivé. On ne pouvait plus être compétitif comme DBA en ne connaissant que les fichiers plats après SQL. Les praticiens qui ont refusé d’apprendre la nouvelle couche ont perdu leur emploi — mais au profit de la nouvelle version de leur rôle, pas de l’outil lui-même.

L’essai viral demande : « Que se passe-t-il quand l’IA peut faire tout ce que fait un développeur junior ? » La réponse historique est : les juniors apprennent à travailler avec l’outil et font ce qui nécessitait auparavant un senior. Ce n’est pas une menace — c’est un accélérateur de carrière.

IV. Le paradoxe de l’expertise

Voici la partie contre-intuitive : l’IA amplifie l’écart entre experts et novices plutôt que de le combler. Un ingénieur senior utilisant l’IA écrit du meilleur code plus vite parce qu’il sait à quoi ressemble le « bon ». Il repère les hallucinations. Il sait quelles suggestions accepter et lesquelles rejeter. Il utilise l’IA comme un levier, pas comme un substitut au jugement.

Un novice utilisant l’IA produit un résultat qui a l’air correct sans pouvoir en juger la qualité. C’est exactement ce qui s’est passé avec chaque couche d’abstraction précédente. SQL a rendu les DBA expérimentés plus productifs ; il a aussi permis aux novices d’écrire des requêtes qui détruisaient les performances. Le cloud a rendu les architectes experts plus puissants ; il a aussi permis aux novices de générer accidentellement des factures mensuelles à six chiffres.

L’outil est un amplificateur. Il amplifie aussi bien la compétence que l’incompétence.

V. Ce que l’essai dit de juste

Je ne veux pas rejeter l’essai entièrement. Il touche juste sur un point : la vitesse du changement est réelle et le poids psychologique est lourd. Les gens sont anxieux, et l’anxiété n’est pas irrationnelle. Des pans entiers de nos méthodes de travail sont reconstruits en mois, pas en décennies.

L’essai a aussi raison qu’ignorer l’IA n’est pas une option. Si votre métier repose sur la réflexion et que vous n’expérimentez pas activement avec ces outils, vous faites la même erreur que le programmeur assembleur qui refusait d’apprendre le C. Les outils ne vous remplaceront pas — mais une personne qui utilise les outils efficacement vous surpassera.

Là où l’essai dérape, c’est dans le saut de « c’est rapide et perturbant » à « c’est une menace existentielle ». La vitesse de la disruption et sa nature sont deux choses bien distinctes. L’automobile a remplacé le cheval très rapidement. Elle n’a pas éliminé le besoin de personnes comprenant la logistique.

VI. Le mirage de l’intentionnalité

Le cadrage viral implique que l’IA a une volonté propre — qu’elle vient chercher votre emploi, comme un concurrent. Cette anthropomorphisation est séduisante mais fausse. L’IA est un outil. Un outil remarquablement puissant, mais un outil quand même. Elle ne veut rien. Elle n’a pas de stratégie. Elle génère des suites de texte statistiquement probables à partir de ce qu’on lui donne.

Quand nous prêtons une volonté propre à l’IA, nous commettons deux erreurs en même temps. Nous surestimons ce qu’elle peut faire toute seule (elle ne gère pas les 10 %), et nous sous-estimons ce que nous apportons (le jugement, le contexte et le goût qui rendent les 90 % réellement utiles).

Le cadrage dramatique de l’essai — « quelque chose de grand se passe » — mérite une lecture plus juste :

. Ce n’est pas une prédiction apocalyptique. C’est une feuille de route pour évoluer.

VII. Ce qu’il faut concrètement faire

Si vous lisez ceci et que l’anxiété monte, voici ce que je suggérerais, fort de mon expérience quotidienne à construire des systèmes IA en production :

Apprenez à vérifier, pas seulement à générer. La compétence la plus précieuse à l’ère de l’IA n’est pas le prompting — c’est savoir si le résultat est correct. Cela nécessite une expertise métier, pas des astuces de prompt. Restez technique : comprenez les systèmes assez profondément pour savoir quand l’IA a raison et quand elle se trompe avec assurance.

Investissez dans les 10 %. L’expertise profonde dans votre domaine — les cas limites, les pièges de production, le savoir-faire propre à votre organisation — c’est ce que l’IA ne peut pas reproduire. Doublez la mise sur la connaissance la plus difficile à automatiser.

Utilisez l’IA comme collaborateur, pas comme oracle. Les meilleurs résultats arrivent quand on traite la sortie de l’IA comme un premier jet à revoir, pas comme un livrable fini. Ce n’est pas une limitation — c’est la même dynamique que chaque couche d’abstraction précédente a créée.

VIII. L’essentiel

Quelque chose de grand est en train de se passer. Mais ce n’est pas ce que l’essai viral suggère. Nous n’assistons pas à la fin du travail intellectuel. Nous vivons le dernier changement de couche d’abstraction en date dans un schéma aussi vieux que l’informatique elle-même. Les programmeurs assembleur qui ont appris le C ont prospéré. Les sysadmins qui ont appris le cloud ont prospéré. Les praticiens qui apprendront à travailler à la couche IA prospéreront.

Ceux qui ne prospéreront pas sont ceux qui paniquent et se figent, ou ceux qui rejettent le changement en bloc. Les deux réponses sont mauvaises. La bonne réponse est la même qui a fonctionné à chaque transition précédente :

.

Chaque changement de couche d’abstraction a ressemblé à la fin d’une ère. Chacun s’est avéré être le début d’une ère plus grande. Cette fois ne fait pas exception — non pas parce que la technologie est moins puissante, mais parce que le schéma est exactement le même.