On a résolu le comment coder, pas le quoi construire

Contexte

En deux ans, le développement logiciel s'est transformé radicalement. En 2021, GitHub Copilot suggérait une ligne de code. En 2026, des outils comme Cursor, Replit Agent et Devin comprennent l'intégralité d'une base de code, génèrent des modules complets à partir de descriptions en langage naturel et automatisent le débogage, le déploiement et les tests. Plus de 70 % des développeurs utilisent des assistants de codage IA, et dans certains projets, l'IA génère plus de 40 % du code.

Pourtant, cette avancée fait émerger une contradiction : alors que le « comment coder » est résolu, la question du « quoi construire » se pose avec plus d'acuité. Les équipes construisent efficacement de mauvais produits, techniquement fonctionnels mais sans validation de marché. Les outils d'IA excellent dans l'exécution, mais la définition du produit, la découverte des besoins et l'évaluation de la valeur utilisateur restent des prérogatives humaines.

Analyse approfondie

Les principaux outils de codage IA reposent sur de grands modèles de langage entraînés sur du code open source et du langage naturel pour traduire une intention en code exécutable. Cursor utilise une architecture de mélange d'experts, indexant l'ensemble du projet et appelant des documentations d'API externes. Replit Agent automatise la configuration et le déploiement, générant un prototype à partir d'une phrase comme « Fais une application sociale pour partager des photos ».

La programmation obéit à des règles claires et offre un retour immédiat, ce qui rend le « comment coder » soluble. Le « quoi construire » implique des questions floues sur les besoins utilisateurs et les opportunités de marché. Ces réponses ne peuvent être déduites du code ni optimisées par une fonction de perte. Même l'IA la plus avancée, sans contexte métier suffisant, ne produit que des descriptions génériques, non des décisions concurrentielles.

Impact sur l'industrie

Ce fossé de compétences redessine les rôles et la dynamique concurrentielle. Les développeurs passent de la syntaxe et du débogage à la conception de systèmes et à l'architecture. La demande de programmeurs juniors pourrait diminuer, tandis que les « ingénieurs augmentés », capables de comprendre les enjeux métier et d'exploiter les outils d'IA, deviennent très recherchés.

Parallèlement, les chefs de produit et les designers gagnent en importance stratégique. À mesure que le coût technique tend vers zéro, la différenciation repose sur la compréhension des utilisateurs et la créativité des solutions. Certaines entreprises ont créé des postes de « stratège produit IA ».

Les plateformes low-code et no-code sont menacées : le code généré par l'IA érode l'avantage du glisser-déposer, les obligeant à se recentrer sur des solutions verticales. L'externalisation logicielle est bouleversée, les marges du codage pur se comprimant ; les sociétés doivent proposer des services à plus forte valeur ajoutée, comme l'analyse des besoins et le conseil produit.

Perspectives

À l'avenir, la capacité de l'IA à franchir la barrière du « quoi construire » constituera le prochain enjeu décisif. Des signaux émergent : des outils intègrent la relecture du comportement utilisateur et les cartes de chaleur pour identifier des améliorations ; des startups analysent les avis concurrents et les sentiments sociaux pour valider la demande. Une vision radicale envisage des entretiens génératifs avec les utilisateurs, mais les risques d'hallucination et les questions éthiques demeurent.

À court terme, l'IA assistera l'analyse des besoins, générant des hypothèses et organisant les données, l'humain conservant le jugement de valeur. À long terme, des modèles multimodaux pourraient devenir des partenaires d'idéation produit. Cependant, l'empathie humaine, l'association transdisciplinaire et l'arbitrage des valeurs restent irremplaçables. La stratégie optimale réside dans une collaboration humain-machine : l'IA exécute, l'humain définit ce qu'il faut construire.