Ce que j'apprends vraiment en créant avec l'IA

Contexte

Un développeur a publié sur dev.to un retour d'expérience à la première personne sur la création de projets avec des outils d'IA. La question centrale est volontairement étroite : lorsque l'IA écrit le code, cherche de la documentation et propose des architectures, que apprend réellement l'humain ? Le texte ne teste pas un outil précis et ne cite aucun chiffre de productivité. Il déplace le regard vers l'utilisateur et se demande si cette façon de travailler fait grandir ses compétences ou crée une dépendance.

Le mot « vraiment » dans le titre annonce la position de l'auteur. La quantité de code généré compte peu. Ce qui importe, c'est ce qui reste dans la tête du développeur une fois le travail terminé. Beaucoup de développeurs connaissent cette situation : le projet tourne vite, mais quelques semaines plus tard, ils ne savent plus expliquer pourquoi tel choix de conception a été fait. L'article est un bilan honnête de cette expérience. Il s'adresse à toute personne qui envisage d'intégrer l'IA à son développement quotidien.

Ce sujet revient régulièrement dans les communautés de développeurs depuis l'arrivée des assistants de programmation dans les flux de travail. Le texte publié sur dev.to en est une illustration sincère, sans promesse commerciale ni démonstration de force.

Analyse approfondie

Pourquoi le développement avec des outils d'IA change-t-il ce que l'on apprend ? Dans le développement classique, écrire un code qui fonctionne oblige à comprendre d'abord les interfaces, les structures de données et la gestion des erreurs. La compréhension est un sous-produit de l'implémentation. Avec l'IA, les deux se séparent : le modèle peut réaliser l'implémentation, mais la compréhension doit être ajoutée volontairement par la personne.

Les grands modèles de langage excellent à produire des réponses complètes qui paraissent plausibles. Ils ne prennent pas en charge le coût de la compréhension à la place de l'utilisateur. Si celui-ci accepte le résultat sans poser de questions ni vérifier, l'apprentissage reste en surface. À l'inverse, s'il traite le modèle comme un partenaire et lui demande pourquoi il a choisi telle bibliothèque, quelles sont les conditions limites d'une logique ou ce que coûterait une autre approche, chaque échange devient une petite séance de programmation en binôme. La différence tient à la manière de poser les questions, et à la volonté de lire, d'exécuter et de modifier soi-même le code produit.

Le débogage est l'étape où les lacunes apparaissent le plus nettement. Quand la proposition du modèle déclenche une erreur, le développeur doit remonter du message aux principes de base. L'article y voit le moment d'apprentissage le plus solide. Un usage efficace de l'IA ne consiste donc pas à déléguer une tâche entière : il place le modèle à côté de la réflexion, pour amplifier le jugement et non le remplacer.

Impact sur l'industrie

Pour les développeurs individuels, en particulier les débutants, le parcours d'apprentissage change. L'aisance qui venait autrefois de la répétition du codage risque d'être comprimée. En revanche, lire du code, le relire de façon critique et repérer les hallucinations du modèle deviennent des compétences plus importantes, qui demandent un entraînement délibéré.

Pour les équipes et les responsables techniques, la question est de savoir comment évaluer la production. Si l'on ne mesure que la vitesse de livraison, on masque un risque de maintenance : un code que personne ne comprend vraiment peut devenir difficile à modifier six mois plus tard. La revue de code, la couverture de tests et la documentation prennent donc plus de poids qu'avant. Ce sont elles qui transforment la production du modèle en connaissance partagée par l'équipe.

Les éditeurs d'outils voient aussi la concurrence se déplacer discrètement. Elle quitte la puissance brute de génération pour aller vers l'aide à la compréhension de ce qui est généré : meilleures explications, historique de modifications traçable, différences plus lisibles. Un outil qui laisse l'utilisateur mieux comprendre le fidélisera probablement davantage qu'un outil qui se contente de finir le travail. Les organismes de formation doivent eux aussi s'adapter, en enseignant le questionnement, la vérification et la relecture au même niveau que la syntaxe.

Perspectives

Plusieurs signaux méritent l'attention. D'abord, les retours d'expérience de ce type vont se multiplier. Ils passeront de « comment bien utiliser tel outil » à « comment continuer à progresser en l'utilisant », ce qui suggère que le secteur quitte la phase de découverte pour entrer dans une phase de réflexion.

Ensuite, les équipes pourraient adopter des règles d'usage plus claires. Par exemple, exiger que l'auteur d'une contribution sache expliquer chaque bloc de code généré qu'il soumet, ou demander aux relecteurs de vérifier en priorité les cas limites et le choix des dépendances. Enfin, la répartition des rôles entre la personne et le modèle sera redessinée à mesure que les modèles progresseront. Une part restera probablement humaine : définir le besoin, arbitrer entre les options et assumer le résultat.

Que faire concrètement après avoir terminé une tâche avec l'aide d'une IA ? Commencer petit, avec une seule tâche bien délimitée à la fois, puis répondre à trois questions. Pourquoi ai-je accepté cette solution ? Dans quels cas échouera-t-elle ? Pourrais-je la refaire seul la prochaine fois ? Si les trois réponses existent, la collaboration a réellement appris quelque chose. S'il en manque une, il faut revenir combler la lacune. Les outils changeront sans cesse, mais la compréhension reste le bien que le développeur emporte avec lui.