Thèse 1
Les objections
L’IA n’accélère pas toutes les tâches
METR publie en juillet 2025 un essai randomisé auprès de seize développeurs expérimentés, portant sur 246 tâches dans des projets ouverts qu’ils connaissent bien. Avec les outils d’IA disponibles au début de 2025, ils prennent 19 % de temps supplémentaire. Leurs impressions de rapidité ne correspondent pas à cette mesure S9. Cette contre-preuve contredit une promesse de gain automatique, sans prouver que les petits prototypes de débutants subissent le même effet.
Il faut aussi actualiser cette objection. En février 2026, METR décrit une nouvelle expérience dont les résultats suggèrent une accélération, mais juge la mesure peu fiable : des développeurs et des tâches sont écartés parce que les participants ne veulent pas travailler sans IA S10. Le résultat antérieur n’est donc pas une loi permanente. La mise à jour ne fournit pas davantage une estimation robuste pour tous les usages.
Produire ne signifie pas comprendre
Shen et Tamkin étudient en 2026 l’apprentissage d’une bibliothèque de programmation avec ou sans assistance. Leur expérience trouve une baisse de compréhension, de lecture du code et de capacité à corriger les erreurs, sans gain moyen d’efficacité significatif. Certaines façons d’interroger l’IA préservent cependant l’apprentissage S12. C’est une objection particulièrement pertinente pour un junior : déléguer le travail formateur peut réduire sa capacité future à diagnostiquer une panne. L’étude ne mesure pas toute une carrière ni tous les outils.
Dans l’enquête Stack Overflow 2025, 46 % des répondants se méfient de l’exactitude des outils d’IA, contre 33 % qui leur font confiance. La page indique aussi que la majorité ne pratique pas le « vibe coding » S11. Ces déclarations de développeurs volontaires ne représentent pas tous les salariés. Elles montrent néanmoins que l’adoption d’une assistance n’équivaut pas à une délégation sans compréhension.
Une entreprise doit pouvoir reprendre l’outil
DORA présente l’IA, dans sa recherche de 2025, comme un amplificateur des forces et faiblesses de l’organisation S13. Notre interprétation pour cette thèse est concrète : si personne ne sait où sont les données ni qui répare le logiciel, multiplier les prototypes peut multiplier les problèmes.
Les observations qualitatives de Sarkar et Drosos montrent une alternance entre demandes à l’IA, essais et interventions manuelles ; leurs vidéos sélectionnées ne constituent pas un test représentatif de novices S8. La frontière de compétence reste donc ouverte, pas supprimée.
Le scénario peut finalement échouer sans panne spectaculaire. Une équipe peut préférer un logiciel commun, déjà pris en charge, à une collection d’outils personnels. Ce mécanisme est une hypothèse concurrente. Pour départager les deux, il faudra compter les outils réellement utilisés et repris par un collègue, en incluant le temps de correction, plutôt que les seules démonstrations réussies.