> For the complete documentation index, see [llms.txt](https://weekly-essay.mikey.wang/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://weekly-essay.mikey.wang/fr/2025/w44-formulating-next-years-technical-decisions-for-ai-coding.md).

# W44-Préparer les décisions techniques de l'an prochain sur la programmation par IA

Je réfléchis aux objectifs et aux moyens à consacrer l'an prochain à la programmation par IA, et au cadre de ces décisions techniques. Cette année, nous en sommes encore au gain d'efficacité individuel. Du point de vue de la construction d'une capacité organisationnelle, notre investissement est proche de zéro.

**Commençons par la marge de coût que permettent les environnements interne et externe.**

La marge économique de l'activité est décisive. L'IA suscitera probablement moins d'enthousiasme l'an prochain. La tolérance aux coûts, déterminée par l'environnement interne et externe, diminuera. Les occasions manquées cette année ne se représenteront pas nécessairement.

Il faut discuter du full stack par niveaux. Former une personne capable d'atteindre les attentes moyennes dans chaque spécialité coûte très cher et prend longtemps. Il est plus réaliste de délimiter un ensemble de situations et un objectif accessible. Par exemple, former en six mois des ingénieurs full stack pour une famille de cas métier, avec un objectif précis de réduction du délai de livraison ou des effectifs par rapport à la collaboration entre spécialistes.

**Il faut ensuite connaître les limites de l'ingénierie.**

Approfondissons continuellement les frontières d'un ensemble de technologies et de pratiques, pour savoir ce que nos outils permettent réellement. Les limites actuelles des LLM et des agents se précisent.

L'idée que les capacités des modèles butent sur un mur est une déduction tirée de nombreuses informations. Trois raisons principales la soutiennent.

Premièrement, la distinction récente de Sutton entre grand monde et petit monde : les grands modèles ne sont pas une véritable intelligence. Ils restent dans un petit monde et ne peuvent apprendre continuellement par observation.

Deuxièmement, Grok semble confirmer une limite aux lois de passage à l'échelle. Grok 4 mobilise déjà 200 000 cartes de calcul, et Musk croit résolument à l'ingénierie. Pourtant, l'accueil du marché a été modéré ; les capacités ne se sont pas nettement détachées des autres. À capacités comparables, xAI maîtrise manifestement moins bien la livraison aux utilisateurs qu'OpenAI et Claude.

Troisièmement, l'espoir de sortir de la dépendance à l'architecture Transformer tarde à se concrétiser. Après plus de six mois, Thinking Machines, très attendu, n'a toujours pas apporté de percée.

J'en conclus que la possibilité de sauts majeurs se réduit ; nous pouvons attendre un peu. Le passage d'Intel au M1 est achevé. Il reste à attendre M2, M3 et la suite. Dans quelques années, personne ne saura plus quel numéro M est actuel.

Beaucoup de recherches cette année ont clarifié les limites des modèles : pourquoi ils comptent mal les r de strawberry, pourquoi ils hallucinent, pourquoi ils sont non déterministes, ou ce qu'est la dégradation du contexte, Context Rot.

Les limites des agents comme systèmes d'ingénierie deviennent elles aussi plus claires. Un grand écart subsiste avec les tâches réelles. Quand le code échoue, l'IA peut corriger seule les problèmes simples, comme les erreurs de syntaxe. Pour les erreurs logiques ou inattendues, un humain doit d'abord comprendre et expliquer précisément la correction attendue. Lui jeter tous les messages d'erreur ne suffit pas. Si vous ne savez pas quoi faire et lui dites simplement « corrige », elle risque de modifier au hasard et d'aggraver la situation.

L'an prochain, le secteur se concentrera davantage sur les bénéfices et les applications. Une piste est le coût : les appels aux grands modèles restent chers, mais les coûts marginaux pourraient baisser avec des travaux comme DeepSeek-OCR. Une autre est une expansion plus importante de l'écosystème des agents.

**Enfin, trouvons les bons cas d'usage et les bonnes voies.**

La programmation par IA délègue une partie du travail et accélère l'apprentissage, mais les personnes réellement compétentes devront toujours compléter leurs connaissances et construire une nouvelle compréhension. Cette étape reste incontournable. Les ingénieurs pragmatiques savent qu'il faut du temps. Chaque exploration arbitre entre ancien et nouveau pour trouver le cas d'usage et la position au meilleur rapport coût-bénéfice. Le frontend a connu la vague du full stack avec Node. Sans devenir dominant, Node a fini par trouver un rôle qui ne fait plus débat, après trois à cinq ans. La profondeur atteignable dépend aussi d'une compréhension réelle du serveur. Certains domaines sont peu familiers aux développeurs frontend : modèles de processus et concurrence, bases et transactions, authentification et sécurité, montée en charge et reprise après sinistre. Le full stack n'est donc pas un saut, mais un spectre d'arbitrages continus.