Il y a trois ans, travailler sans IA n'était pas un choix : c'était la situation par défaut. Aujourd'hui c'en est un, et il demande à être justifié. Le basculement s'est fait vite, et sans que grand monde ne le décide vraiment.
Nous sommes la première génération à travailler avec ces outils. Pas la première à se servir de machines, évidemment. La première à passer ses journées avec un logiciel qui produit du texte, du code et des décisions à notre place. Il n'y a pas de génération précédente pour nous dire comment ça se passe : pas de recul, pas d'usages établis, pas d'erreurs déjà commises dont on pourrait tirer les leçons.
Génération 0. C'est de là que part cette série.
J'ai connu le machine learning d'avant
Avant les LLM, j'ai travaillé sur des systèmes de prévision. Je n'étais pas celui qui concevait les modèles, c'était le travail de data scientists. J'étais du côté de l'exploitation : les faire tourner, les alimenter, livrer les résultats.
Des modèles de régression, entraînés sur cinq à dix ans d'historiques météo. Ils prévoyaient de la consommation ou de la production électrique, celle d'une installation photovoltaïque par exemple. Et aussi des ventes : l'eau minérale, les glaces, le charbon de barbecue, tout ce dont la demande suit la température. Un entraînement prenait quelques heures sur un poste de travail de bureau.
Ces modèles étaient utiles, et bons dans leur couloir. Mais le couloir était étroit et on en connaissait les murs : on savait sur quelles données ils avaient été entraînés, ce qu'on leur demandait de prédire, et de combien ils se trompaient. On mesurait l'erreur, on la comparait à celle du mois précédent, on grattait des points de précision.
Surtout, aucun d'eux n'a jamais surpris personne. Un modèle qui prévoit des ventes de glaces prévoit des ventes de glaces. Il ne se met pas à écrire du code un matin.
Je précise tout ça parce que ça me donne une échelle de comparaison que beaucoup de commentateurs n'ont pas. Quand je dis que ce qui s'est passé ensuite est une rupture, ce n'est pas de l'émerveillement de néophyte. C'est la comparaison avec ce que je faisais tourner avant.
Premier choc : le niveau, puis le rythme
Deux choses m'ont frappé quand les LLM ont explosé, et la première est le niveau lui-même. Tenir une conversation avec une machine sans la prendre en défaut au bout de trois phrases, c'était un exercice théorique. Le test de Turing, on le citait comme un horizon lointain, presque comme une curiosité d'histoire des sciences. Il a cessé d'être un horizon sans qu'on s'en aperçoive vraiment.
Mais ce qui m'a le plus marqué, c'est le rythme. Dans le machine learning classique, le progrès se compte en points arrachés sur des mois, sur une tâche définie à l'avance : on sait ce qu'on cherche à améliorer avant de commencer. Là, les capacités sont apparues par paliers, en quelques mois, sur des tâches que personne n'avait explicitement visées.
Un logiciel qui progresse plus vite que la capacité de ses auteurs à décrire ce qu'il sait faire, on n'avait jamais vu ça.
Deuxième choc : l'outillage
Le deuxième moment, c'est le passage du chat à l'outil. Claude Code, Cursor, Aider, Codex, Gemini CLI : les noms changent, le principe est le même. On appelle ça un harnais, parce qu'il attelle le modèle à la machine de travail.
Tant que le modèle reste dans une fenêtre de chat, il reste un interlocuteur. Je pose une question, je lis la réponse, je décide quoi en faire. Je suis le seul à toucher au code. Le harnais a supprimé ce sas : le modèle lit les fichiers du dépôt, exécute des commandes, écrit dedans, relance les tests, lit ce qui a cassé.
Ce n'est pas un changement de degré, c'est un changement de nature. On est passé d'un modèle qu'on interroge à un modèle qui agit. Et la question qui va avec n'est plus « est-ce que la réponse est juste », mais « est-ce que je relis vraiment ce qu'il vient de faire ».
Troisième effet : se rendre indispensable
C'est celui qui me paraît le plus important, et celui dont on parle le moins.
Il n'y a pas eu de décision. Aucun jour où j'aurais pesé le pour et le contre. L'outil s'est installé par petites touches, jusqu'à ce que ma façon de travailler soit calibrée dessus.
Le résultat direct se mesure : je produis plus de code, et plus de fonctionnalités arrivent dans les applications sur la même période. Mais le changement le plus profond n'est pas là. Il est dans ce que j'entreprends désormais sans y réfléchir.
Écrire de la documentation, par exemple. C'était la tâche que je repoussais le plus, elle se fait maintenant à deux. Ou ces projets personnels restés à l'état d'idée pendant des années : ils deviennent des POC en deux heures. Le coût d'entrée d'une idée s'est effondré, et ça change ce qu'on se permet de commencer.
Il y a une contrepartie, que j'ai acceptée sans vraiment la choisir : je n'ai plus une image précise de ma propre codebase. J'en connais les grandes lignes, le backbone applicatif, les endroits sensibles. Le détail m'échappe. C'est un stress nouveau, et je n'ai pas encore décidé s'il est bien placé.
Et c'est là que la difficulté commence, pour cette série comme pour moi. On ne juge pas froidement un outil dont on dépend. Un développeur dont la productivité repose sur un LLM n'est pas un juge neutre de l'IA, et je ne vais pas prétendre le contraire. Je pose le problème dès la première page pour que le lecteur le garde en tête à chaque ligne. C'est une raison d'écrire avec méthode, pas une raison de se taire.
Ce que je reproche aux deux discours actuels
D'un côté, les partisans d'une IA sans garde-fous. Ils reprennent les annonces des fabricants comme des résultats acquis, confondent une démonstration et un produit, traitent chaque sortie de modèle comme un événement historique, et voient dans toute tentative de régulation un frein posé par des gens qui n'auraient rien compris.
De l'autre, le discours catastrophiste, souvent hystérique, qui empile les dangers sans jamais distinguer ce qui est arrivé de ce qui pourrait arriver, ni dire à quelle échéance, ni par quel mécanisme.
Je précise, parce que la confusion est facile : je ne reproche à personne de se servir de ces outils. Je m'en sers tous les jours. Ce que je vise, c'est le discours qui refuse d'avance qu'on pose des règles, pas l'enthousiasme.
Les deux camps sont symétriques, et ils ont exactement le même défaut : ils ne sourcent pas. Le premier reprend les chiffres du vendeur, le second reprend la peur. Aucun des deux ne donne au lecteur de quoi vérifier et conclure lui-même.
Je ne vais pas chercher un point d'équilibre entre les deux. Alterner une bonne et une mauvaise nouvelle pour donner une impression de neutralité, ça n'informe personne. Je préfère faire autre chose : rendre chaque affirmation vérifiable.
D'où j'écris
Je ne suis pas expert en IA. Je suis un utilisateur.
Ce que ça m'interdit : trancher sur l'alignement, sur l'architecture interne des modèles, sur ce que sera 2030. Je ne ferai pas de prédiction.
Ce que ça m'autorise : décrire précisément ce que je vois depuis mon poste de travail, vérifier ce qu'on m'annonce, lire les sources primaires et les rapporter honnêtement, y compris quand elles contredisent ce que j'aurais aimé écrire.
Un utilisateur qui vérifie est plus utile qu'un expert qui commente hors de son domaine.
La méthode
Elle tient en quelques règles.
- Source primaire ou rien : papier de recherche, texte de loi, rapport officiel, communiqué, décision de justice. Un article de presse est un pointeur vers la source, jamais la source.
- Quatre statuts, jamais confondus : un fait établi, une annonce d'entreprise, un résultat de recherche avec ses limites, une projection avec ses hypothèses. Un benchmark publié par un laboratoire sur son propre modèle est une annonce.
- Aucun chiffre sans lien ni date.
- Les corrections sont datées et visibles. Pas de réécriture silencieuse.
- Sont exclus : les prédictions sans échéance ni critère de vérification, les « selon des experts », et les dangers énoncés sans chaîne causale explicite.
Une dernière chose, et elle a sa place ici plutôt qu'en note de bas de page : ces articles sont écrits en collaboration avec un LLM. Pour reprendre l'image de tout à l'heure, je garde le backbone. Les angles, les choix éditoriaux et les faits retenus sont les miens ; la rédaction est un travail à deux. Il aurait été absurde d'écrire une série sur l'IA en dissimulant que j'en utilise une pour l'écrire.
Ce qui vient
Deux choses.
Une chronologie, d'abord : un relevé daté et sourcé de ce qui s'est passé depuis 2017 et le papier qui a introduit l'architecture des modèles actuels. Chaque entrée renvoie à sa source primaire et porte la date à laquelle cette source a été lue. Elle est en ligne et sera enrichie au fil de l'eau : la construire demande de vérifier chaque entrée une par une, et je préfère l'étoffer lentement que la remplir vite.
Des articles ensuite, un ou deux par mois :
- ce que je vois depuis ma chaise, en détail et avec des mesures ;
- comment lire une annonce de modèle sans se faire avoir, dans les deux sens ;
- le coût matériel : énergie, eau, calcul, ce qui est publié et ce qui est opaque ;
- l'emploi : ce que les données montrent contre ce qui est annoncé ;
- les dommages avérés face au risque existentiel. D'un côté ce qui est documenté aujourd'hui : fuites de données, escroqueries par imitation de voix ou de visage, faux contenus qui circulent, erreurs de diagnostic médical ou de conseil juridique, dépendance affective. De l'autre l'hypothèse d'une perte de contrôle à long terme. Deux registres qu'on mélange en permanence, alors qu'ils n'appellent ni les mêmes preuves ni les mêmes réponses.
Je ne sais pas où cette série va me mener. C'est plutôt bon signe : si je savais déjà quoi conclure, il n'y aurait pas besoin de vérifier quoi que ce soit.
Vous avez des remarques, des sources à proposer ou une erreur à signaler ? Contactez-moi ou retrouvez-moi sur LinkedIn.
