- L’IA joue un rôle de réduction des barrières à l’entrée dans la courbe d’apprentissage pour les débutants et les intermédiaires, et permet un accompagnement personnalisé adapté au niveau de chacun
- Atteindre une maîtrise de niveau expert reste difficile, et l’IA montre toujours des limites sur les sujets approfondis ou controversés
- Si l’on utilise l’IA uniquement comme un simple outil de réponse, cela peut produire un effet pervers : s’arrêter aux limites de l’IA sans réelle progression
- Dans des domaines variés comme le code, la création, l’usage d’apps au quotidien, l’impact de l’IA se manifeste différemment ; en particulier, dans les secteurs où les nouvelles idées et l’innovation sont cruciales, son pouvoir de transformation reste limité
- L’IA a bien relevé le niveau plancher du changement, mais n’a pas provoqué une grande transformation dans tous les domaines ; sa valeur d’usage est évaluée différemment selon les besoins et le contexte de chacun
Résumé : la courbe d’apprentissage transformée par l’IA
- Avant l’arrivée de l’IA, chaque ressource pédagogique était conçue pour un public donné, avec la limite de mal refléter réellement les connaissances préalables de l’apprenant
- Par exemple, il est fréquent d’apprendre un nouveau sujet à partir d’un domaine familier, de ne même pas savoir quels prérequis sont nécessaires, ou de ne pas trouver de ressources adaptées au niveau intermédiaire
- Auparavant, il était difficile d’obtenir un accompagnement personnalisé dans le processus d’acquisition de compétences
- L’IA transforme cette courbe d’apprentissage en répondant directement aux questions selon le niveau de compréhension de chaque apprenant ou en prenant en charge des tâches répétitives
- Avec l’expérience d’apprentissage fondée sur l’IA, on assiste désormais à une hausse du plancher lui-même, c’est-à-dire du niveau minimal de départ, quel que soit le niveau initial
Les limites du niveau de maîtrise
- Les experts de chaque domaine portent un regard critique sur l’efficacité de l’IA
- Les informations fournies par l’IA sont solides sur les contenus généraux et grand public, mais ses limites sont importantes sur les connaissances avancées, spécialisées ou les sujets controversés
- Les données d’apprentissage de l’IA produisent des résultats d’autant plus puissants que le contenu est généralisé, mais lorsqu’il s’agit de connaissances difficiles ou avancées, le manque de données d’entraînement ou la présence d’informations contradictoires rendent la fourniture de réponses exactes et approfondies difficile
Effet secondaire de l’apprentissage avec l’IA : la triche
- Des fonctions comme OpenAI Study Mode, qui donnent directement la bonne réponse, peuvent aggraver le plateau d’apprentissage de l’utilisateur
- Les utilisateurs qui font des réponses de l’IA un simple moyen utilitaire se heurtent à une limite : ils ne progressent pas au-delà
- À long terme, cette méthode nuit à la progression durable
Impact réel de la courbe d’apprentissage transformée
- Un changement technologique entraîne une transformation de l’ensemble de l’écosystème
- L’influence de l’IA varie selon le niveau de maîtrise requis pour le produit ou le résultat final
-
Développement logiciel : une bonne nouvelle pour les managers, mais des limites sur les grandes bases de code
- Les managers d’ingénierie disposaient d’une compréhension des principes et d’un jugement sur la qualité, mais manquaient d’expérience sur certains frameworks, ce qui compliquait la création d’applications
- Grâce aux outils d’IA, on voit de plus en plus de cas où ils acquièrent rapidement les bases et s’appuient sur leur expérience existante pour finaliser rapidement une application fonctionnelle
- En revanche, les limites de l’aide apportée par l’IA sont nettes dans les bases de code vastes et complexes
- Faute de compréhension du contexte du système existant ou de ses exigences spécifiques, l’IA n’aide pas beaucoup dans le travail réel
-
Domaines créatifs : une influence limitée dans un environnement très concurrentiel
- Dans les secteurs créatifs, la concurrence est extrêmement forte et l’originalité nouvelle est essentielle
- Même si l’IA permet de créer facilement des images, elle n’abaisse pas la véritable barrière à l’entrée du succès créatif, à savoir la “nouveauté”
- Les humains repèrent facilement les dérivations et les imitations, ce qui explique que l’engouement retombe vite après une mode de courte durée
- Il existe des cas ponctuels, comme la mode des avatars au style Studio Ghibli, mais l’influence de l’IA reste minime en termes de position culturelle ou de popularité auprès du grand public
-
Domaine des apps existantes : impact minimal
- Les e-mails, les commandes de nourriture, etc., reposent déjà sur des applications spécialisées bien établies
- Même avec des fonctions de résumé basées sur l’IA, le tri du spam est déjà automatisé et il reste plus fiable de vérifier soi-même les messages importants
- Pour la commande de repas aussi, il existe déjà une UX soigneusement conçue, qu’il est difficile pour l’IA d’améliorer de manière plus efficace
Écarts d’adoption de l’IA et avenir
- L’IA a relevé le plancher du travail intellectuel, mais n’affecte pas tout le monde de la même manière
- Selon le niveau de compétence, le rôle et l’environnement de chacun, l’effet concret de l’IA varie fortement
- Certains vivent une innovation grâce à l’IA, tandis que d’autres n’en ressentent pas vraiment les effets, voire éprouvent au contraire un sentiment de crise et de confusion
- L’IA ne s’est pas encore imposée comme “irremplaçable” dans toutes les méthodes et tous les domaines, mais c’est une technologie puissante qui mérite d’être expérimentée
- Si, à titre individuel, l’IA vous semble peu utile, c’est simplement que dans votre situation, le changement concret reste limité
2 commentaires
Commentaires sur Hacker News
Souligne que le billet de blog contient plusieurs graphiques qui donnent une impression d’objectivité et de rigueur, alors qu’en réalité il ne repose que sur des impressions et des suppositions. Des études empiriques récentes montrent au contraire que l’IA tend à aggraver les inégalités. Voir le graphique de The Economist et l’article
Il semble évident que l’IA accentue les inégalités. Elle automatise les échelons inférieurs de l’échelle qui permet aux gens d’accumuler de l’expérience, sans offrir de tremplin à ceux qui deviendront les experts de demain, tandis que ceux qui sont déjà au sommet investissent pour grimper encore plus vite sur cette même échelle
Le graphique repose sur des hypothèses beaucoup trop fortes, avec l’impression qu’elles ne tiennent debout que dans la tête des fanatiques de l’IA. En particulier sur les « side projects », c’est traité de manière floue, et l’IA ne semble pas suffisamment capable de transformer l’input d’un débutant en quelque chose de « suffisamment correct »
Je suis en partie d’accord avec l’idée générale du texte. Il se déguise en quelque sorte sous la blouse blanche du scientifique, alors qu’il n’exprime au fond qu’une certaine manière de voir le monde. Malgré cela, si le graphique indiquait clairement qu’il s’agit d’une « hypothèse », ou utilisait des procédés visuels comme des cassures ondulées en bout d’axes pour souligner son caractère hypothétique, il pourrait quand même avoir une valeur comme outil de communication. On ne peut pas non plus être certain qu’il y ait réellement un aplatissement de la courbe de progression des compétences. À mon avis, l’auteur écrit avec plus de bonne foi que les liens d’économistes. Dans l’idéal, les gens devraient exposer honnêtement leurs opinions et, lorsqu’ils ont des données, montrer aussi comment ils testent leurs hypothèses
Le graphique mentionne 4 études montrant une hausse des inégalités et 6 montrant une baisse des inégalités
En tant que mathématicien retraité, je suis devenu très absorbé par l’IA en 2025 et j’utilise l’abonnement Claude Max, ce qui me permet d’utiliser Claude Code Opus 4 sans limite. En revoyant d’énormes bases de code legacy en sessions parallèles, il m’arrive quand même d’atteindre les quotas. Pendant longtemps, j’ai évité toute discussion autour de l’IA, mais récemment les débats sur HN m’ont paru intéressants et j’ai recommencé à m’y intéresser. À mon avis, les personnes neurodivergentes réussissent mieux à utiliser l’IA, parce qu’elle fonctionne comme un gigantesque moteur d’associations. Ma spécialité, c’est l’algèbre linéaire, donc la structure associative de l’IA correspond bien à ma manière particulière de penser. Au final, l’IA relève plutôt le plafond que le plancher
C’est une intuition proche de la récente présentation d’Andrew Ng sur les startups IA. Son nouveau conseil aux entrepreneurs est qu’en cas de pivot, il faut jeter le prototype et repartir de zéro. Cela rejoint aussi le propos du texte. Le développement de prototypes peut être amélioré jusqu’à 10×, alors qu’une base de code existante ne gagnerait que 30 à 50 %. Ce changement rappelle l’analogie historique entre « pets vs cattle » lors du passage des VM aux conteneurs. Nous entrons peut-être dans une époque où il faut traiter les bases de code non plus comme des « animaux de compagnie » chéris avec soin, mais comme du « bétail » géré pour l’efficacité. Voir la vidéo, notamment vers 10:30
À mon avis, l’analogie « pets vs cattle » se concentre trop sur le code et fait facilement oublier que la vraie valeur est dans la tête du développeur. L’IA peut aider à gérer le code, mais la vraie valeur réside dans la compréhension et les modèles mentaux du développeur
Bon point, mais j’ai surtout entendu l’expression « cattle » plutôt que « livestock ». Je me demande si c’est une différence géographique
Merci d’avoir mentionné cette analogie. Je pense qu’à l’avenir il faudra traiter le code généré comme une grande infrastructure cloud. Cela s’applique peut-être moins au vieux code legacy utilisé depuis des années. Je me demande si tu as déjà mis ces idées dans un blog ; j’ai cherché stillpointlab.com et le compte Twitter @stillpointlab, mais il n’y avait pas grand-chose
J’ai l’impression que l’analogie « pets vs cattle » fonctionne bien mieux que le débat « artisan vs bricoleur ». Même avec des LLM, la valeur du résultat n’est pas diminuée ; c’est plutôt un changement de perspective, qui remplace l’attachement émotionnel au code par une vision plus pragmatique
Il y a encore pas mal de choses qu’on ne peut pas faire avec un LLM. Par exemple, quand on joue aux échecs avec lui, au bout de 5 à 10 coups il commence à proposer des coups illégaux, et dans le meilleur des cas il tient environ 18 coups. Il ne corrige pas non plus les mauvais coups de son adversaire, ce qui peut conduire à de mauvais apprentissages. En fin de compte, comme il ne modélise pas réellement les problèmes complexes, il est très important que l’utilisateur sache reconnaître quelles questions poser. Un LLM peut expliquer comment se déplace un cavalier ou citer des ouvertures célèbres, mais il est incapable de suivre correctement toute une partie ou d’indiquer le meilleur coup dans une position donnée. Beaucoup d’utilisateurs ne réalisent pas à quel point les réponses peuvent être fausses, et risquent de croire telles quelles des réponses formulées avec assurance. À première vue cela paraît solide, mais en réalité c’est comme marcher sur une crevasse invisible
Je ne pense pas que la faiblesse des LLM aux échecs soit un gros problème. Des modèles spécialisés pour les échecs peuvent atteindre un niveau ELO tout à fait correct tout en ne jouant que des coups légaux. Le post-training peut même nuire aux capacités échiquéennes, et des entreprises comme OpenAI ne semblent pas vraiment s’en soucier. On peut très bien faire jouer correctement aux échecs un LLM. Voir ce papier et cet exemple d’évaluation
Moi aussi, je vois souvent autour de moi des experts — des doctorants, des médecins — qui n’imaginent même pas qu’un LLM puisse se tromper. Avec des phrases magnifiques, logiques et énoncées avec assurance, il y a probablement un « effet de halo » qui donne l’illusion d’une expertise totale
En utilisant un LLM en mode agent de code, j’ai souvent constaté des comportements étranges : au début il travaille bien, puis il part progressivement dans une mauvaise direction, ou se met à réindenter du code sans aucun rapport
Dans le cas des échecs, c’est intéressant de voir que des IA spécialisées sont de loin supérieures aux humains, alors qu’un LLM généraliste a même du mal à jouer des coups légaux. Le plafond de l’IA est bien plus haut que celui des LLM
Au sujet de la difficulté à « suivre plus de 10 coups », aux échecs, l’état actuel du plateau compte davantage que l’historique des coups. Les LLM sont mauvais pour filtrer l’information inutile, donc ils s’en sortent mieux si on leur donne seulement la position actuelle. Voir cette discussion plus détaillée
Si les agents ne sont bons que pour les projets greenfield, alors il faut préparer la base de code existante pour que chaque nouvelle fonctionnalité ressemble à un nouveau projet greenfield, de manière qu’un stagiaire n’ait qu’à brancher la prise pour que ça fonctionne. Tout le reste doit rester entre des mains humaines, sinon le stagiaire risque de démolir tout le mur
Je trouve ça absurde. Si je récupère sur GitHub le projet Y de npm dans WebStorm et que je pose des questions à Junie, je peux obtenir des réponses immédiatement, et il peut même documenter des structures de données que je ne comprends pas avec des exemples. Il ne va peut-être pas créer directement une PR, mais comme pair programmer il est tout à fait utilisable. Au contraire, cela me pousse à écrire davantage de tests et à faire plus attention à la gestion des erreurs, ce qui produit au final de meilleurs résultats
Les agents font beaucoup de choses très bien et ratent beaucoup d’autres. À force de les utiliser, on en vient presque à ne plus savoir sur quoi ils sont vraiment meilleurs
Je pense qu’en fait les agents ne sont pas si bons pour démarrer des projets totalement nouveaux, qu’ils sont très bons pour des projets de petite à moyenne taille, puis que leur efficacité diminue progressivement à mesure que la taille augmente. Dans un projet entièrement nouveau, ils produisent souvent beaucoup de code de « niveau exemple » inutilisable en pratique.
En une phrase : l’IA est un outil très fort en interpolation, et faible en extrapolation
Je suis d’accord avec l’essentiel du texte, mais pas avec l’idée que « la progression s’arrête au niveau que l’IA peut fournir ». D’après mon expérience, bien utiliser l’IA exige un état d’esprit de progression plutôt que figé : je joue un rôle de manager de l’IA et j’améliore continuellement ses sorties. Il y a bien des limites, mais même sans apprendre directement la compétence concernée, j’ai pu nettement augmenter la qualité des résultats en me concentrant sur les frontières du problème. Avec le temps, j’ai l’impression de devenir un meilleur manager de ce domaine, même sans en devenir l’expert de terrain
Si on ne sait pas « comment » faire soi-même, je me demande sur quel critère on juge que la qualité s’est vraiment améliorée. Au fond, on compare juste à son niveau de départ, donc si la satisfaction personnelle suffit, peu importe que la qualité réelle ne soit pas meilleure
Je ne considère pas cette manière de faire comme de la « triche »
Sur une courbe d’apprentissage, on finira sans doute par constater qu’à proximité du sommet, il vaut mieux apprendre sans IA. Le plus haut niveau de maîtrise ne peut être atteint qu’au prix d’un apprentissage lent et autodirigé
Le plus grand avantage des LLM, c’est qu’ils permettent d’obtenir des réponses précises dans un format unifié, sans être parasité par la publicité ni les réseaux sociaux. C’est l’exact opposé de la recherche de réponses sur reddit, insta ou tvtropes. J’aimerais voir arriver rapidement un OS conçu pour aider à penser en restant totalement concentré, ainsi qu’un environnement qui évite aux enfants de tomber dans les pièges à contenu. J’aime vraiment pouvoir recevoir rapidement seulement les documents et informations dont j’ai besoin, sans être distrait par des interfaces ad hoc
Je ne trouve pas que les réponses de l’IA soient précises ; au contraire, elles sont souvent dangereusement inexactes. Dans une communauté, il est plus facile d’identifier qui est vraiment expert, et on finit par obtenir la bonne réponse ; l’IA, elle aussi, a agrégé toutes ces données, donc le risque de réponse erronée reste le même. Et l’environnement sans publicité ne durera sans doute pas. Les entreprises de l’IA brûlent des sommes énormes, donc elles finiront bien par inonder tout cela de publicité et de fonctions sociales ; les avantages gratuits actuels ne sont qu’une stratégie d’acquisition de clients à perte
Une moquerie sur le caractère subjectif du mot « précis »
Même dans les domaines de l’IA que je connais mieux, cela correspond à cette tendance. Quelqu’un en dessous de la moyenne peut obtenir avec l’IA un résultat proche de la moyenne
Cela rejoint une autre manière de résumer la chose : ce sont ceux qui ont déjà plus de connaissances qui tirent le plus de bénéfices des LLM
Même quelqu’un au-dessus de la moyenne peut utiliser l’IA pour produire un résultat banal. Dans beaucoup de tâches, le seuil du « suffisamment bon » est en réalité très bas
D’où la blague selon laquelle si les gens ici sont contre l’IA, c’est parce qu’ils sont tous au-dessus de la moyenne
Si quelqu’un en dessous de la moyenne produit avec l’IA un résultat de niveau moyen, alors la moyenne générale monte elle aussi d’autant
On pourrait résumer cela ainsi : « l’IA est bonne pour le prototypage, pas pour l’ingénierie ». Les outils d’IA vont vite, mais manquent de breadth et de depth. Ils sont utiles pour faire rapidement un PoC ou résoudre des sous-problèmes, mais ils manquent de contexte global et de profondeur, alors que la vraie ingénierie demande bien plus que l’implémentation seule : du contexte, des exceptions, des modes de défaillance, une compréhension profonde, etc. Même un excellent programmeur n’est pas forcément un ingénieur, et le meilleur leetcoder d’une équipe peut ne pas apporter grand-chose de concret. Pour atteindre la vraie maîtrise, il faut de l’expérience, y compris dans les aspects subtils et non intuitifs. L’époque où un manager pourrait « ingénieriser » un produit en appuyant sur un bouton n’arrivera probablement pas. Les générateurs de code actuels fondés sur l’IA sont partis d’une illusion d’« automatisation pour managers », alors que les outils qui fonctionnent à partir des explications d’ingénieurs de métier me semblent plus pertinents. La remarque de Dijkstra sur « la folie de programmer en langage naturel » reste toujours valable. Texte original ici
Chez Meta, ils s’emballent comme si la superintelligence était presque déjà là mdr lolol