Ask HN : que pensent les ingénieurs logiciel de l’engouement autour de l’IA ?

L’IA prend en charge 30 à 50 % du travail, et je me demande quelle est l’ambiance dans les entreprises.
Les recrutements d’ingénieurs logiciel augmentent-ils, ou sont-ils au point mort ?
La direction met-elle la pression pour faire davantage de travail ?

Synthèse des principales réponses

1. Utilisation de l’IA et productivité réelle

• Beaucoup de développeurs estiment que l’affirmation selon laquelle l’IA remplacerait 30 à 50 % du travail est exagérée, et que l’effet réel se situe plutôt entre 1 et 10 %
• L’IA est utile pour les boilerplates, les scripts simples, les résumés ou conversions de documents, et comme alternative à la recherche, mais elle reste très limitée pour l’écriture ou la maintenance de code complexe
• Certains développeurs juniors et intermédiaires constatent un gain de productivité grâce aux suggestions de syntaxe et de structure, mais les développeurs expérimentés subissent au contraire une baisse de productivité de 19 % (selon une étude)
• Les problèmes de qualité du code généré par l’IA font souvent perdre davantage de temps en vérification et en correction, ce qui réduit le bénéfice net

2. Changements organisationnels et de recrutement liés à l’IA

• Pas de changement majeur dans l’ampleur des recrutements. Certaines entreprises réduisent toutefois les embauches ou augmentent l’offshore (notamment avec l’espoir d’utiliser une main-d’œuvre moins coûteuse aidée par l’IA)
• L’intérêt se déplace de l’efficacité interne vers l’intégration de l’IA dans les fonctionnalités produit
• Il arrive que le management surestime l’IA, sous-estime la difficulté des tâches et impose des délais irréalistes, ce qui mine le moral des développeurs

3. Cas de réussite et d’échec dans l’usage de l’IA

• Cas de réussite :
  • création de PoC initiaux, bootstrap de nouveaux projets, écriture de tests et d’interfaces utilisateur simples
  • exploration de gros volumes de logs et de documentation, fourniture de pointeurs vers les informations utiles dans la documentation API
  • identification de candidats au refactoring dans du code legacy, analyse de sorties GDB et autres tâches de niche
• Cas d’échec :
  • intégration dans des codebases complexes existantes, prise en charge des versions et des langages spécialisés par domaine (ex. : ABAP)
  • recherche/résumé dans des environnements où la documentation et les tickets sont anciens ou contradictoires
  • contributions OSS (PR) avec des exigences de qualité élevées

4. État d’esprit et moral des développeurs

• Certains sont plus satisfaits, car l’introduction de l’IA réduit les tâches répétitives et leur permet de se concentrer sur la conception et l’architecture
• En revanche :
  • « Pourquoi devrais-je encore apprendre ou contribuer ? » → sentiment de scepticisme lié à l’idée d’être remplacé à long terme par l’IA
  • confusion au travail causée par des résumés de réunion et des actions à mener erronés générés par l’IA
  • inquiétudes autour de la réduction des coûts et des suppressions de postes justifiées par l’adoption de l’IA
• Les créateurs indépendants de sites web et de contenus ressentent un impact négatif avec une baisse du trafic et des revenus

5. Conclusion générale

• Aujourd’hui, l’IA a bien une valeur comme “outil d’assistance”, mais ne remplace pas encore le cœur du travail
• Les gains de productivité dépendent fortement du domaine, des caractéristiques de la codebase et du niveau d’expérience du développeur
• À long terme, les compétences en conception d’architecture et en contrôle qualité pourraient devenir plus importantes que l’écriture de code elle-même
• Attentes excessives et sous-estimation coexistent, et l’avis majoritaire reste : « utile, mais pas une solution miracle »