Comment améliorer ses compétences en programmation avec l’IA

• J’aimerais utiliser des outils de codage par IA pour réduire des tâches de conversion qui prenaient 1 à 2 heures à un simple niveau de revue en 15 à 20 minutes
• Mais, pour l’instant, la qualité du code produit par l’IA n’atteint même pas 90 % de celle du code écrit directement, donc cela ne semble pas vraiment utile en pratique
• Je voudrais donc savoir comment utiliser l’IA pour améliorer à la fois la productivité et la qualité du code

Recueil de conseils pratiques pour améliorer l’efficacité et la qualité de la programmation avec l’IA

1. Concentrer l’IA uniquement sur les tâches répétables

• L’IA est la plus efficace lorsqu’il s’agit de répéter plusieurs fois des tâches de forme similaire
• Une première fois, implémenter soi-même avec la meilleure qualité possible, puis utiliser cela comme exemple de référence
• Ensuite, confier à l’IA les tâches suivant le même modèle pour les traiter à grande échelle
• Pour les tâches qui exigent réflexion et jugement, le gain attendu chute fortement

2. Toujours commencer par un plan avant de coder

• Ne pas générer du code immédiatement, mais rédiger d’abord un plan de résolution
• À l’étape de planification, faire apparaître toutes les zones floues et toutes les questions
• Si le plan n’est pas satisfaisant, ne pas passer à l’étape d’exécution
• La qualité du résultat dépend moins du prompt que de la clarté du document de planification

3. Découper le travail en unités extrêmement petites

• Formuler les demandes à l’échelle d’un fichier, d’un composant ou de quelques fonctions
• Les requêtes comme « refactoriser l’ensemble » ou « améliorer de façon idiomatique » ont de fortes chances d’échouer
• La conception de la structure reste du ressort de l’humain, et seule l’implémentation répétitive est confiée à l’IA

4. Ne pas accumuler trop de contexte et le réinitialiser souvent

• Plus la conversation s’allonge, plus le respect des règles et la qualité chutent rapidement
• Une session ne doit traiter qu’une seule tâche
• Si l’orientation change, repartir dans une nouvelle session
• Pour les travaux de longue durée, conserver l’état dans un document (plan.md, etc.) puis le réinjecter

5. Garder les documents de règles courts et mécaniques

• Maintenir CLAUDE.md / AGENTS.md entre 500 et 1000 tokens
• Privilégier des règles concrètes et vérifiables plutôt que des consignes déclaratives
• Ne consigner au minimum que les erreurs fréquentes
• Pour le reste, s’appuyer sur le code et les vérifications automatiques

6. Utiliser les tests, le linter et le build comme boucle de feedback

• Au lieu de dire « fais-le bien », indiquer clairement les conditions de validation
• Fixer comme objectifs : tests réussis, build réussi, 0 erreur du linter
• Sans boucle de feedback, l’IA ne converge pas d’elle-même
• Des tests qui valident le comportement existant réduisent fortement la difficulté du refactoring

7. Ne pas corriger pendant l’exécution : revoir le plan puis relancer

• Si le résultat ne convient pas, éviter d’enchaîner les demandes de correction du code
• Modifier le document de planification, puis relancer dans une nouvelle session
• Si l’on change de direction en phase d’exécution, la qualité se dégrade rapidement

8. Faire apprendre le style à partir d’exemples

• Les consignes abstraites du type « bon code » n’ont presque aucun effet
• Fournir ensemble des exemples Before / After
• Présenter clairement les bons et les mauvais exemples
• Étendre les règles en s’appuyant sur les exemples

9. Ne pas renoncer à la compréhension et clarifier la frontière des responsabilités

• Le code généré par l’IA doit toujours être compris et relu par un humain
• Interdire son usage sans revue, sauf pour les prototypes et le code à faible risque
• Pour le code lié à la sécurité, à l’exploitation et à la maintenance de long terme, la compréhension est un prérequis de qualité

10. Vérifier d’abord si la tâche est adaptée à l’IA

• Les tâches sans réponse unique et avec une forte part de jugement esthétique ou structurel sont défavorables à l’IA
• Le refactoring UI, dont le résultat visuel est difficile à valider automatiquement, est particulièrement délicat
• Si nécessaire :
  • Étape 1 : transformation mécanique visant à préserver le comportement
  • Étape 2 : refactoring qualité réalisé par un humain

11. Partir d’une attente de « 10 % d’amélioration »

• Ne pas attendre du 10x dès le départ
• Une stratégie d’accumulation de petites améliorations est plus efficace à long terme
• L’essentiel est de ne pas renoncer à la conception ni aux critères de qualité