Deux types d’utilisateurs de l’IA émergent, et l’écart entre eux est saisissant

 (martinalderson.com)
43 points par GN⁺ 2026-02-02 | 4 commentaires | Partager sur WhatsApp
  • L’écart de productivité entre les utilisateurs de l’IA se creuse rapidement, et les « power users » exploitent activement des outils d’IA avancés comme Claude Code et les MCPs, tandis que la majorité reste encore cantonnée à un usage conversationnel de niveau ChatGPT
  • Les grandes entreprises ont du mal à adopter les outils d’IA les plus récents à cause de politiques de sécurité, d’environnements IT fermés et de systèmes legacy, tandis que les petites entreprises intègrent rapidement l’IA pour gagner en efficacité
  • Cet écart ouvre une époque où de petites équipes peuvent être bien plus productives que les grands groupes, et la mise en place d’API internes et d’environnements sécurisés d’exécution de code devient un facteur clé de compétitivité future
  • En combinant des agents avec un sandbox bash donnant accès à des langages de programmation et à des API, même des utilisateurs non techniques peuvent remplacer presque toutes les applications de productivité, ce qui dessine la forme future du travail intellectuel

Deux types d’utilisateurs de l’IA

  • L’écart de productivité entre les utilisateurs de l’IA s’élargit rapidement
    • D’un côté, certains utilisent Claude Code, les MCPs et des workflows fondés sur des compétences, et même des non-techniciens utilisent activement l’IA dans le terminal
    • C’est particulièrement visible dans la finance, où l’automatisation basée sur Python permet souvent de dépasser les limites d’Excel
  • De l’autre, beaucoup en restent encore à un usage simple en questions-réponses de niveau ChatGPT
    • De nombreux salariés appartiennent toujours à cette catégorie et n’exploitent pas pleinement le potentiel de l’IA

Les limites de Microsoft Copilot

  • M365 Copilot est fourni dans l’abonnement Office 365, ce qui lui donne une forte présence sur le marché des entreprises, mais son interface est au niveau d’une version dégradée de ChatGPT
    • La fonctionnalité « agent » est presque risible comparée aux agents de code en CLI, y compris le GitHub Copilot CLI de Microsoft lui-même
      Elle échoue souvent sur de gros fichiers, avec des limites mémoire et CPU excessives
  • Même chez Microsoft, Claude Code est en cours d’adoption dans des équipes internes
    • C’est un exemple qui montre le retard technique de Copilot
    Publicité
  • En entreprise, Copilot est souvent le seul outil d’IA autorisé, si bien que les employés doivent risquer leur poste ou fournir beaucoup d’efforts pour utiliser d’autres outils
    — des décideurs de haut niveau vivent alors des expériences médiocres avec ces outils puis dénigrent l’IA dans son ensemble, ou dépensent des sommes énormes auprès de grands cabinets de conseil sans obtenir de résultats

Le risque structurel auquel font face les grandes entreprises

  • Des politiques IT fermées centrées sur la sécurité bloquent l’innovation
    • Environnements extrêmement verrouillés : impossible d’exécuter localement ne serait-ce qu’un interpréteur de scripts de base (au mieux du VBA, et encore souvent limité par des Group Policy)
    • Logiciels legacy : les workflows critiques n’ont pas d’API internes, donc les agents n’ont tout simplement rien à quoi se connecter
    • Départements d’ingénierie en silos : ils sont souvent entièrement externalisés, avec absence de personnel interne capable de mettre en place l’infrastructure nécessaire pour exécuter des agents sandboxés de façon sûre
  • Bien sûr, les préoccupations de sécurité sont réelles — lancer sans contrôle des agents de code sur une base de données de production est dangereux
  • Mais le sandboxing est une tâche difficile, et le vrai problème est l’absence d’équipes d’ingénierie capables de le mettre en place de manière sûre

La montée en puissance des petites entreprises

  • Les PME sans contraintes legacy adoptent rapidement l’IA et font exploser leur productivité
    • D’un côté, on voit des directeurs financiers qui essaient le Copilot de Microsoft pour Excel (et l’intégration de Gemini à Google Sheets est tout aussi médiocre), constatent qu’il gère mal même des tâches simples, puis n’y touchent plus jamais,
    • De l’autre, on voit des cadres non techniques ayant appris à utiliser Claude Code exécuter Python en local
      • Ils parviennent presque à terminer, en 2 ou 3 prompts, la conversion en Python d’un modèle financier Excel extrêmement complexe composé de 30 feuilles grâce à Claude Code
      • Une fois le modèle converti en Python, Claude Code permet d’atteindre un niveau de capacités comparable à celui d’une équipe de data science
      • Il devient possible d’exécuter des simulations de Monte Carlo, de connecter des sources de données externes, de construire des dashboards web et d’aider à analyser les faiblesses du modèle (ou de l’activité)
    Publicité
  • Autrefois, les employés des petites entreprises enviaient les ressources et les équipes des grands groupes,
    mais dans cet environnement, les petites équipes affichent une efficacité bien supérieure aux grandes entreprises et la tendance de productivité s’inverse

La structure du travail de demain

  • Les gains de productivité liés à l’IA émergent par le bas (bottom-up)
    • De petites équipes tentent de construire des workflows assistés par l’IA pour des processus spécifiques, et comme elles connaissent ces processus dans les moindres détails, elles obtiennent de bons résultats
    • À l’inverse d’équipes d’ingénierie logicielle externalisées qui n’ont aucune expérience concrète du processus
    • Une dynamique à l’opposé de la plupart des projets traditionnels de « transformation digitale »
  • Les entreprises disposant d’API pour leurs systèmes internes peuvent accomplir bien davantage
    • Cela va d’un simple data warehouse en lecture seule, auquel les employés peuvent se connecter pour exécuter des requêtes à la place des utilisateurs, jusqu’à l’API-isation des processus métier critiques
  • Exécuter des agents de code dans des VM à sécurité contrôlée constitue une alternative réaliste
    • C’est adapté au reporting en lecture seule, mais il existe encore des limites pour la modification des données
  • Les éditeurs de SaaS enterprise legacy sont soit dans une situation de verrouillage très fort, soit, selon le point de vue, extrêmement vulnérables
    • La plupart ne sont pas des produits « API-first », et leurs API existantes sont conçues pour les développeurs, sans être optimisées pour des situations où des milliers d’employés les appellent de manière inefficace
    • Mais si le produit constitue la source unique de vérité de l’entreprise (source of truth), la migration est très difficile et cela devient un goulot d’étranglement pour les gains de productivité
  • Les petites entreprises ont tendance à utiliser des produits plus récents et mieux conçus du point de vue des API
    • Ces nouveaux produits SaaS sont pensés autour des API, ce qui facilite l’intégration de l’IA
    Publicité

Une nouvelle forme de travail intellectuel

  • La combinaison d’un sandbox bash donnant accès à des langages de programmation et aux API système avec des frameworks d’agents devient un puissant outil de productivité même pour les non-techniciens
    • L’utilisateur saisit un prompt, et l’agent génère le résultat via les API
    • Rédaction de rapports, analyse de données, génération de documents : tout ce que demande l’utilisateur peut être exporté dans le format souhaité, ce qui permet de remplacer la plupart des applications bureautiques existantes
  • Le fait qu’un utilisateur envoie un prompt, que l’agent se connecte aux API et produise un livrable en fonction de la demande constitue l’avenir du travail intellectuel
    • Cette polarisation est réelle et s’accélère rapidement
  • Ce changement ouvre une époque où de petites équipes peuvent acquérir plus vite un avantage concurrentiel que les grands groupes
    • L’écart dans l’usage de l’IA existe bel et bien, et sa progression s’accélère de plus en plus
    • Dans l’histoire, jamais de petites équipes n’avaient pu dépasser aussi facilement des entreprises mille fois plus grandes

À lire aussi

4 commentaires

 
GN⁺ 2026-02-02
Commentaires sur Hacker News

  • Je pense qu’on peut diviser les utilisateurs en deux catégories
    l’une regroupe ceux qui utilisent l’IA comme un outil, conscients de ses limites, pour lui confier des tâches répétitives ou ennuyeuses, ou pour obtenir des résumés
    l’autre regroupe ceux qui externalisent la pensée elle-même, avec très peu de compréhension du sujet, qui veulent seulement le résultat et n’ont aucune volonté d’apprendre
    ce sont aussi ceux qui croient qu’un chatbot peut remplacer un développeur senior

    • En réalisant que l’entreprise ne voulait pas d’« ingénieurs qui réfléchissent », j’ai moi aussi commencé à externaliser ma réflexion au travail
      seuls les délais rapides comptent, et les retours clients n’arrivent qu’au bout de six mois, donc ça n’a aucun sens
      maintenant, je tiens juste en faisant le minimum pour toucher mon salaire
    • Il existe aussi un autre type. Ce sont ceux qui utilisent leurs capacités de réflexion pour créer des outils plus avancés, et délèguent progressivement toujours plus de réflexion et de technicité à l’IA. Moi et les gens autour de moi, on entre dans cette catégorie
    • Externaliser sa réflexion n’est pas toujours mauvais
      j’ai créé une appli d’entraînement à la compréhension orale en allemand avec Claude Code et ElevenLabs, et elle a été suffisamment efficace pour surprendre même mon professeur
      je ne m’intéressais pas à l’apprentissage du code, le but était d’améliorer mon allemand
    • Je pense qu’il existe aussi un troisième groupe. Ce sont ceux qui utilisent l’IA comme un coéquipier virtuel, pour échanger des idées. C’est à mon avis le cas d’usage le plus intéressant
    • Il y a aussi ceux qui l’utilisent comme moteur de recherche, médecin ou conseiller, ou comme remplacement de la documentation.
      Autrement dit, ils s’en servent comme partenaire conversationnel plus que comme simple outil

  • Quand on utilise l’IA sur des projets greenfield et des projets brownfield, l’écart de productivité est énorme
    le premier jour d’un nouveau projet, elle abat l’équivalent d’une semaine de travail, mais sur un système existant, on ne gagne qu’environ 20 %
    au fond, cela revient à faire rejouer très vite à l’IA le « dilemme de l’innovateur »
    la vraie question est de savoir jusqu’où l’IA peut contribuer à la phase de maturation de systèmes complexes

    • En travaillant dans l’IT d’entreprise, je me reconnais là-dedans
      j’ai quasiment terminé des fichiers de build Hashicorp Packer avec l’IA, et une IA locale m’a beaucoup aidé
      mais sur une vieille infrastructure, l’imprévisibilité augmente tellement qu’un LLM risque plutôt de tout casser
    • En réalité, ce phénomène existe même sans IA, c’est toujours arrivé sur les nouveaux projets
      au début ça va vite, puis les limites de l’architecture apparaissent
    • J’utilise l’IA comme un lubrifiant de productivité. Elle m’aide à trouver un point de départ quand je suis fatigué ou quand je réfléchis trop
      elle aide aussi à réduire la sur-ingénierie
    • Mais ce gain de vitesse s’arrête sur la limite de la fenêtre de contexte
      quand un projet dépasse 200k tokens, la productivité tombe à zéro
      au final, les organisations gagnent grâce à des processus qui ne dépendent pas de la mémoire
    • D’habitude, je vois plutôt un gain de 10 à 20 %, mais sur des projets personnels, je suis déjà monté à 200 à 500 %

  • En entendant qu’un cadre avait utilisé Claude Code pour convertir un modèle financier Excel complexe de 30 feuilles en Python, ça m’a presque donné la nausée
    avec mon bagage en maths et en géophysique, je considère déjà ce genre de modèle Excel comme un cauchemar
    cela dit, j’admets que la version Python a peu de chances d’être pire que l’original

    • Le secret de ces domaines adjacents au code, c’est qu’il n’y a presque aucun test
      qui va repérer une modélisation erronée ? Presque personne
      les simulations produites par un LLM souffrent d’un manque encore plus grand de procédures de validation
    • Dans la finance, on versionne et teste réellement des feuilles Excel de production comme du code
      au départ, elles servent à expérimenter rapidement, puis quand les revenus deviennent importants, les équipes techniques les transforment en applications en bonne et due forme
    • Mais je suis convaincu que la version Claude Code sera bien pire
      l’Excel d’origine a été corrigé pendant des années, alors que la version convertie n’est qu’un faux duplicata
    • La remarque « elle n’a probablement pas beaucoup de chances d’être pire » m’a fait rire
    • On est en train de passer de « l’époque où Excel provoquait des récessions » à l’époque où des modèles financiers générés par l’IA provoqueront des récessions
    • Même si Claude Code a presque tout converti d’un seul coup, il y a de fortes chances qu’il ait cassé de la logique importante
      • Bien sûr, si on peut exécuter Excel et Python en parallèle pour comparer les résultats, la précision peut augmenter
      • Mais il est peu probable que le modèle Excel lui-même ait été correctement validé
      • Dire « presque d’un seul coup », c’est comme dire qu’un CPU est « presque fiable à 100 % »
      • Au final, ce qui me fait peur, c’est que nos 401k puissent être gérés par des modèles produits par l’IA

  • Le fait qu’il y ait des non-spécialistes qui créent des modèles financiers avec l’IA me paraît effrayant

    • Mais il faudra sans doute un gros accident avant que les capitalistes prennent conscience du problème
    • Cela dit, on peut garder Excel à côté pour faire des tests comparatifs et, si quelque chose paraît étrange, demander des explications à l’IA
    • En médecine, ce serait encore plus inquiétant
    • Moi aussi, je suis en train d’apprendre Rust après Python, et en voyant à quelle fréquence les LLM se trompent, je mesure vraiment les risques liés à la confiance dans l’IA
    • En réalité, beaucoup de modèles Excel ne sont pas correctement testés non plus. On en reste souvent au niveau du « ça a l’air juste »

  • Nous sommes actuellement à l’aube de la Shadow AI
    comme avec la Shadow IT des années 2000, les employés font tourner Claude Code en douce dans leur terminal
    parce que le Copilot officiel n’arrive même pas à gérer correctement du CSV
    les CISO sont terrorisés, mais s’ils l’interdisent, les bons employés partiront

    • Le problème, c’est que ces gens donnent tels quels leurs tokens ou les permissions de leurs comptes à l’IA. C’est un cauchemar de sécurité

  • Pour le dire façon années 1980, la vraie innovation vient des workflows créés spontanément par les gens du terrain
    parce que ce sont eux qui connaissent le mieux les processus
    ce n’est qu’ensuite que les logiciels packagés compatibles avec les attentes des CIO suivent

    • Au final, le pouvoir est dans la longue traîne, c’est-à-dire que ce sont quelques tentatives expérimentales qui entraînent le changement

  • Ces derniers mois, les agents sont enfin devenus vraiment utilisables, donc tout le monde commence seulement à s’y mettre
    MCP, LangChain ou les vector DB ont eu leur moment de hype, mais maintenant c’est plus calme
    il est encore beaucoup trop tôt pour parler de tendance

    • La vague MCP relevait surtout de la vente. Mais en tant que protocole, c’est plutôt utile
      j’ai testé les serveurs MCP de context7 et playwright, et c’était efficace pour la planification et les boucles de feedback
    • La plupart des gens qui parlent de MCP sont des managers actifs uniquement sur LinkedIn
    • Même moi, utilisateur Linux de longue date, je trouve ça assez simple avec Claude Code pour terminer 2 applis chaque week-end
    • En pratique, j’utilise bien plus souvent REST ou des API existantes que MCP

  • L’intégration Excel de Microsoft Copilot est catastrophique
    à force d’avoir produit pendant 30 ans des formats XML complexes, les LLM n’arrivent pas à les comprendre
    donc dans notre entreprise, on est en train de migrer les documents Word vers Markdown. Une sorte de retour de karma

    • Le rêve du web lisible par les machines qu’avait imaginé Tim Berners-Lee commence seulement à devenir réalité
      mais le temps nécessaire pour rendre les documents compatibles avec l’IA ne cesse d’augmenter
    • Ironiquement, Claude Code fonctionnait bien mieux avec Excel
      Copilot ignorait même les instructions de conversion en CSV et échouait
    • Autrefois, j’avais confié à des stagiaires un projet consistant à parser du XML Visio pour le convertir en JSON ; ça a marché, puis ça a vite disparu

  • J’ai déjà entendu cette phrase — « désormais, ce n’est plus les grandes entreprises qui battent les petites, mais les entreprises rapides qui battent les lentes »
    à l’ère de l’IA, cela paraît encore plus vrai. La question, c’est comment rester rapide

    • Mais être rapide n’est pas toujours une bonne chose. On peut aussi être le premier à tomber de la falaise
    • Il est aussi important de savoir quand il faut ralentir. Tout l’enjeu est d’aller vite sans compromettre la sécurité ni la conformité
    • Bien sûr, ce genre de propos relève du conseil startup classique, mais parfois, ce sont aussi les plus lents qui gagnent (ex. : Teams vs Slack)
 
tazuya 2026-02-05

Copilot se fait toujours critiquer. Je me demande quand Microsoft va enfin l’améliorer.
 
bichi 2026-02-03

J’écris avec valet 1, 2, 3.
 
xguru 2026-02-03

Il y a pas mal de critiques de Copilot au milieu, mais au final
Claude Code se diffuse rapidement en interne chez Microsoft

C’est sans doute une situation qui s’applique clairement aussi aux grands groupes coréens.
L’entreprise leur dit de l’utiliser, donc ils l’utilisent, mais il doit clairement y avoir des endroits où ChatGPT/Claude est interdit et où seul Copilot peut être utilisé.