- Le développement assisté par l’IA fait progresser la vitesse de production du code plus vite que la vitesse de compréhension humaine, créant une « dette cognitive » (cognitive debt)
- Même si le code fonctionne correctement et passe les tests, l’accumulation d’un état où les développeurs eux-mêmes ne comprennent pas la structure du code ni les raisons qui la sous-tendent se poursuit
- Les limites de la revue, la perte de connaissances tacites dans l’organisation et le déficit d’apprentissage des développeurs juniors accélèrent cette dette
- Les organisations ne mesurent que des indicateurs centrés sur la vitesse (
DORA, story points, etc.) sans parvenir à détecter le déficit de compréhension
- Plus l’écart entre productivité et compréhension se creuse, plus le risque est grand, à long terme, de voir apparaître des échecs de maintenance, des ruptures de savoir et une stagnation de la progression des ingénieurs
Le décalage de compréhension (The Comprehension Lag)
- Le codage manuel réalise simultanément deux processus, production et assimilation, et la friction de la saisie stimule la réflexion
- En écrivant le code, on forme naturellement des modèles mentaux et de l’intuition
- Le développement assisté par l’IA dissocie ce processus : la vitesse de sortie explose, tandis que la vitesse de compréhension reste limitée par les capacités humaines
- Cet écart entre sortie et compréhension constitue précisément la dette cognitive et, contrairement à la dette technique, il n’apparaît pas dans les indicateurs de vitesse
- Le problème ne se révèle que plus tard, à travers des indicateurs de fiabilité comme une hausse du MTTR ou du taux d’échec des changements
Ce que les organisations mesurent réellement (What Organizations Actually Measure)
- Les organisations ne mesurent que des résultats visibles (nombre de fonctionnalités, commits, vitesse de revue, etc.)
- Par le passé, production et compréhension étaient liées, si bien que livrer une fonctionnalité impliquait qu’on la comprenait
- Mais à l’ère de l’IA, il devient possible de déployer des fonctionnalités avec une compréhension superficielle seulement, ce qui invalide cette hypothèse
- Comme les indicateurs organisationnels ne captent pas le manque de compréhension, les systèmes d’évaluation des performances et de récompense se trouvent biaisés
Le dilemme du reviewer (The Reviewer’s Dilemma)
- Avec l’IA, un junior peut générer du code plus vite qu’un senior
- Les reviewers seniors n’ont pas le temps d’examiner en profondeur de tels volumes de code et doivent sacrifier la profondeur de revue
- En conséquence, l’idée selon laquelle « code revu = code compris » s’effondre
- Comme la pression organisationnelle privilégie la vitesse, une culture centrée sur le débit plutôt que sur la qualité de revue se renforce
Le schéma du burn-out (The Burnout Pattern)
- Les ingénieurs qui utilisent des outils d’IA éprouvent une fatigue où coexistent une forte production et un faible niveau de confiance
- Le code fonctionne, mais l’angoisse de ne pas comprendre pleinement le système qu’on a produit persiste
- Un système d’évaluation centré sur la vitesse fait du temps investi dans une compréhension approfondie un désavantage, ce qui accélère la dette cognitive
L’effondrement de la mémoire organisationnelle (When Organizational Memory Fails)
- La connaissance d’une organisation se compose de connaissances explicites documentées et de connaissances tacites présentes dans la tête des développeurs
- Le développement avec l’IA raccourcit le processus de formation des connaissances tacites (l’expérience d’implémentation directe), empêchant l’accumulation de savoir
- Au final, le système fonctionne, mais les personnes capables de le comprendre disparaissent progressivement
- Lorsqu’un problème survient, on se retrouve dans un état où personne n’est capable d’expliquer le contexte du système
L’accumulation de la dette cognitive (How the Debt Compounds)
- Premièrement, plus le code est ancien, plus il devient risqué — un code déjà imparfaitement compris au moment de son écriture devient totalement opaque
- Deuxièmement, le temps de restauration explose lors de la réponse à incident — on se retrouve à déboguer « une boîte noire produite par une boîte noire »
- Troisièmement, l’absence de futurs ingénieurs seniors — la dépendance à l’IA efface la courbe d’apprentissage et crée, à long terme, un vide de leadership
Le point de vue du directeur (The Director’s View)
- La direction ne perçoit que des signaux positifs comme la hausse de productivité, la réduction des délais et l’optimisation des effectifs
- Comme il n’existe pas d’indicateur mesurant la « profondeur de compréhension » ou l’« explicabilité », la dette cognitive n’est pas remontée
- Ainsi, la prise de décision fondée sur les données est rationnelle mais incomplète, et les risques réels restent cachés
Les limites de ce modèle (Where This Model Breaks)
- Le concept de dette cognitive ne s’applique pas de manière identique à tous les types de travail
- Il peut convenir à des tâches répétitives simples ou à des expérimentations rapides
- Par le passé aussi, le niveau de compréhension variait selon les individus ; il se peut qu’il s’agisse moins d’un phénomène nouveau que d’un déplacement de distribution
- Des améliorations futures des outils et de la documentation pourraient aussi réduire cet écart de compréhension
Le problème de la mesure (The Measurement Problem)
- Les organisations n’optimisent que ce qui est mesurable
- La vitesse est mesurable, mais la compréhension ne l’est pas
- Tant que la compréhension n’est pas intégrée au système d’évaluation, des incitations centrées sur la vitesse continueront de dominer
- Ce n’est pas l’échec d’un individu ou d’un manager, mais le résultat d’un système de mesure hérité d’une époque passée et désormais en décalage avec la réalité actuelle
- Au final, cet écart pourrait se manifester par une hausse des coûts de maintenance, des retards dans la réponse aux incidents et une exposition accrue aux fragilités du système
- Le texte se conclut ainsi : « Un système s’optimise en fonction de ce qu’il mesure. Mais ce que nous mesurons aujourd’hui ne capture plus ce qui compte vraiment. »
Aucun commentaire pour le moment.