Alors, où sont passées toutes les applis d’IA ?
(answer.ai)- Contrairement aux affirmations selon lesquelles les outils de codage IA auraient fortement augmenté la productivité, on n’observe pas d’explosion du nombre de nouveaux logiciels
- L’analyse des données de PyPI montre que, même après ChatGPT, le rythme global de création de paquets n’a pas changé
- Seuls les paquets IA populaires affichent une fréquence de mises à jour plus de deux fois supérieure, tandis que les paquets non liés à l’IA suivent leur tendance antérieure
- Cette concentration s’interprète davantage comme un effet de concentration des financements et de l’attention que comme une hausse générale de la productivité grâce à l’IA
- En conséquence, l’impact de l’IA générative se manifeste non pas par une expansion de l’ensemble de l’écosystème de développement, mais par une concentration de l’activité à l’intérieur du domaine de l’IA
Analyse de la productivité logicielle à l’ère de l’IA
- Malgré les affirmations selon lesquelles les outils de codage IA multiplieraient la productivité par plusieurs dizaines, on n’observe pas dans les faits d’explosion du nombre de nouveaux logiciels
- Les tendances de création et de mise à jour des paquets après l’adoption de l’IA ont été analysées à partir des données du dépôt de paquets Python PyPI
- Résultat : seule la fréquence des mises à jour des paquets IA populaires a fortement augmenté, sans changement net à l’échelle de l’ensemble de l’écosystème
- Ce phénomène semble découler davantage de la concentration des financements et de l’attention que d’un gain de productivité dû à la technologie IA elle-même
Analyse du nombre de paquets
- Le nombre total de paquets sur PyPI a connu une croissance exponentielle continue, mais aucun changement marqué n’apparaît au moment du lancement de ChatGPT
- Le nombre de nouveaux paquets par mois fluctue entre 5 000 et 15 000
- Certains pics observés depuis 2020 sont dus à l’arrivée de spam et de logiciels malveillants
- Si l’IA avait réellement accru la productivité des développeurs, on devrait constater une hausse brutale du nombre de paquets, ce que les données ne montrent pas
Analyse de la fréquence des mises à jour des paquets
- Plus que la simple création de paquets, la fréquence des mises à jour des paquets maintenus est considérée comme un indicateur plus pertinent
- L’analyse porte sur les 15 000 paquets les plus téléchargés à la date de décembre 2025
- Les paquets ont été regroupés par année de création, puis la fréquence médiane des mises à jour par cohorte annuelle a été suivie
- Les paquets créés après ChatGPT enregistrent en moyenne 13 mises à jour la première année, contre 6 pour ceux créés en 2014
- Toutefois, cette tendance était déjà orientée à la hausse depuis 2019, possiblement sous l’effet de la diffusion d’outils de CI comme GitHub Actions
- Dans toutes les cohortes, la fréquence des mises à jour diminue à mesure que les paquets vieillissent
- L’usage d’outils IA n’augmente donc pas la fréquence de maintenance des anciens paquets
Le cas particulier des paquets liés à l’IA
- En classant les paquets selon qu’ils sont liés ou non à l’IA à partir de leur description, un changement net n’apparaît que pour les paquets liés à l’IA
- Les paquets liés à l’IA créés en 2023 affichent une médiane de 20 mises à jour la première année, soit environ deux fois plus que les paquets non liés à l’IA
- Les paquets sans lien avec l’IA conservent une progression modérée similaire à celle d’avant
- On confirme donc une hausse concentrée de l’activité uniquement dans les projets liés à l’IA
Lien avec le facteur de popularité
- Pour vérifier si la forte fréquence de mise à jour des paquets liés à l’IA relève simplement d’un effet de popularité,
les 15 000 premiers paquets ont été séparés entre les 7 500 premiers en nombre de téléchargements et les 7 500 suivants - Résultat : seule la fréquence de mise à jour des paquets IA populaires s’envole
- Après ChatGPT, les paquets IA populaires enregistrent 21 à 26 mises à jour par an, tandis que les paquets populaires non liés à l’IA restent autour de 10
- C’est aussi bien supérieur à la fréquence observée pour les paquets IA moins populaires
Observations générales
- Le rythme de création des paquets n’a pas nettement augmenté après ChatGPT
- La fréquence globale des mises à jour a progressé lentement, mais il s’agit d’une tendance déjà à l’œuvre avant l’IA
- Une hausse de plus du double de la fréquence des mises à jour n’est observée que pour les paquets populaires liés à l’IA
Interprétation et hypothèses
-
Rien ne prouve que l’IA ait fait exploser la productivité globale des développeurs
- On n’observe pas, à l’échelle générale, d’explosion du nombre de nouveaux paquets ou de mises à jour
- Il est possible que certains développeurs utilisent l’IA pour aller plus vite, mais leur nombre ou l’ampleur de l’effet reste limité
- En revanche, le développement de logiciels utilisant l’IA est bel et bien très actif
- Une activité particulièrement concentrée apparaît dans les paquets IA populaires
Deux hypothèses
- Question de compétences IA : les personnes qui créent des outils IA sont aussi celles qui savent le mieux utiliser l’IA, ce qui accentuerait le gain de productivité sur les paquets IA. Mais ce seul facteur de compétence explique mal le fait que le phénomène soit concentré uniquement sur les paquets IA populaires
- Financements et hype : le domaine de l’IA attire des investissements et une attention massifs, ce qui mobilise davantage de personnes sur davantage de tâches, augmentant ainsi la création et la mise à jour des paquets
- L’évolution de la taille des cohortes va dans ce sens : le ratio non-IA / IA, qui était de 6:1 (1 211 vs 185) pour la cohorte 2021, passe à moins de 2:1 (727 vs 423) en 2024
- Ce n’est pas que les développeurs seraient devenus surhumains, mais plutôt que l’emballement autour de l’IA s’est transformé en financements, accélérant la création et l’itération des paquets IA
- Les données seules ne permettent pas de déterminer lequel de ces deux effets est le plus important
Conclusion
- L’effet visible de la révolution de l’IA générative n’est pas une explosion de la productivité logicielle globale, mais une
intensification de l’activité au sein de l’écosystème IA lui-même - À la lumière des données de PyPI, l’IA n’a pas transformé tous les développeurs en surhumains ; elle montre surtout le résultat d’une concentration des financements et des efforts sur les projets liés à l’IA
4 commentaires
Pour l’instant, j’ai l’impression que la plus grande innovation, c’est surtout la baisse des barrières à l’entrée pour le développement.
Logique assez étrange... haha. Moi, depuis ChatGPT, j’ai énormément utilisé l’IA pour développer dans d’autres domaines... Des choses qui étaient impossibles auparavant, ou qui auraient nécessité l’intervention d’une dizaine de personnes expérimentées, je les fais maintenant tout seul... Si ça, ce n’est pas une révolution ?
N’est-ce pas justement qu’ils n’aiment pas ce genre d’innovation ? On dirait qu’ils en diffusent presque comme des communiqués de presse ; il semble qu’il y ait des intérêts en jeu.
Réactions sur Hacker News
De nos jours, il est vraiment devenu facile d’amener une idée jusqu’au stade du prototype
Mais pour en faire un vrai service, il faut toujours cette ingénierie logicielle fastidieuse
J’ai vu beaucoup de gens suivre la tendance du « je vais créer un business moi-même avec du code », mais je n’en ai vu aucun aller jusqu’au lancement réel
Au final, la dernière étape est celle qui absorbe l’essentiel du temps et des efforts
Une app n’a pas besoin d’être publiée pour le grand public pour être utile
Si l’objectif est de résoudre un problème pour moi, mon entourage ou mon équipe, cette « dernière étape » est un gaspillage inutile
Les produits du marché ne sont pas des solutions à des problèmes, mais des outils pour gagner de l’argent
L’IA a fortement réduit le coût de la « résolution de problèmes », mais beaucoup moins celui de la « mise en produit »
Donc le manque de produits ne signifie pas qu’il manque de solutions
C’est dangereux, parce que la capacité à trouver la cause profonde d’un problème s’atrophie
L’IA produit rapidement les 80 premiers %, mais la qualité reste douteuse
Au final, elle encourage un développement par tâtonnements, une approche que les développeurs expérimentés détestent généralement
Quand je demande à Claude de concevoir une fonctionnalité, j’obtiens une super spec, et l’agent de code fait très bien les 80 premiers %
Mais les 20 derniers % prennent beaucoup plus de temps
Entre-temps, de nouvelles idées de fonctionnalités s’accumulent, et ça crée un backlog sans fin ainsi qu’une forme d’anxiété
En réalité, personne ne m’avait demandé tout ça : je me suis mis cette pression moi-même
C’est un long processus qui va de la collecte des besoins à la conception, la validation, la mise en place de l’infrastructure, l’écriture du code, les tests, le déploiement et le monitoring
L’IA peut accélérer 4 ou 5 de ces étapes, c’est-à-dire surtout l’infrastructure et l’écriture du code
Mais le reste reste encore du ressort des humains
Mesurer l’impact de l’IA à partir des 15 000 principaux paquets PyPI n’est pas pertinent
La statistique sur la hausse de 24 % des nouvelles apps iOS est bien plus parlante
D’après Appfigures Explorer, 557 000 nouvelles apps ont été publiées en 2025, soit la première forte hausse depuis 2016
Depuis que l’IA est devenue suffisamment pratique (décembre 2025, avec la sortie d’Opus 4.5 et Codex), la productivité du développement a fortement grimpé
On est passé d’une époque où l’on demandait à Stack Overflow à une époque où l’on demande aux LLM
Un LLM qui a accès à la documentation peut répondre à 95 % des questions
Stack Overflow aura du mal à résister à ce changement
Le code IA sert souvent à réduire les utilitaires ou à créer des outils internes qui ne sont pas distribués sous forme de paquet
Il n’y a presque pas d’apps utiles qui contribuent réellement à la productivité économique
L’IA consomme de l’énergie et du capital pour des bénéfices concrets minimes
D’un point de vue économique, le boom de l’IA ressemble surtout à une bulle surchauffée
En ce moment, il y a plein de projets du genre « YoloSwag »
Ils se présentent comme une implémentation 1:1 de PyTorch en Rust, promettent 80 % de CPU en moins et 300 % de vitesse en plus, mais en réalité ça crashe immédiatement
Tous les tests passent avec des mocks bidons, et le code est un monstre composé pour moitié de bindings PyTorch et pour moitié d’API sans rapport
Le développeur était un ancien de la crypto qui affirmait être devenu expert en informatique quantique en « six semaines »
Ce ne sont pas des gens qui utilisent l’IA pour apprendre par eux-mêmes, mais juste pour se mettre en avant
Tant que cette culture ne changera pas, on continuera à voir ce type de projets façon « YoloSwag »
J’ai supprimé VSCode et créé mon propre dashboard hyper personnel
J’y gère sur un seul écran le flux d’actualités, le suivi des issues, l’éditeur Markdown, le calendrier, les boutons IA, etc.
Mais c’est tellement personnalisé que je n’ai aucune raison de le partager
La plupart des nouveaux services restent de simples wrappers LLM ou des outils IA
Par exemple, j’ai bouclé en 20 minutes une app de courses adaptée à mes habitudes d’achat
Ce logiciel hyperpersonnalisé est la prochaine étape
Si tu partageais ton setup, ça pourrait inspirer beaucoup de builders
Si les créations faites avec l’IA ne sont pas rendues publiques, la raison est simple
La plupart sont personnalisées pour un usage individuel, donc il n’y a pas besoin de les publier
En plus, comme désormais l’idée elle-même est devenue un avantage compétitif davantage que l’exécution, les gens n’ont pas spécialement envie de partager
Dans un monde où tout le monde a à peu près les mêmes capacités, chacun peut fabriquer rapidement et à moindre coût ce dont il a besoin
Donc il y a beaucoup de choses produites avec l’IA, mais de moins en moins sont exposées au public
Il faut des preuves qui montrent non pas des projets personnels, mais un changement à l’échelle de toute l’industrie
À cause de ça, même les vraies contributions se retrouvent freinées
Bien sûr, le code IA de mauvaise qualité est un problème, mais tout rejeter en bloc n’est pas une solution
Le vrai problème, c’est surtout une culture où les reviews et les tests ne sont pas faits sérieusement
L’IA facilite énormément les 90 premiers % d’une app, mais rend les 10 derniers % encore plus difficiles
La codebase a grossi, mais la familiarité avec elle a disparu, et la plupart des gens abandonnent à ce stade
Au final, même si l’IA va vite, elle cache beaucoup de pièges de qualité et de sécurité
Le boom actuel de l’IA rappelle la bulle Internet
Comme au début des années 2000, beaucoup d’entreprises brûlent de l’argent en croyant qu’il suffit de « faire de l’IA »
À l’inverse, certaines adoptent l’IA discrètement pour améliorer l’efficacité du travail
Au final, la plupart resteront des outils d’assistance, et les apps entièrement automatisées seront rares
Mesurer l’impact de l’IA par le nombre de paquets PyPI est une mauvaise approche
Les vrais gains de productivité se produisent dans des repos privés, des outils internes et des apps à usage unique
Moi aussi, grâce à l’IA, j’ai créé en six semaines une webapp avec support hors ligne, paiement Stripe et pages SEO
Avant, ça m’aurait pris six mois
Ce genre de résultat n’apparaît pas dans les datasets, mais le gain de productivité est bien réel
Moi aussi, j’utilise moins de librairies qu’avant
Grâce à l’IA, il est devenu plus simple de gérer directement les appels API
Publier un paquet, c’est en pratique gérer un projet open source, et c’est extrêmement fatigant
Entre la charge de maintenance et le déséquilibre entre effort et récompense, beaucoup préfèrent éviter
Il existe déjà suffisamment de librairies dans le monde, et une tendance à la consolidation autour des vraiment bonnes n’est pas une mauvaise chose
Beaucoup de développeurs utilisent désormais l’IA non plus « à l’échelle du projet », mais au niveau du commit
Mesurer l’effet de l’IA via PyPI est une vision à court terme
En revanche, le rapport GitHub Octoverse 2025 montre clairement une courbe ascendante du nombre d’utilisateurs et des contributions open source
En 2025, 81,5 % de l’ensemble des contributions se faisaient dans des repos privés, contre seulement 63 % pour les repos publics
Il y avait déjà Cursor, Copilot et bien d’autres outils, tous présentés comme révolutionnaires
Si l’IA permettait vraiment de déployer du code 10 fois plus vite, on devrait déjà voir des résultats explosifs