TL;DR;
- La compétence clé pour bien utiliser l’IA est la capacité à juger et corriger la qualité du résultat produit, mais cette capacité s’affaiblit justement à mesure qu’on dépend davantage de l’IA
- Selon la théorie des « difficultés souhaitables » de Bjork, les informations traitées trop facilement ne restent pas dans la mémoire à long terme
- Dans l’étude de Roediger & Karpicke (2006), le taux de rétention après une semaine du groupe pratiquant le rappel était environ 50 % plus élevé que celui du groupe de relecture répétée
- Quand l’IA écrit le code à la place du développeur, elle supprime même la charge cognitive pertinente (germane load), ce qui fait disparaître les occasions mêmes de former des schémas mentaux
- Plus un développeur est expérimenté, plus l’efficacité neuronale fait que le simple fait de lire la sortie de l’IA impose très peu de charge au cerveau
- Même avant l’IA, il existait déjà des trajectoires où la progression s’arrêtait, mais l’IA réduit de façon spectaculaire les frictions sur cette voie
Résumé détaillé
Le paradoxe : pour bien utiliser l’IA, il faut connaître le code
- Beaucoup de gens savent dire « fais-moi ça », mais bien moins sont capables de regarder le résultat d’une IA et de corriger précisément en disant « cette structure est fragile face aux changements » ou « cette interface porte deux responsabilités »
- Cette capacité relève presque de l’intuition, forgée par d’innombrables échecs, sessions de debug et expériences de refactoring
- Apprendre à utiliser l’IA et apprendre les patterns de code ne sont pas deux options exclusives : le second constitue la base du premier
- « Les développeurs qui exploitent le mieux l’IA sont ceux qui savent évaluer du code même sans IA »
Le cerveau ne mémorise pas quand tout est facile
- Les « difficultés souhaitables » de Bjork : quand le processus d’apprentissage comporte un niveau approprié de difficulté et de résistance, la performance à court terme ralentit, mais la rétention à long terme et le transfert s’améliorent
- Roediger & Karpicke (2006) : expérience comparant relecture répétée et pratique du rappel
- Test après 5 minutes : le groupe de relecture répétée obtient de meilleurs résultats
- Nouveau test une semaine plus tard : le taux de rétention du groupe pratiquant le rappel est environ 50 % plus élevé
- Chez le groupe en rappel actif, la connectivité hippocampe–cortex préfrontal se renforce et l’activité du réseau sensorimoteur augmente
- Dans un état d’apprentissage passif, le cerveau n’active que la connexion hippocampe–gyrus fusiforme — on est plus proche du fait de « regarder l’information sans vraiment la traiter »
- Effet de génération (Slamecka & Graf, 1978) : dans un exemple comme « chaud-froi___ », le groupe qui complète lui-même obtient une rétention significativement supérieure à celui qui lit des paires déjà complétées
- Illusion de fluidité : la sensation qu’une information se traite facilement conduit à croire, à tort, qu’on s’en souviendra bien
La compétence en programmation relève de la mémoire procédurale
- Une grande partie du niveau en programmation relève de la mémoire procédurale — comme faire du vélo, une fois incorporée, l’exécution devient automatique sans effort conscient
- Le modèle ACT (Adaptive Control of Thought) d’Anderson : 3 étapes dans la formation de la mémoire procédurale
- Stade cognitif : tout est exécuté consciemment, étape par étape, en consommant l’essentiel de la mémoire de travail
- Stade associatif : les procédures individuelles s’intègrent et peuvent être exécutées comme un seul flux
- Stade d’automatisation : exécution automatique avec presque aucune occupation de la mémoire de travail — la marge restante peut alors servir au jugement de conception
- Le passage d’une étape à l’autre ne se produit qu’à travers une pratique directe et répétée
- Chunking (étude de Chase & Simon sur les échecs) : la différence entre experts et débutants ne tient pas au nombre d’emplacements de mémoire de travail, mais à la quantité d’information qu’un seul chunk peut contenir
- Un fort joueur d’échecs ne voit pas la position de chaque pièce individuellement, mais reconnaît comme un seul chunk un pattern porteur de sens tel qu’une « disposition typique de milieu de partie dans la défense sicilienne »
- Cela a été démontré par le fait que la différence entre experts et débutants disparaît dans des expériences avec des dispositions aléatoires
L’IA perturbe ce processus
- Quand on confie l’implémentation à l’IA, elle prend aussi en charge la charge cognitive pertinente (germane load) — l’occasion même de construire des schémas disparaît
- Du point de vue de la mémoire procédurale : le temps à peiner au stade cognitif diminue, ce qui retarde le passage au stade associatif et rend plus difficile l’accès au stade d’automatisation
- Lire le code produit par l’IA correspond au cas « lire des paires de mots déjà complétées » dans l’expérience sur l’effet de génération — on a l’impression d’avoir compris, mais rien ne s’imprime en profondeur
- Plus un développeur est expérimenté, plus il traite le code avec peu de ressources grâce à l’efficacité neuronale → lire la sortie de l’IA impose donc beaucoup moins de charge cognitive qu’on ne l’imagine
- Quand on écrit soi-même du code, les synapses se modifient via une boucle prédiction–feedback ; lire du code IA déjà terminé n’est qu’une interprétation a posteriori où le processus de prédiction a été supprimé
- C’est particulièrement grave pour les juniors : s’ils ont encore beaucoup de patterns au stade cognitif et que l’IA leur fait sauter cette étape, leur carrière avance sans que la mémoire procédurale se forme réellement
Comment remettre de la charge sur le cerveau
- Rédiger d’abord son propre design avant de demander à l’IA : utiliser volontairement l’effet de génération — le processus de comparaison et d’évaluation avec la sortie de l’IA active simultanément les zones du cerveau liées au traitement du sens et au contrôle de l’exécution
- Faire de vraies code reviews : se demander consciemment « pourquoi cette structure ? » et « si je devais la modifier dans 6 mois, où seraient les problèmes ? » — la gêne elle-même fait partie des difficultés souhaitables
- Prévoir du temps pour coder directement soi-même : c’est irremplaçable pour former la mémoire procédurale — quand on est bloqué, mieux vaut demander à l’IA un indice minimal plutôt que la réponse complète
- La stratégie optimale pour produire et pour apprendre n’est pas la même : l’IA est excellente comme outil de production, mais limitée comme outil d’apprentissage
- En fin de compte, ce qui reste dans le cerveau détermine la qualité de la code review, la justesse du jugement de conception et, paradoxalement, la capacité à bien exploiter l’IA
Aucun commentaire pour le moment.