La dernière génération d'experts

Tout ce que je sais faire de précieux, je l'ai appris en faisant des choses qui n'avaient, prises isolément, presque aucune valeur. Mes premières années de développeur mobile ont été remplies de code de liaison, de bugs d'affichage, de crashs à reproduire patiemment — le tout-venant qu'un agent de code expédie aujourd'hui en quelques minutes. C'est pourtant dans cette matière ingrate que se sont formés mon intuition d'architecte, mon flair pour les régressions, ma capacité à sentir qu'une solution élégante cache un problème. Chaque expert que je connais raconte la même histoire. Et c'est exactement cette histoire qui est en train de devenir impossible à vivre.

Le pont se dérobe

Les chiffres de 2026 ne décrivent plus une hypothèse, mais une bifurcation en cours. L'équipe d'Erik Brynjolfsson à Stanford, qui suit les fiches de paie de 4,6 millions de travailleurs américains, mesure que l'emploi des 22-25 ans dans les métiers fortement exposés à l'IA se situe désormais 19 % en dessous de sa trajectoire attendue — un écart qui était de 15 % un an plus tôt et se creuse d'un demi-point par mois, tandis que leurs aînés expérimentés ne subissent aucun décrochage comparable^[1]. Dans la tech, le fonds SignalFire estime l'embauche de débutants en chute d'environ 65 % chez les douze plus grands employeurs du secteur par rapport à 2019, et de 76 % dans les startups ; un diplômé des meilleurs cursus d'informatique a 45 % de chances en moins d'y entrer qu'en 2022^[2]. Le World Economic Forum, qui a interrogé 9 400 salariés débutants dans 48 pays, le formule sobrement : les postes d'entrée « ont longtemps été le pont entre la formation et l'emploi », et ce pont se déplace^[3]. Il faudrait dire : il se dérobe.

La cause n'est pas mystérieuse. Plus d'un quart du nouveau code de Google était généré par l'IA fin 2024, plus de 30 % six mois plus tard^[4] ; Microsoft annonce 20 à 30 %^[5] ; chez Anthropic, le directeur financier évoque plus de 90 %^[6]. Dario Amodei avertissait dès mai 2025 que l'IA pourrait éliminer la moitié des postes de bureau de premier niveau en quelques années^[7]. On peut discuter les chiffres, tous déclaratifs et parfois intéressés. On ne peut plus discuter la direction.

L'IA absorbe d'abord le travail qui forme

« L'IA absorbe les tâches avant d'absorber les emplois », résume Brynjolfsson^[1]. Encore faut-il regarder lesquelles. Andrej Karpathy, revenant sur ses propres sessions avec les agents de code, observe qu'ils excellent sur tout ce qui ressemble aux millions d'exemples vus sur Internet — le boilerplate, les motifs connus — et déraillent sur le code inédit, intellectuellement dense^[8]. Autrement dit : la machine réussit précisément le travail sur lequel on faisait grandir les débutants, et bute sur celui qui exige l'expertise que ces débutants ne construiront plus.

Ce piège n'est pas né avec les modèles de langage. Dès 1983, dans un article devenu le texte fondateur de quarante ans de recherche en facteurs humains, Lisanne Bainbridge décrivait les « ironies de l'automatisation » : en retirant à l'opérateur les tâches routinières, on le prive de la pratique qui entretient les compétences dont il aura justement besoin le jour où l'automatisme échouera^[9]. Quarante ans plus tard, le sociologue Matt Beane a documenté la même mécanique dans les blocs opératoires : avec la chirurgie robotique, l'interne — jadis les mains dans le patient aux côtés du senior — devient « complètement optionnel », spectateur d'un expert plus productif que jamais. Seul un apprenant sur huit parvient à se former quand même, par des détours que Beane appelle le « shadow learning »^[10]. Ce que l'IA agentique fait au métier d'ingénieur logiciel, la robotique l'avait déjà fait au compagnonnage chirurgical : elle optimise la production d'aujourd'hui en désinvestissant, silencieusement, la compétence de demain.

L'illusion de compétence

On objectera que les jeunes diplômés apprendront différemment, avec et par l'IA. C'est possible, mais les premières mesures rigoureuses invitent à la prudence, car elles révèlent un phénomène plus inquiétant que la lenteur : l'illusion. Dans un essai randomisé mené par METR auprès de développeurs open source chevronnés, les participants équipés d'outils IA se sont révélés 19 % plus lents sur leurs tâches réelles — tout en restant convaincus, après coup, d'avoir gagné 20 % de temps^[11]. Chez les novices, une étude primée de la conférence ICER montre que les étudiants en difficulté qui codent avec l'IA générative terminent avec « une illusion de compétence », persuadés d'avoir mieux réussi qu'en réalité^[12]. Et une enquête de Microsoft Research et Carnegie Mellon auprès de travailleurs du savoir établit que plus la confiance dans l'IA est grande, moins la pensée critique s'exerce^[13].

Honnêteté oblige : les données d'usage d'Anthropic notent que les gros délégateurs déclarent apprendre autant que les autres^[14]. Mais c'est une auto-déclaration — précisément la mesure dont METR et ICER viennent de montrer qu'elle est la moins fiable qui soit. Quand on se sent plus rapide en étant plus lent et plus compétent en l'étant moins, le thermomètre du ressenti est cassé. C'est même le cœur du problème : l'érosion de l'expertise est indolore pour celui qui la subit.

Qui signera ?

Or tout notre édifice de confiance repose sur la vérification experte. Le quart de code que l'IA écrit chez Google est, précise Sundar Pichai dans la même phrase, « ensuite revu et accepté par des ingénieurs »^[4] — la revue humaine reste le point de passage obligé. Simon Willison, l'une des voix les plus écoutées sur la programmation assistée, le dit sans détour : les outils d'IA « amplifient l'expertise existante », et les ingénieurs doivent rester « fièrement responsables du logiciel qu'ils produisent »^[15]. Mais amplifier zéro donne zéro. Ethan Mollick, professeur à Wharton, a posé la question qui fâche dans une formule que je ne me lasse pas de citer : « chaque fois que nous confions un travail à un magicien, nous perdons une occasion de développer notre propre expertise — de construire le jugement même dont nous avons besoin pour évaluer le travail du magicien »^[16].

La psychologie de l'expertise nous dit depuis Ericsson que le jugement expert naît d'années de pratique délibérée — des milliers d'heures de confrontation au réel avec retour immédiat^[17]. On ne l'acquiert ni en cours, ni en regardant, ni en validant des pull requests qu'on n'aurait pas su écrire. Un diplômé propulsé « manager d'agents » sans années de pratique n'est pas un expert accéléré : c'est un approbateur. Et dans les industries qui sont le quotidien de mes clients — l'énergie, le transport, la santé, la défense —, la question n'est pas rhétorique. Un logiciel embarqué se certifie ; un calcul de structure s'engage ; quelqu'un, à la fin, signe. La signature d'un approbateur qui ne peut pas refaire le raisonnement ne protège personne : elle déplace simplement le risque vers le premier incident.

Et si les modèles devenaient parfaits ?

On me fera l'objection que je me fais à moi-même : les modèles progressent vite, et la vérification humaine du code deviendra peut-être aussi anecdotique que la vérification manuelle des compilateurs. Admettons. Deux choses résisteront pourtant à cette hypothèse généreuse. D'abord la responsabilité, qui est une construction sociale et juridique, pas une performance technique : nos clients, nos régulateurs et nos tribunaux exigeront longtemps qu'une personne physique ou morale réponde de ce qui est livré, et répondre de ce qu'on ne comprend pas n'est pas une position tenable. Ensuite l'arbitrage, car même servi par des agents parfaits, il faudra décider quoi construire, à quel niveau d'exigence, avec quels compromis — un jugement qui se forme, lui aussi, par la pratique. La vérification changera de niveau ; elle ne disparaîtra pas. Elle remontera du code vers l'architecture, de l'architecture vers l'intention. Encore faut-il des gens capables d'occuper ces étages — et on n'y accède pas par ascenseur.

Organiser la relève plutôt que la subir

Je ne crois pas au retour en arrière : priver les équipes d'agents pour préserver la pédagogie serait aussi vain que de former des comptables au boulier. Mais je crois qu'il faut désormais traiter la formation des futurs experts comme une infrastructure, avec un budget et des exigences, parce que le marché ne la produira plus gratuitement en sous-produit du travail. Concrètement : recruter des juniors quand même, et assumer que leur rentabilité immédiate n'est plus le sujet ; réserver délibérément une part du travail formateur — un incident de production analysé à la main, un module écrit sans assistance, une revue en binôme avec un senior — comme on réserve du temps de simulateur aux pilotes qui volent pourtant avec l'automanche ; faire de la vérification une discipline enseignée, outillée et évaluée, et non un vague « human in the loop » ; enfin, réinventer le compagnonnage autour de l'agent, le senior et le junior travaillant côte à côte sur ce que la machine produit, comme Beane l'observe chez ce huitième d'apprenants qui trouvent toujours un chemin.

Le titre de ce paper est une alternative, pas une prophétie. Ma génération est peut-être la dernière à avoir été formée par l'ancien monde — par le code ingrat, les pairs exigeants et les nuits de mise en production. Si nous ne faisons rien, elle sera la dernière génération d'experts tout court, et nous découvrirons vers 2035 ce que vaut une industrie où plus personne ne sait dire si le travail est bon. Si nous organisons la transmission, elle sera simplement la dernière à s'être formée ainsi — et la première à avoir formé la suivante autrement, délibérément. La fenêtre pour choisir est ouverte. Elle se referme d'un demi-point par mois.