Tech • IA • Robotique • Jeu

ENFR

Comment vraiment coder avec l’IA (avec Matt Pocock)

5/10
IANetworkChuck20 novembre 2026 à 17:252:02:35
Lecteur audio

⏱ Résumé en ≈ 4 min · vidéo de 2 h 03 — 1 h 59 gagnées

INTRO

L’IA rend le codage plus rapide et plus accessible, mais un développement logiciel efficace dépend toujours des humains pour fournir la stratégie, la structure et un langage partagé.

POINTS CLÉS

Le travail tactique est en voie d’automatisation

Matt Pocock, connu pour ses travaux antérieurs sur TypeScript et aujourd’hui pour ses workflows de codage avec IA, estime que les modèles modernes sont très efficaces pour l’implémentation à court terme. Ils peuvent générer du code en continu et prendre en charge une grande partie du travail tactique qui remplissait autrefois la journée d’un développeur. Selon lui, refuser d’utiliser l’IA pour cette couche de travail devient de plus en plus difficile à justifier, car elle est peu coûteuse, rapide et souvent suffisante.

La stratégie reste l’avantage humain

La principale faiblesse des agents de codage actuels est la réflexion à long terme. Les systèmes d’IA optimisent la tâche immédiate, pas la maintenabilité à horizon de plusieurs mois, ce qui peut rendre les projets fragiles à mesure qu’ils grandissent. C’est pourquoi les ingénieurs expérimentés produisent encore souvent de meilleurs produits: ils savent quoi demander, comment les systèmes doivent évoluer et quels compromis comptent dans le temps.

Le pur vibe coding finit par échouer

Pocock trace une nette distinction entre le développement assisté par IA et le vibe coding au sens le plus strict, où le code est traité comme un sous-produit sans importance et à peine relu. Selon lui, cette approche dégrade la qualité, car chaque nouveau changement n’est optimisé que pour la tâche du moment. Comme le code est l’environnement dans lequel l’agent travaille, une base de code négligée devient progressivement plus difficile à parcourir pour les humains comme pour les modèles.

Un langage partagé est une discipline centrale

Une recommandation clé consiste à construire un vocabulaire métier clair pour le projet. En s’appuyant sur le domain-driven design, Pocock maintient un glossaire de termes et un ensemble de architectural decision records afin que l’IA emploie le même langage que la base de données, le front-end et la logique produit. Cela réduit la confusion, évite plusieurs noms pour un même concept et rend les grands dépôts plus faciles à comprendre.

Les agents devraient être forcés à poser des questions

Au lieu de donner une invite vague et d’accepter le premier résultat, Pocock utilise un workflow qui pousse le modèle à inspecter la base de code et à questionner la demande avant d’écrire du code. Ses outils incluent un processus Grill with Docs qui explore les fichiers, lit le glossaire du projet et interroge l’utilisateur sur les exigences. L’objectif est de combler l’écart de communication qui conduit souvent les agents à ajouter des fonctionnalités qui n’étaient jamais prévues.

La taille du contexte est un risque caché pour la qualité

Pocock soutient que les modèles deviennent moins fiables à mesure qu’on entasse davantage de contenu dans le contexte. Même avec de très grandes fenêtres de tokens, il préfère maintenir les agents dans une « smart zone » plus réduite, estimant que le jugement commence souvent à se dégrader bien avant la limite théorique. Son seuil pratique se situe autour de 150,000 tokens, au-delà duquel la latence augmente, les coûts montent et le modèle risque davantage de prendre de mauvaises décisions.

Les grosses fonctionnalités doivent être découpées en specs et en tickets

Lorsqu’une tâche est trop vaste pour une seule session propre, il recommande de transformer la discussion en spécification écrite, puis de découper cette spec en tickets individuels. Chaque ticket devient une session d’implémentation ciblée, suivie d’une revue par rapport au plan initial. Cela préserve l’intention stratégique tout en laissant l’IA assurer l’exécution tactique.

L’ingénierie logicielle devient plus accessible

Pocock affirme que le codage a toujours semblé plus difficile vu de l’extérieur qu’il ne l’est réellement. Avec l’IA qui gère davantage de détails d’implémentation, les débutants peuvent créer des produits utiles sans parcours logiciel traditionnel, à condition d’apprendre à se soucier de la qualité, du nommage et de la conception système. En ce sens, la barrière se déplace de la simple maîtrise de la syntaxe vers le jugement et la discipline.

Certains travaux gagnent encore à se faire sans IA

Pour la planification et la conception de cursus, Pocock dit qu’il laisse souvent la machine de côté. Il rassemble des signaux du public à partir de sources comme les e-mails, le chat et les publications sociales dans un wiki privé, puis imprime les objectifs pédagogiques sur des cartes et les réorganise physiquement pour structurer les leçons. Ce processus plus lent, au rythme humain, aide à conserver le contexte d’une manière que la sortie rapide des modèles ne permet souvent pas.

Le travail de connaissance pourrait être plus difficile à automatiser que le codage

Pocock voit une distinction nette entre le codage et les tâches plus larges de création ou de planification. Le code peut être testé et vérifié, ce qui le rend idéal pour l’assistance par IA, tandis que le travail de connaissance manque souvent de boucles de retour claires. Cela rend des tâches comme l’écriture de scripts, la planification de cours ou la communication bien plus difficiles à évaluer, même si l’IA peut encore soutenir certaines parties du workflow.

CONCLUSION

Le modèle émergent du développement logiciel n’est pas du code sans ingénieurs, mais des ingénieurs et des débutants utilisant l’IA pour gérer l’exécution pendant que les humains protègent l’architecture, le langage et l’intention. L’opportunité immédiate réside moins dans la maîtrise d’un langage de programmation que dans l’apprentissage de la manière de diriger les agents sans abandonner la stratégie.

Poser une question

Sur le même sujet : IA