En tant qu'ingénieur logiciel, chacune de mes lignes de code est désormais écrite par l'IA : parlons de vibe coding

Ingénieur logiciel depuis plus de six ans, voilà plus d’un an que je n’ai pas tapé une seule ligne de code à la main. Sur mes projets actuels, l’IA écrit absolument tout. Pourtant, la toute première fois que j’ai délégué mon code à une machine, l’euphorie n’a pas duré trois jours.

Le pur bonheur du Vibe Coding

Je me souviens encore de ce jour de juin 2025 où j’ai ouvert Cursor pour la première fois, intrigué par les éloges qu’on lui tressait. Au premier abord, l’outil ressemblait comme deux gouttes d’eau à mon bon vieux VS Code, à un détail près : un panneau latéral dédié à l’IA.

Jusque-là, ma vision du codage assisté par IA se limitait à l’autocomplétion boostée à la sauce Copilot. Mais dès mon premier prompt envoyé, la magie a opéré. L’IA s’est mise à réfléchir à toute vitesse, générant sous mes yeux des dizaines, voire des centaines de lignes de code en quelques secondes. Mieux encore : elle naviguait d’un fichier à l’autre pour les mettre à jour et lançait directement les commandes dans mon terminal.

Il me suffisait désormais d’exprimer un besoin fonctionnel en langage naturel pour que l’IA le concrétise de bout en bout. Fini le tapotage laborieux caractère par caractère, fini le simple rôle d’aide à la saisie : l’IA s’emparait carrément, à un niveau supérieur d’abstraction, d’une partie substantielle du travail d’ingénieur.

J’ai eu l’impression de tenir un pinceau magique entre les mains, saisi par le vertige de voir s’ouvrir les portes d’un monde entièrement nouveau.

Sur le moment, j’avais d’ailleurs couché ces quelques réflexions par écrit :

Le Vibe Coding est taillé sur mesure pour les esprits TDAH. La programmation traditionnelle va à l’encontre même de notre fonctionnement cérébral, alors que le Vibe Coding a d’un coup balayé mes pires blocages : la flemme d’écrire des tests, l’aversion viscérale pour le CSS, les fautes d’inattention dans les noms de variables, ou ces heures fastidieuses passées à traquer des bugs sans intérêt.

Avec l’assistance de l’IA, la boucle de rétroaction devient instantanée et le sentiment d’accomplissement est immédiat. Plus une tâche est répétitive et ingrate, plus l’IA excelle à l’exécuter.

Tout ce qu’il reste à faire, c’est fixer le cap, concevoir l’architecture et piloter le projet en véritable chef d’orchestre.

Je n’ai aucune envie de taper moi-même chaque caractère ; ce qui m’anime, c’est le plaisir de donner vie à des créations. De l’assembleur aux langages de haut niveau, l’expérience du développeur a toujours tendu vers plus de fluidité et d’efficacité.

Pouvoir enfin créer des logiciels avec la liberté d’un inventeur plutôt qu’avec la sueur d’un poseur de briques, c’est, pour un développeur, un bonheur inouï.

Les limites du Vibe Coding

Cette approche porte un nom bien précis : le vibe coding. C’est Andrej Karpathy, cofondateur d’OpenAI, qui a forgé le terme en février 2025. L’idée ? Coder entièrement « au feeling » (au vibe). On exprime ce que l’on veut en langage naturel, on accepte le code les yeux fermés sans passer par une revue ligne par ligne, et si une erreur surgit, on la rebalance aussitôt à l’IA, jusqu’à en oublier presque l’existence même du code sous-jacent.

Mais après avoir partagé mon enthousiasme naïf, la lune de miel a pris fin au bout d’à peine trois jours. J’ai très vite heurté les limites du concept.

À l’époque, je prototypais une application. En pur mode « vibe coding », je laissais l’IA improviser au gré de mes consignes vagues, sans lui imposer la moindre discipline d’ingénierie logicielle. Résultat prévisible : l’IA est devenue incontrôlable, et la base de code a viré au plat de spaghettis totalement ingérable.

J’ai donc fait table rase pour recommencer, mais cette fois en reprenant ma casquette d’ingénieur logiciel et en appliquant un workflow rigoureux au développement assisté par IA.

C’est là que j’ai trouvé le véritable équilibre. Tout en préservant le plaisir grisant du vibe coding, j’ai instauré des revues de code strictes, une documentation impeccable et des itérations courtes et ciblées, plutôt que d’injecter des tonnes de fonctionnalités d’un coup. Tout à coup, l’architecture et l’implémentation sont redevenues parfaitement maîtrisées, avec cette satisfaction jouissive de viser juste à chaque étape. Travailler avec l’IA ressemblait désormais au management d’un stagiaire brillant : on lui délègue les tâches fastidieuses, mais on garde la haute main sur l’architecture et la vision d’ensemble.

Peu après, je suis passé à Claude Code pour orchestrer mes développements. J’y ai gagné un contrôle encore plus fin et percutant. C’était le jour et la nuit : ma productivité a été multipliée par plusieurs ordres de grandeur.

L’avenir du métier d’ingénieur logiciel

« Le vibe coding permet de sortir des projets tellement vite… Ne risque-t-il pas de décourager l’apprentissage en profondeur des fondamentaux de la programmation ? »

Non seulement c’est possible, mais c’est exactement ce qui se passe.

Historiquement, l’apprentissage du développement logiciel fonctionnait comme un escalier, gravi marche après marche. On démarrait par les bases de l’algorithmique et de la syntaxe, on décrochait un poste de junior, puis, confronté aux réalités du terrain et aux contraintes industrielles, on s’aguérissait jusqu’à devenir un ingénieur autonome. Chaque étape apportait son lot de retours d’expérience progressifs. Avec une rigueur moyenne, l’accès à la profession restait abordable, porté par un plan de carrière balisé.

Le vibe coding a pulvérisé la barrière à l’entrée : aujourd’hui, n’importe qui peut bricoler une démo fonctionnelle. Sauf que l’ingénierie logicielle reste une discipline éminemment empirique. Or, le fossé entre une simple démo et un produit robuste, sécurisé et viable sur le plan commercial s’apparente au passage du stade « 0 à 1 » au stade « 1 à 100 ».

Dans le modèle traditionnel, quiconque parvenait à accomplir le « 0 à 1 » avait déjà acquis, par la force des choses, les bases indispensables pour aborder le « 1 à 100 ». Le vibe coding, lui, dispense les débutants de cet apprentissage de fond. Dès qu’il s’agit de passer de 1 à 10, ils se heurtent à une falaise infranchissable, ce qui en découragera l’immense majorité de persévérer.

Les débuts sont si faciles et la suite devient tellement abrupte qu’une curiosité superficielle et des capacités d’apprentissage ordinaires ne suffisent plus. Ceux qui parviendront à surmonter ce mur feront nécessairement partie d’une élite : des esprits aux capacités d’analyse, d’exécution et de résolution de problèmes hors normes — le haut du panier, le top 1 % des développeurs.

En clair : ces quelques rares personnes dotées d’une telle force d’apprentissage auraient de toute façon fait d’excellents ingénieurs avant même l’avènement de l’IA.

À mesure que les capacités de l’IA explosent, l’industrie se détourne des développeurs juniors. Le vivier de transmission des compétences se brise net, et les occasions de faire ses armes sur le terrain se réduisent à peau de chagrin.

Un an après avoir rédigé le premier jet de ce billet, les chiffres du marché de l’emploi sont venus corroborer ce diagnostic :

• Selon une étude du Stanford Digital Economy Lab basée sur les données salariales d’ADP, le nombre de jeunes de 22 à 25 ans embauchés dans les métiers les plus exposés à l’IA était inférieur de 19 % en juin 2026 par rapport à la trajectoire des professions non exposées (l’écart n’était que de 15 % un an plus tôt). Aucun déficit de ce genre n’a été observé chez les profils plus expérimentés. Surtout, cette fracture s’explique par un tarissement des embauches de débutants, et non par des vagues de licenciements (Stanford Digital Economy Lab, 2026-08).
• Un rapport de juin 2026 du fonds de capital-risque SignalFire montre que les recrutements de jeunes diplômés et de juniors chez douze géants de la tech (dont Google, Meta, Apple et Microsoft) ont chuté d’environ 65 % par rapport à 2019. Pour les startups en phase d’amorçage, l’effondrement atteint même 76 % (SignalFire State of Talent Report 2026).
• D’après les statistiques du site Indeed, au premier trimestre 2026, les offres d’emploi pour profils juniors ne représentaient plus que 4,5 % des postes ouverts en développement logiciel aux États-Unis — le ratio le plus bas de tous les secteurs d’activité (Indeed Hiring Lab, 2026-07).

Je suis particulièrement pessimiste quant à l’avenir de ce métier. Le monde du développement s’oriente vers une polarisation extrême : d’un côté, un combat d’élite entre demi-dieux de l’ingénierie ; de l’autre, une myriade d’amateurs créant des prototypes amusants pour passer le temps.

Et d’autres secteurs s’apprêtent à subir le même sort. Dans le monde de demain, la quasi-totalité des tâches intellectuelles courantes finira par être automatisée par l’IA.

Même les mathématiques pures, bastion par excellence de la pensée humaine originale, ont vu leurs verrous sauter cette année :

• En janvier 2026, Kevin Barreto, étudiant de premier cycle à Cambridge, et Liam Price, mathématicien amateur, ont résolu le problème 728 d’Erdős à l’aide de GPT-5.2 Pro, alors qu’aucune preuve n’existait dans la littérature. Il s’agit du tout premier problème d’Erdős résolu pour l’essentiel par une IA.
• En mai 2026, un modèle d’OpenAI a réfuté la conjecture des distances unitaires posée par Erdős en 1946, un casse-tête qui défiait la communauté mathématique depuis 80 ans. Le médaillé Fields Tim Gowers a souligné : « Aucune preuve générée par IA n’avait jamais approché un tel niveau. » Quelques semaines plus tard, des chercheurs humains affinaient encore ce résultat en s’appuyant sur les travaux de la machine.
• Le même mois, un agent autonome de Google DeepMind a résolu à lui seul 9 problèmes mathématiques ouverts sur 353, pour un coût dérisoire de quelques centaines de dollars par problème.
• Le mathématicien Noga Alon a même décidé d’abandonner ses recherches sur les problèmes d’Erdős : « Maintenant que l’IA s’est mise à les résoudre, cela n’a plus grand sens d’y consacrer son temps. »

De quoi parlera cette série ?

Aujourd’hui, de plus en plus de néophytes se lancent dans le codage assisté par IA. Beaucoup tâtonnent sans trop savoir par quel bout prendre les choses, se contentant de bricoler de modestes prototypes. Très vite, ils réalisent que sans notions d’ingénierie logicielle, ils naviguent à vue : ils peinent à décomposer un problème, se heurtent à la moindre complexité et échouent à guider efficacement l’IA pour obtenir le résultat espéré.

J’ai aussi remarqué qu’une bonne partie de leurs difficultés découle d’un manque d’esprit logique : ils ne savent pas formuler de bonnes questions, manquent de recul critique et sont incapables de juger si la réponse produite par l’IA tient debout.

Avec mes six années d’expérience en ingénierie logicielle, j’ai conçu et déployé plusieurs projets complexes main dans la main avec l’IA — des produits qui comptent aujourd’hui de véritables utilisateurs réguliers. Comme je le disais en ouverture, je ne saisis plus une seule ligne moi-même. L’IA a la carrure pour bâtir des systèmes ambitieux, à une seule condition : que le pilote sache exactement où il va et sache comment la guider. L’IA n’est qu’un levier d’action ; la valeur reste dans la tête de l’humain.

À l’ère de l’intelligence artificielle, les parcours traditionnels d’apprentissage du code sont voués à être balayés. Pour accompagner ce tournant, j’ai décidé de lancer une série d’articles : Le guide complet du Vibe Coding pour grands débutants.

Ce guide s’articulera autour de plusieurs grands axes :

1. Marier le codage par IA aux meilleures pratiques de l’ingénierie logicielle moderne. Comprendre ce qu’est véritablement l’ingénierie avant de partir de zéro pour bâtir son propre logiciel. L’objectif : dépasser le simple stade du proof-of-concept pour créer des projets maintenables dans la durée, avec un flux de développement d’une fluidité absolue.
2. Méthode de raisonnement et hygiène logique. Apprendre à poser les bonnes questions à l’IA, identifier les pièges à éviter à tout prix et rédiger une documentation de projet claire et percutante.
3. Tests, automatisation et raffinement du workflow. Comment tester son code et son architecture sans faillir, enrichir les fonctionnalités tout en préservant la robustesse du système, et démultiplier sa cadence de production grâce à des flux automatisés, sans jamais sacrifier la qualité.
4. La stack technique idéale pour coder avec l’IA. Quels langages et frameworks privilégier pour exploiter au maximum les forces des modèles actuels.

Épilogue

Pour être tout à fait franc, le cœur de ce texte a été rédigé il y a un an, en octobre 2025. Je viens de le remettre en forme en y intégrant les dernières données sur le marché du travail et les percées récentes de l’IA en mathématiques. À l’époque, soufflé par la vitesse ahurissante des progrès de l’IA, je craignais que mes réflexions ne deviennent obsolètes au bout de quelques jours ; j’ai donc multiplié les posts courts sur les réseaux au détriment des essais de fond. Un an après, en retombant sur ce brouillon, j’ai constaté que mon intuition n’avait pas pris une ride. J’ai donc pris le temps de le polir pour le publier. À l’avenir, j’ai bien l’intention d’écrire davantage de billets de ce genre : après tout, les écrits qui portent encore une trace d’humanité risquent de devenir une denrée bien rare.