Les programmeurs vont-ils quand même survivre ? Le coûteux vibe coding change les règles du jeu

Il n’y a pas si longtemps, le récit était simple et très cliquable : les agents IA coderont plus vite, moins cher et pratiquement sans intervention humaine, donc les équipes de développement vont se réduire. Pour certains, c’était la promesse d’une belle automatisation ; pour d’autres, une apocalypse professionnelle. Le problème, c’est que la réalité, comme souvent, ne lit pas les titres de LinkedIn.

Aujourd’hui, on entend de plus en plus l’inverse : les entreprises qui se sont enflammées pour le « vibe coding » commencent à regarder l’Excel. Et Excel peut être brutal. À mesure que l’usage des modèles augmente, les factures liées aux tokens, aux itérations successives, aux corrections, au débogage et à la maintenance du code généré par l’IA augmentent aussi. Soudain, il apparaît qu’un humain qui comprend l’architecture du système et sait prendre une décision pertinente dès le premier ou le deuxième essai n’est pas du tout un luxe si coûteux.

Cela ne signifie pas que l’IA en programmation a échoué. Bien au contraire. L’IA devient un soutien très puissant pour le développeur, mais elle ressemble de moins en moins à un substitut à part entière d’une équipe entière. Et c’est probablement le changement le plus important dans la manière de penser qu’il faut remarquer aujourd’hui.

Que s’est-il vraiment passé avec ce fameux vibe coding ?

Le « vibe coding » est une expression à la mode pour désigner un travail où l’utilisateur ne programme pas de manière traditionnelle, mais décrit son intention, corrige le résultat et guide le modèle vers la solution. En théorie, cela semble excellent : au lieu d’écrire des centaines de lignes de code, vous dites à l’IA ce que vous voulez, et elle livre l’application.

À petite échelle, cela fonctionne vraiment. Une simple landing page, un script pour automatiser une tâche ennuyeuse, un prototype rapide, un MVP à montrer à un client — ici, l’IA peut faire gagner des heures, parfois des jours. Surtout pour les personnes qui ne sont pas développeurs, cela leur donne une toute nouvelle capacité d’action.

Les difficultés commencent plus tard.

Car lorsque le projet grandit, des choses peu instagrammables apparaissent :

• les dépendances entre modules,
• la sécurité des données,
• les performances,
• la compatibilité avec l’infrastructure existante,
• les tests,
• la refactorisation,
• la maintenance après quelques semaines, quand plus personne ne se souvient pourquoi telle partie fonctionne précisément ainsi.

Et là, on se rend compte que l’IA peut générer beaucoup de code, mais beaucoup de code n’est pas encore synonyme de bon système.

Le coût croissant des tokens : un petit détail, un gros problème

Dans l’enthousiasme autour de l’automatisation, on oublie facilement une chose : les modèles ne travaillent pas gratuitement, et en cas d’usage intensif, le coût peut augmenter plus vite que l’équipe ne l’imagine.

Il ne s’agit pas seulement d’un prompt isolé. En pratique, le processus ressemble souvent à ceci :

1. Vous demandez à l’IA d’écrire une fonction.
2. Vous corrigez le prompt, car le résultat ne convient pas.
3. Vous demandez une refactorisation.
4. Vous ajoutez du contexte provenant d’autres fichiers.
5. Vous lui demandez de corriger un bug.
6. Le modèle casse quelque chose à côté.
7. Vous recommencez un tour.

Chaque boucle consomme de nouveaux tokens. Quand une seule personne y travaille pendant une heure, le coût ne semble pas dramatique. Mais dans une entreprise où des dizaines de personnes utilisent quotidiennement des outils d’IA, cela commence à devenir intéressant. Ou plutôt, cher.

À cela s’ajoute un autre effet : plus le projet est complexe, plus il faut fournir de contexte au modèle. Et plus il y a de contexte, plus la consommation de tokens augmente. Soudain, une simple expérience à quelques euros se transforme en coût opérationnel régulier qu’il faut justifier économiquement.

Et là surgit une question que beaucoup d’entreprises ne posaient pas assez fort il y a encore un an : est-il vraiment moins cher de tout confier à un agent IA, ou vaut-il mieux donner à un humain de bons outils et le laisser travailler plus vite ?

Pourquoi certaines entreprises reviennent à l’embauche de personnes

Ce n’est pas un retour romantique aux « bons vieux temps ». C’est de la simple économie.

Une entreprise ne paie pas pour le simple fait de générer du code. Elle paie pour résoudre un problème. Si l’IA produit une solution plus vite, très bien. Mais si elle exige de nombreuses itérations, une supervision constante et des corrections ultérieures par des personnes plus expérimentées, le calcul change.

Les développeurs expérimentés commencent donc à regagner du terrain non pas parce que l’IA se serait révélée faible, mais parce qu’ils :

• savent quand utiliser l’IA et quand ne pas l’utiliser,
• repèrent plus vite les erreurs et les hallucinations,
• conçoivent mieux l’architecture,
• comprennent les conséquences des changements dans le système,
• sont capables de réduire le coût de génération grâce à de meilleurs prompts et à un workflow plus intelligent.

Autrement dit : un bon développeur avec l’IA devient plus productif, sans pour autant être nécessairement remplaçable.

C’est un peu comme avec la calculatrice. Lorsqu’elle est apparue, elle n’a pas supprimé le besoin de comprendre les mathématiques. En revanche, elle a considérablement accéléré le travail de ceux qui savaient déjà ce qu’ils faisaient.

L’IA ne vole pas le métier du développeur. Elle change la description du poste

Les entreprises les plus sensées ne traitent plus aujourd’hui l’IA comme un employé magique sans salaire. Elles la voient de plus en plus comme :

• un assistant pour générer du boilerplate,
• une aide à la recherche et à la vérification rapide de solutions,
• un outil pour créer des tests,
• un soutien pour la documentation,
• un partenaire pour le prototypage rapide.

C’est une différence importante. Car si l’IA est un outil, l’avantage revient non pas à celui qui « lui confie tout », mais à celui qui sait bien la guider.

Pour les managers, cela implique un changement de perspective sur les équipes. Au lieu de demander « combien de personnes pouvons-nous remplacer ? », il vaut mieux demander : comment faire en sorte que les personnes en place livrent davantage grâce à l’IA, sans casser la qualité ni le budget ?

Pour les étudiants et les personnes qui choisissent une filière, c’est aussi une bonne nouvelle. La programmation ne disparaît pas. En revanche, la valeur des compétences de niveau supérieur augmente :

• l’analyse du problème,
• la conception de systèmes,
• la compréhension de la logique métier,
• la communication avec les outils d’IA,
• l’évaluation de la qualité du résultat.

Dit brutalement : le simple fait de taper de la syntaxe aura de moins en moins de valeur. La pensée d’ingénierie — de plus en plus.

Qu’est-ce que cela signifie pour les personnes non techniques ?

Là, cela devient particulièrement intéressant. Car si l’IA peut générer un fragment d’application fonctionnel, les personnes hors IT peuvent entrer dans le monde de la création d’outils, de l’automatisation et des produits numériques simples sans passer plusieurs années à apprendre la programmation.

Mais encore une fois : il ne s’agit pas de dire que tout le monde deviendra d’un coup senior backend après un week-end avec un chatbot. Il s’agit de quelque chose de plus pratique — la barrière d’entrée pour construire des solutions numériques a fortement baissé.

Le propriétaire d’une petite entreprise peut créer plus vite un système simple pour organiser les leads. Un étudiant peut construire un projet pour son portfolio. Un manager peut préparer un outil interne pour son équipe. Une personne qui suit les tendances peut simplement mieux comprendre ce qui est réellement possible aujourd’hui et ce qui n’est que du marketing emballé dans un ton trop assuré.

Mais il vaut mieux apprendre cela correctement, et non selon la méthode « je clique et on verra ». Car c’est précisément là que les coûts, la frustration et le chaos augmentent le plus vite.

Où l’IA dans le code apporte le meilleur retour sur investissement

Toutes les utilisations de l’IA n’ont pas la même logique économique. Le meilleur retour apparaît généralement là où l’on peut réduire le temps de travail sans abandonner tout le contrôle du projet.

De bons exemples :

• création des premières versions d’applications et de prototypes,
• génération d’intégrations simples et de scripts,
• automatisation de tâches répétitives,
• préparation de documentation technique,
• mise en ordre de code existant,
• test rapide d’idées avant d’investir dans un développement plus important.

Les bénéfices sont moindres, et parfois le risque plus élevé, lorsqu’on essaie de piloter via l’IA sans supervision :

• des systèmes métier critiques,
• des architectures complexes,
• des domaines avec de fortes exigences de sécurité,
• des projets où le coût d’une erreur est élevé.

Cela ne veut pas dire « n’utilisez pas l’IA ». Cela veut dire : utilisez-la là où elle renforce l’humain, et non là où elle doit faire semblant de l’être.

Managers : regardez non seulement la vitesse, mais aussi le coût de la décision

Du point de vue du management, il est facile de s’enthousiasmer pour un seul chiffre : « nous l’avons fait 3 fois plus vite ». Sauf que la vitesse sans contexte peut être trompeuse.

Si le code généré nécessite ensuite de nombreuses corrections, n’est pas lisible, est difficile à faire évoluer ou que personne dans l’équipe ne veut toucher au bout d’un mois, alors l’économie n’était que temporaire. La dette technique a un talent particulier pour revenir au moment précis où il n’y a justement pas de budget pour elle.

Les questions les plus pertinentes sont donc :

• combien nous coûte réellement l’usage de l’IA sur un mois,
• où l’outil réduit le travail et où il ne fait que le déplacer dans le temps,
• si l’équipe sait évaluer la qualité du code généré,
• si l’IA réduit les coûts ou ne donne qu’une illusion d’accélération.

Les entreprises qui gagnent aujourd’hui ne sont généralement pas celles qui « ont déployé l’IA partout », mais celles qui l’ont déployée là où cela avait du sens opérationnel.

Étudiants et personnes qui choisissent une filière : vaut-il encore la peine d’aller vers l’IT ?

Réponse courte : oui, mais avec un état d’esprit différent de celui d’il y a quelques années.

Si quelqu’un imagine que l’apprentissage de la programmation consistera uniquement à mémoriser la syntaxe, il peut effectivement être déçu. Cette couche-là est de mieux en mieux prise en charge par l’IA. Mais si quelqu’un veut comprendre les systèmes, créer des produits, résoudre des problèmes et travailler à l’interface entre technologie et business, le terrain reste immense.

En pratique, il vaut la peine de développer simultanément trois domaines :

• les bases techniques et la logique de programmation,
• la capacité à travailler avec des outils d’IA,
• les compétences métier, c’est-à-dire la compréhension d’un secteur ou d’un processus concret.

C’est précisément cette combinaison qui donne aujourd’hui un avantage. Pas « l’humain ou l’IA », mais l’humain qui sait mieux utiliser l’IA que les autres.

Si vous voulez entrer concrètement dans ce monde

Pour beaucoup de personnes, le plus grand blocage n’est pas le manque de motivation, mais le chaos au départ. Terminal, API, configuration, commandes, intégrations — tout cela ressemble à quelque chose qu’on peut facilement remettre à « plus tard ». Et puis on finit encore à regarder une autre vidéo sur la façon dont l’IA change le monde, au lieu de construire soi-même quelque chose de fonctionnel.

C’est pourquoi un apprentissage basé sur un processus concret a du sens. Si vous êtes manager, étudiant, entrepreneur ou simplement curieux de voir à quoi ressemble la création moderne d’applications sans codage classique, une bonne piste est le cours Claude Code - comment programmer sans écrire de code.

C’est un support pratique pour les personnes non techniques : de l’installation de Claude Code dans le terminal, à la connexion au compte et à l’API, jusqu’à la création et au lancement de la première application. Sans prétendre que tout se fera tout seul. En revanche, en montrant comment utiliser réellement un outil qui peut raccourcir le chemin entre une idée et une solution fonctionnelle.

Pourquoi cela a-t-il du sens précisément pour ce groupe ?

• le manager comprendra mieux ce qu’on peut réellement confier à l’IA,
• l’étudiant construira plus vite un projet pour son portfolio,
• le propriétaire d’entreprise verra où automatiser les processus,
• la personne sans bagage technique cessera de voir l’IA comme une boîte noire.

En pratique, c’est aussi un bon vaccin contre le hype. Après un tel cours, il est plus facile de distinguer les possibilités réelles des récits marketing où un seul prompt remplacerait soi-disant tout un service IT.

Les programmeurs survivront-ils ? Oui, mais pas tous dans le même rôle

La vraie réponse n’est ni « l’IA va prendre le travail de tout le monde », ni « rien ne changera ». Beaucoup de choses vont changer — simplement pas forcément comme les titres les plus bruyants l’avaient prédit.

Les programmeurs survivront, car il faut toujours :

• comprendre le problème,
• concevoir des solutions,
• évaluer la qualité,
• assumer la responsabilité du déploiement,
• maintenir et faire évoluer le système.

En revanche, l’exécution de tâches totalement mécaniques, répétitives et faciles à décrire dans des prompts aura moins de valeur. Là, l’IA deviendra de plus en plus forte.

Ceux qui gagneront ne seront donc ni ceux qui se fâchent contre les nouveaux outils, ni ceux qui leur remettent le volant sans réfléchir. Ce seront ceux qui apprendront à collaborer avec les modèles : intelligemment, avec parcimonie et en ayant pleinement conscience des limites.

L’ironie la plus intéressante de toute cette histoire

Nous devions arriver à un moment où les entreprises licencient des développeurs parce que l’IA code moins cher. Pourtant, il apparaît de plus en plus souvent que l’IA sans humain peut coûter étonnamment cher, et qu’un bon spécialiste, avec un soutien IA pertinent, produit un meilleur résultat pour un coût plus raisonnable.

Ce n’est pas un échec de l’intelligence artificielle. C’est un signe de maturité du marché.

Après la phase de fascination vient la phase de calcul. Et quand on commence à compter, la valeur des personnes capables de penser, de choisir les outils et de prendre de bonnes décisions remonte. Bref, du classique.

Si donc quelqu’un se demande aujourd’hui s’il vaut la peine de développer ses compétences techniques ou d’apprendre à travailler avec l’IA, la réponse est : absolument. Mais pas pour croire aveuglément que le modèle fera tout. Plutôt pour savoir quand l’utiliser, comment l’utiliser et quand il vaut mieux reprendre les commandes.

Et cela, ce n’est déjà plus une tendance passagère. C’est le nouveau standard de travail.