Search for a command to run...
Un ingénieur. Soixante minutes. Un produit SaaS en production, utilisé par 450 marques.
No comments yet. Be the first to comment.
La Lucidité. Analyse critique de la course à l'AGI. Fractures physiques, financières et architecturales. Ce que l'expérience opérationnelle en industrie critique révèle sur les limites réelles de l'IA.
Pourquoi le premier de la classe échoue dans la vraie vie
Le 16 juin 2026, Arthur Mensch, le patron emblématique de Mistral AI, a publié sur LinkedIn un message d’une rare solennité. Le discours officiel y célèbre, comme toujours, l’indépendance technologiqu
En janvier 2026, la directrice financière d'OpenAI a confirmé un chiffre que personne n'a relevé. Le triplement des revenus de l'entreprise — de 6,7 à 20 milliards de dollars — suit exactement le trip
En moins de trois mois, début 2026, Nvidia a injecté plus de 42 milliards de dollars dans l'écosystème IA. 30 milliards dans OpenAI. 10 milliards dans Anthropic. 2 milliards dans Nebius. Le reste disp
Série "Couche 1 - Les Données"
C'est l'histoire de Treasure Data, plateforme de données client financée par SoftBank. En février 2026, un seul ingénieur a construit Treasure Code — une interface en langage naturel pour leur CDP — en utilisant Claude Code. Le temps de développement : une heure. Le temps de gouvernance qui a rendu cette heure possible : plusieurs semaines.
Le ratio est d'environ 1:100. Pour chaque minute de code IA, cent minutes de gouvernance humaine.
C'est ce ratio qui m'intéresse. Pas parce qu'il est choquant — mais parce qu'il est structurel.
Le coût de production du code tend vers zéro. Le coût de sa gouvernance — sécurité, audit, fiabilité, compliance — reste constant ou augmente. Et plus la production s'accélère, plus l'écart se creuse.
Ce n'est pas un problème technique. C'est un problème d'architecture organisationnelle. Et il concerne tous ceux qui décident d'adopter l'IA en entreprise — pas seulement les développeurs.
Chez Treasure Data, le CISO, le CTO, les responsables d'ingénierie et le CPO ont passé des semaines à construire le cadre qui permettrait à un ingénieur de coder en 60 minutes. Le cadre, c'est : contrôle d'accès hérité de la plateforme, données personnelles non exposables, clés API non surfaçables, pipeline de validation à trois niveaux.
Le pipeline lui-même est un hack de gouvernance intéressant :
Niveau 1 : un reviewer IA (lui-même construit avec Claude Code) évalue chaque pull request contre une checklist structurée — alignement architectural, compliance sécurité, couverture de tests.
Niveau 2 : le pipeline CI/CD classique — tests unitaires, intégration, analyse statique, linting.
Niveau 3 : review humaine, uniquement quand les niveaux 1 et 2 signalent un risque.
Le principe opérationnel est formulé avec une clarté rare : "AI writes code, but AI does not ship code." L'IA produit — le pipeline décide si le produit passe. C'est une séparation des pouvoirs appliquée au code.
Mais ce qui a cassé est aussi instructif que ce qui a marché.
Treasure Data a rendu le produit accessible sans plan de lancement — pensant que personne ne le trouverait. Plus de 1 000 utilisateurs l'ont adopté en deux semaines, par découverte organique. La certification compliance n'était pas terminée. Le produit construit en 60 minutes a atteint les clients avant que la gouvernance ne soit prête.
Deuxième faille : quand les équipes non-techniques (commerciaux, gestionnaires de comptes) ont voulu contribuer, elles ont soumis des "skills" sans comprendre les critères d'approbation — créant un backlog ingérable. La démocratisation de la production de code sans l'expertise de jugement produit de la friction organisationnelle, pas de l'efficacité.
Le code était gratuit. La gouvernance était en retard. Et la production a débordé.
Anni Chen est tech lead chez Amazon, responsable des systèmes GenAI à grande échelle. Elle vibe code "chaque jour." Son témoignage, publié en février 2026, est précieux parce qu'il vient d'une praticienne senior à l'intérieur d'un hyperscaler — ni évangéliste, ni observateur extérieur.
Le gain est réel : un problème qui aurait pris une journée de recherche résolu en 15 minutes. Ratio 30:1 pour le brainstorming de solutions techniques. C'est cohérent avec les données macro : +4 % de productivité du travail dans l'UE selon le CEPR, +73 % dans les tâches cognitives de marketing selon Ju et Aral.
Mais Chen identifie la faille structurelle : "Les LLM font des hypothèses implicites que vous ne réalisez pas qu'ils font." Si vous ne spécifiez pas explicitement le multi-threading, le LLM produira "la version minimale qui marche" — et qui crashera à un million d'utilisateurs. Le prototype fonctionne en conditions contrôlées. La production révèle les contraintes que la démonstration masque.
Le non-technicien ne peut pas anticiper ces contraintes en amont. Le technicien anticipe proactivement. La différence n'est pas de vitesse. C'est de fiabilité à l'échelle.
Et la pression sociale rend la résistance impossible. Chen : "Quand vos pairs l'utilisent et codent plus vite, c'est difficile de résister. Si vous ne suivez pas le rythme, la collaboration devient difficile." Même ceux qui résistent "consomment de l'IA passivement" — les code reviews contiennent déjà du code généré par IA.
Steve Yegge, 40 ans de développement logiciel (Amazon, Google), auteur du livre Vibe Coding, complète le tableau avec un phénomène que personne ne mentionne : le drainage cognitif. "Je me retrouve à faire des siestes en journée, et je parle à des amis en startups qui font pareil." Sa conclusion opérationnelle : un employeur ne devrait pas attendre plus de 3 heures productives par jour d'un ingénieur qui vibe-code à vitesse maximale. Le cerveau qui orchestre 4 à 10 agents simultanément s'épuise plus vite que celui qui code manuellement.
Les 100x de productivité sont réels. Mais ils tiennent dans 3 heures. Et ils nécessitent un expert pour les valider.
En février 2026, le ministère des Finances irlandais a publié la première étude gouvernementale quantifiant l'impact de l'IA sur l'emploi par tranche d'âge. Le résultat est asymétrique.
Dans les secteurs à haut risque IA (tech, finance), l'emploi des 15-29 ans a chuté de 20 % entre 2023 et 2025 — pendant que celui des 30-59 ans progressait de 12 %. Dans les secteurs à faible exposition IA, c'est l'inverse : les jeunes progressent plus vite que les seniors.
Ce croisement élimine l'hypothèse d'un "problème jeunes" générique. C'est un effet IA spécifique aux secteurs knowledge-intensive. Le mécanisme : les tâches d'apprentissage — recherche, synthèse, premières analyses, code de base — sont exactement celles que l'IA automatise en premier. Les juniors n'entrent plus parce que les tâches de junior n'existent plus.
Et c'est là que le ratio 1:100 prend une dimension temporelle.
Si le code est gratuit, la valeur humaine migre vers la gouvernance — audit, review, compliance, jugement. Mais cette expertise de gouvernance ne s'apprend pas dans un cours. On l'apprend en faisant le travail de junior pendant des années. En revoyant du code, en comprenant pourquoi un système crashe à l'échelle, en absorbant les contraintes implicites que les LLM ne formalisent pas.
Chen formule une métaphore limpide : "Le LLM présente tous les plats, et vous choisissez. Vous savez ce qui est bon parce que vous avez cuisiné." Mais si personne ne cuisine plus — parce que le vibe coding élimine le besoin de cuisiner — qui formera les futurs goûteurs ?
L'escalier qui permettait de devenir senior est en train d'être supprimé. Et avec lui, le pipeline de formation des personnes capables de faire la gouvernance que le ratio 1:100 exige.
Un dernier angle complète le tableau. Guillaume Besson, CPO, a récemment nommé un problème que les praticiens connaissent mais que personne ne mesure : le gaspillage de raisonnement dans les agents IA.
On empile les tokens. On multiplie les appels API. On se réjouit d'un résultat correct sans regarder le coût du chemin emprunté. Un agent qui résout une tâche en 50 boucles de raisonnement là où 3 suffiraient produit le bon résultat — mais à un coût 15 fois supérieur.
Quand le token est bon marché (Gemini Flash, DeepSeek V3), le gaspillage est invisible. Quand le modèle est premium (Claude Sonnet, GPT-5), il devient un gouffre. Et dans les deux cas, il complique la gouvernance : comment auditer un raisonnement de 50 boucles dont 47 sont du brassage d'air ?
Le gaspillage de raisonnement est la face computationnelle du ratio 1:100. Plus l'agent produit de tokens inutiles, plus la gouvernance humaine doit filtrer, plus le coût de supervision augmente.
Je ne crois pas que le vibe coding soit un piège. Les gains de productivité sont réels — PIB américain +3,7 %, productivité UE +4 %, ratio 30:1 chez Amazon. Les rejeter serait absurde.
Mais je crois que l'industrie fait une erreur de cadrage. Elle célèbre la vitesse de production — 60 minutes, 15 minutes, 6 600 commits — et sous-estime le coût de tout ce qui entoure la production : la gouvernance, la compliance, le jugement humain, la formation des personnes capables de juger.
Le ratio 1:100 de Treasure Data n'est pas une anomalie. C'est le vrai prix du code gratuit. Et ce prix ne baisse pas avec le temps — il augmente, parce que :
NaN. La production s'accélère — plus de code signifie plus de surface à auditer
NaN. Les non-techniciens entrent dans la boucle — la démocratisation multiplie les contributions à gouverner
NaN. L'escalier d'apprentissage disparaît — les futurs gouverneurs ne sont plus formés
NaN. Le gaspillage de raisonnement alourdit la charge de supervision
Treasure Data a compris quelque chose que beaucoup d'organisations n'ont pas encore vu : "AI writes code, but AI does not ship code." La valeur n'est plus dans l'écriture. Elle est dans le droit de publier.
Pour les organisations, la question n'est plus "faut-il adopter le vibe coding ?" — la pression sociale rend cette question obsolète. La question est : avons-nous investi dans la gouvernance au même rythme que dans la production ?
Pour la plupart, la réponse est non.
Sources :
Sean Michael Kerner, "One engineer made a production SaaS product in an hour: here's the governance system that made it possible", VentureBeat, 23 février 2026
Anni Chen (recueilli par Lee Chong Ming), "I'm an Amazon tech lead who uses AI to write code daily. There's one situation I hesitate to use it in", Business Insider, 18 février 2026
Gergely Orosz, "Steve Yegge on AI Agents and the Future of Software Engineering", The Pragmatic Engineer, 10 février 2026
Padraic Halpin, "AI adoption already hitting Irish graduate jobs, finance department says", Reuters, 18 février 2026
Guillaume Besson, "L'efficience n'est pas la performance", LinkedIn, février 2026
Erik Brynjolfsson, "The AI productivity take-off is finally visible", Financial Times, 15 février 2026
Inaki Aldasoro et al., "How AI is affecting productivity and jobs in Europe", CEPR, 17 février 2026
