Édition Markdown

AI-translated from English; not yet reviewed by a fluent editor.

# L’IA peut écrire le code. Qui apprendra à le réparer ?

> Une tâche de programmation peut être terminée avant que la personne qui l’a réalisée comprenne le système. Deux expériences posent une question concrète aux équipes : comment les développeurs juniors apprendront-ils à expliquer, diagnostiquer et adapter le travail assisté par l’IA ?

By BIG CHANGE Editorial

Published: 2026-09-22T16:40:55.934Z
Updated: 2026-09-22T16:40:55.934Z
Canonical: https://bigchange.ai/blog/ai-coding-skills-learning-apprenticeship

![An automated arm assembles abstract interlocking modules while a junior developer studies orange pathways inside an opened module.](https://bigchange.ai/api/media/file/ai-coding-learning-apprenticeship-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE. Automation can deliver a finished implementation before a newcomer has traced how it works. This conceptual scene represents the need to build understanding alongside AI-assisted output; it is not a product interface, study result or forecast of inevitable deskilling.

Un développeur junior peut demander à un assistant d’IA d’utiliser une bibliothèque inconnue, obtenir du code fonctionnel et passer à autre chose. La fonctionnalité est parfois prête avant que le développeur comprenne pourquoi elle fonctionne. Cela compte lorsque le code échoue ensuite, que les exigences changent ou qu’il faut décider si la correction de l’assistant est sûre.

L’ingénieur logiciel Alexandru Nedelcu a exprimé cette inquiétude dans un [essai du 22 septembre](https://alexn.org/blog/2026/09/22/ai-has-no-wisdom-and-neither-will-you). Il soutient que les développeurs acquièrent leur jugement en lisant du code, en faisant des choix et en assumant leurs erreurs. Sa prédiction selon laquelle certaines entreprises annonceront des règles contre l’IA relève de l’opinion, et non d’un changement observé dans le secteur. Une expérience distincte publiée en janvier formule la question de l’apprentissage de manière plus restreinte et vérifiable : qu’avaient compris les programmeurs juste après avoir effectué une tâche avec l’aide de l’IA ? [La présentation de la recherche par Anthropic.](https://www.anthropic.com/research/AI-assistance-coding-skills)

## Le grand changement

- **Ce qui change :** L’IA facilite la remise d’un logiciel terminé sans que la personne qui le crée ait étudié sa logique. Elle peut proposer une implémentation avant qu’un débutant ait pratiqué les décisions nécessaires pour l’expliquer ou la réparer.
- **Pourquoi c’est important :** Les responsables peuvent gagner en productivité aujourd’hui tout en affaiblissant le parcours qui permet aux juniors de devenir ceux qui diagnostiqueront les pannes de demain. Le risque est particulièrement marqué lorsqu’une tâche fait intervenir des concepts inconnus ; l’assistance peut toujours être utile pour les tâches familières.
- **À surveiller :** Les équipes pourraient intégrer l’apprentissage au travail livré, en prévoyant du temps pour expliquer, diagnostiquer et adapter le travail assisté par l’IA. Dans ce cas, les exercices de recrutement et les outils de programmation pourraient évaluer la compréhension démontrée en plus de la rapidité.

## Terminer une tâche et acquérir une compétence sont deux résultats différents

Dans [une étude randomisée menée auprès de 52 programmeurs](https://arxiv.org/abs/2601.20245), les participants ont utilisé Trio, une bibliothèque Python inconnue, pour effectuer deux tâches de programmation. La moitié disposait d’un assistant d’IA dans son environnement de codage ; l’autre moitié n’en avait pas. Tous savaient qu’un questionnaire suivrait. Celui-ci évaluait les concepts, la lecture de code et le débogage peu après l’exercice.

Le groupe avec IA a obtenu une moyenne de 50 %, contre 67 % pour le groupe sans IA : un écart de 17 points de pourcentage, et non une baisse relative de 17 %. L’écart le plus important concernait les questions de débogage. Le groupe avec IA a terminé environ deux minutes plus vite en moyenne, mais cette différence n’était pas statistiquement significative. Ces résultats portent sur une brève expérience avec une seule bibliothèque et un test immédiat ; ils ne mesurent ni la carrière des développeurs ni la qualité d’un système en production. [Résultats et limites de l’étude.](https://www.anthropic.com/research/AI-assistance-coding-skills)

Les chercheurs ont aussi observé comment les participants utilisaient l’assistant. Certains lui déléguaient largement le code et le débogage ; d’autres demandaient des explications ou étudiaient les concepts par eux-mêmes. Les approches les plus actives tendaient à obtenir de meilleurs scores, mais ces petits groupes ont été définis après l’expérience. Les participants ont été répartis au hasard selon leur accès à l’IA, et non selon une manière particulière de lui parler. Demander une explication peut aider une personne à apprendre, mais cette étude ne peut pas prouver qu’un prompt ou flux de travail précis évite l’écart d’apprentissage. [L’analyse des interactions de l’article.](https://arxiv.org/html/2601.20245v2)

Une erreur est souvent l’occasion pour un débutant de découvrir les hypothèses d’une bibliothèque. Si l’assistant prend en charge l’implémentation initiale et sa réparation, le développeur risque d’être moins souvent confronté à ces hypothèses. C’est l’une des explications possibles de l’écart observé au débogage.

## La rapidité compte aussi, et la tâche change la réponse

L’assistance par l’IA a également accéléré le codage dans d’autres conditions. Dans [une expérience contrôlée avec GitHub Copilot](https://arxiv.org/abs/2302.06590), 95 prestataires professionnels ont été affectés à la création d’un serveur HTTP en JavaScript. Parmi les personnes ayant terminé, le groupe Copilot a réalisé la tâche en 71 minutes environ en moyenne, contre environ 161 minutes pour le groupe témoin, soit une réduction de 55,8 % du temps d’exécution. Les chercheurs n’ont pas évalué ce que les programmeurs avaient appris par la suite. La tâche était une implémentation délimitée, et non la découverte d’une bibliothèque inconnue suivie d’un questionnaire de compréhension.

Ces deux résultats peuvent être utiles à un responsable. Si un développeur expérimenté utilise l’IA pour accélérer les tâches répétitives, le temps gagné peut être réel. Lorsqu’il s’agit d’apprendre un nouveau système, il faut évaluer séparément la rapidité de production et la compréhension. Une interdiction générale de l’IA ferait perdre des gains potentiels sans répondre à la question de l’apprentissage.

L’essai de Nedelcu va plus loin que l’expérience. Il soutient que la maintenabilité devient visible sur des mois ou des années et que l’expérience se construit en assumant les erreurs. L’étude ne mesure pas la maintenabilité à long terme et ne montre pas que les utilisateurs de l’IA cessent complètement d’apprendre. Sa question utile porte sur l’organisation : si une équipe délègue de plus en plus les tâches formatrices, où les futurs dépanneurs pourront-ils acquérir cette pratique ? [L’essai de Nedelcu.](https://alexn.org/blog/2026/09/22/ai-has-no-wisdom-and-neither-will-you)

## Donner à la personne en formation quelque chose à démontrer après l’exécution du code

Une réponse pratique consiste à confier une tâche assistée par l’IA à un débutant, puis à lui demander une courte vérification autonome avant de considérer le travail comme formateur. Voici l’exercice que nous proposons ; aucune des deux études ne l’a évalué :

1. **Expliquer :** Sans demander l’aide de l’assistant, décrivez pourquoi la partie inconnue du code fonctionne, quelles hypothèses elle implique et dans quelles conditions elle échouerait. Un ingénieur expérimenté peut poser une question complémentaire portant sur la modification réelle.
2. **Diagnostiquer :** Introduisez un petit défaut réaliste dans une branche de test sécurisée. Demandez à la personne en formation d’en trouver la cause et d’expliquer quelle observation a permis d’écarter une fausse piste tentante. L’objectif est le raisonnement, pas la mémorisation d’une commande.
3. **Adapter :** Modifiez une exigence, puis demandez à la personne de réviser l’implémentation et ses tests. L’IA reste autorisée, mais elle doit pouvoir défendre le nouveau comportement et indiquer ce qu’elle doit encore vérifier.

Par exemple, après qu’un assistant a écrit une nouvelle opération asynchrone, un réviseur peut demander ce qui se passe si elle est annulée à mi-parcours. Le développeur devrait pouvoir suivre le chemin d’exécution et tester une exigence modifiée. Une revue de code peut repérer un défaut tout en laissant la personne en formation incapable de traiter le suivant. L’exercice proposé vérifie si les connaissances accompagnent le code livré.

Il n’est pas nécessaire de transformer chaque ticket courant en examen. Une équipe peut réserver l’exercice aux bibliothèques inconnues, aux modes de défaillance récurrents ou aux tâches dont un collègue junior devra ensuite être responsable. Cela prend du temps rémunéré et nécessite un réviseur qui connaît le système. Si la direction ne comptabilise que les tâches fusionnées et le temps gagné, ce sont peut-être les premiers coûts supprimés. Le problème de formation s’aggraverait alors, même si la production du jour augmente.

## La question de l’apprentissage concerne aussi le recrutement et la conception des outils

Les postes juniors ont souvent associé le travail livré à une pratique supervisée. L’IA modifie cet équilibre lorsqu’un candidat peut présenter une fonctionnalité terminée impressionnante sans montrer son raisonnement. Les employeurs pourraient demander aux candidats d’expliquer et de modifier un petit élément de travail, plutôt que de prendre un dépôt bien présenté comme preuve de compétence autonome. C’est une réponse possible pour le recrutement, et non la preuve d’une tendance actuelle. L’exercice devrait évaluer les capacités réellement nécessaires pour le poste, sans exiger que chaque candidat travaille sans outil.

Les outils de programmation sont confrontés à un choix similaire. Un assistant peut viser une réponse rapide ou faciliter l’examen des hypothèses, les questions conceptuelles et l’essai d’une modification avant de révéler une solution. Les modes d’interaction observés dans l’étude justifient d’essayer la deuxième approche, sans établir qu’une interface précise améliore l’apprentissage. Pour les employeurs, la question d’achat correspondante est de savoir si un outil aide le personnel à apprendre à examiner et modifier ses résultats, et pas seulement s’il génère du code.

Le questionnaire court ne peut pas nous dire qui deviendra expert dans cinq ans. Il montre toutefois pourquoi une implémentation acceptée ne remplace pas la preuve de compréhension d’une tâche inconnue. Les équipes qui souhaitent à la fois automatiser et former une nouvelle génération compétente doivent prévoir du temps pour la pratique et vérifier ce que les personnes savent faire lorsque la réponse change.

## Sources

- [Alexandru Nedelcu : l’IA n’a aucune sagesse, et vous non plus](https://alexn.org/blog/2026/09/22/ai-has-no-wisdom-and-neither-will-you) — L’essai de Nedelcu soutient que le jugement en ingénierie se développe par la lecture, la prise de décisions et la responsabilité des erreurs. Ses affirmations sur la maintenabilité et sa prédiction de règles interdisant l’IA relèvent de l’opinion, et non de résultats mesurés.
- [Anthropic : comment l’assistance de l’IA influence l’acquisition des compétences en programmation](https://www.anthropic.com/research/AI-assistance-coding-skills) — Les chercheurs décrivent l’expérience randomisée Trio menée auprès de 52 personnes : 50 % contre 67 % au questionnaire immédiat, soit 17 points de pourcentage ; la faible différence de temps d’exécution n’était pas significative. Les modes d’interaction sont des observations et l’étude ne mesure pas les carrières à long terme.
- [Shen et Tamkin : comment l’IA influence l’acquisition des compétences](https://arxiv.org/abs/2601.20245) — L’article de recherche décrit la tâche, les participants, la répartition aléatoire et l’évaluation. Sa version de février corrige des erreurs dans un tableau. Nous nous en servons pour limiter le résultat causal à l’accès à l’IA et à la compréhension immédiate, et non pour prescrire une technique de prompt éprouvée.
- [Peng et coll. : l’impact de l’IA sur la productivité des développeurs](https://arxiv.org/abs/2302.06590) — Dans une autre étude contrôlée sur Copilot, des prestataires professionnels ont réalisé plus vite une tâche de programmation d’un serveur JavaScript avec l’IA ; la réduction de 55,8 % concerne les personnes ayant terminé. Cette étude n’évalue pas l’apprentissage et la tâche diffère de l’exercice Trio avec une bibliothèque inconnue.