Le silence que l'AI a éteint

Le débat "vaut-il encore la peine d'apprendre à programmer si l'AI existe" repart de zéro toutes les deux semaines. J'y réfléchis depuis des mois — d'abord comme à une question théorique, puis comme à une dont dépend ce que je dis à un junior qui demande "par où commencer". Une base de preuves est apparue, donc ce n'est plus opinion contre opinion. Et, pour le dire avec douceur, les deux extrêmes bruyants se trompent.

Ce n'est pas "apprendre ou ne pas apprendre". C'est sur ce que tu cèdes à l'AI et ce que tu gardes pour toi. Et sur une chose que l'AI a vraiment changée — pas dans le sens "tout a basculé", mais quelque chose de bien plus subtil : la rétroaction forcée a disparu, celle que la réalité elle-même faisait pour toi avant.

Deux extrêmes — tous les deux biaisés

D'abord, dégageons la table des deux camps bruyants qui apparaissent dans chaque discussion :

• Camp №1 : "Plus besoin d'apprendre les langages — l'AI l'écrit". Le plus bruyant chez ceux qui vendent des bootcamps "deviens développeur en 30 jours avec l'AI".
• Camp №2 : "Tout le monde va devenir bête, dans quelques années il n'y aura plus de spécialistes". Le plus bruyant chez les expérimentés, qui s'effraient un peu de leur propre impuissance face à la vitesse à laquelle les juniors paraissent productifs.

Fausse dichotomie. Sur le fond, rien de fondamental n'a changé : comme toujours, ce qui se valorise, c'est la compréhension consciente, pas le bachotage sec. L'AI ne fait que creuser l'écart entre ceux qui captent vraiment et les autres — et elle le fait plus vite qu'avant.

Ce que dit la base de preuves

Ce n'est plus "j'ai l'impression". En 2025–2026, des mesures concrètes sont apparues :

• Nature (juin 2026), "Is AI ruining our skills?" — s'appuyer trop sur l'AI dégrade les compétences. Pas seulement chez les développeurs — chez les médecins aussi.
• Anthropic RCT sur 52 ingénieurs : l'assistant AI donne une formation de maîtrise ~17% plus faible. La nuance fine — ce n'est pas la vitesse d'exécution de la tâche qui souffre, mais la formation de la compétence. Autrement dit, à court terme tu vas plus vite, à long terme — tu es pire.
• AI & Society : le deskilling est un problème structurel sans solution toute prête. Pas "l'AI est mauvaise", mais "l'outil a changé l'environnement d'apprentissage".
• TechCrunch : les ingénieurs refusent de travailler sans AI parce qu'ils n'y arrivent plus sans elle. Titre : "ça pourrait se retourner contre eux".

La conclusion de l'expert K. Crowston (cité par Nature) — ce n'est pas "AI ou pas", mais : décide consciemment quelles compétences tu gardes pour toi et lesquelles tu cèdes. C'est exactement la phrase par laquelle commence le reste du post.

Quoi céder et quoi garder

Concrètement — voilà où passe la ligne :

On ne peut pas faire la review de ce qu'on ne sait pas lire. Donc "comprendre sans connaître le langage" est une illusion ; c'est de la confiance aveugle dans l'AI. Et c'est justement le point de bascule entre "spécialiste qui utilise l'AI" et "opérateur d'AI". Le premier dirige l'AI ; le second est dirigé par elle.

Une autre distinction qu'on confond tout le temps : perte de compétence ≠ non-formation de la compétence. Un expérimenté qui s'est soudain mis à s'appuyer sur l'AI restera fort — il a déjà un modèle du monde. Un débutant qui dès le premier jour est à 100% sur l'AI ne construira jamais ce modèle. Ce sont deux problèmes différents avec des conséquences différentes.

Comment apprendre correctement — et pourquoi, sur le fond, rien n'a changé

Il faut continuer à apprendre — simplement correctement. Pas bachoter sèchement des termes ou des commandes, mais comprendre la logique et avoir conscience de comment ça fonctionne dans l'ensemble. La valeur n'est pas dans le "retenir", mais dans le "comprendre → savoir appliquer → juger".

Et l'essentiel : c'est exactement la même chose qu'avant, déjà avant l'AI. On a toujours valorisé ceux qui captent vraiment en tant que spécialistes, pas ceux qui ont appris par cœur sèchement. L'AI n'a rien renversé — elle rend juste le chemin facile plus facile (maintenant tu peux "faire" sans avoir compris), donc l'écart entre ces deux types ne fait que se creuser.

Celui qui a appris consciemment — restera ainsi. Celui qui a été paresseux — restera paresseux. L'AI n'a pas créé cette division — elle l'a juste éclairée.

Vérifie sur des exemples simples

• Mathématiques : savoir la table de multiplication par cœur, ce n'est pas encore "savoir les maths". La calculatrice a tué le calcul posé en colonne, mais pas le besoin de comprendre ce qu'est la multiplication et quand l'appliquer.
• Téléphones : tu ne gardes plus les numéros en tête — le téléphone s'en souvient. Mais tu dois savoir à qui et pourquoi appeler. La mémoire, tu l'as cédée — le jugement, tu l'as gardé.
• GPS : tu ne gardes pas les itinéraires en tête. Mais tu dois comprendre où tu vas — et remarquer que le GPS te fait faire un détour idiot.

Dans les trois cas, la machine a pris la mémoire mécanique, pas la compréhension et le jugement — et il en a toujours été ainsi. L'AI est l'itération suivante de la même chose, avec simplement une gamme plus large de ce qu'on peut maintenant déléguer.

La syntaxe est un sous-produit, pas un objectif

Ça ne veut pas dire "pas besoin de connaître la syntaxe". La syntaxe, tu l'assimileras de toute façon — mais comme sous-produit de la compréhension et de la pratique, pas comme objectif. Tu n'as pas appris %d avec des flashcards — tu as compris la logique de format-string, et c'est resté tout seul. C'est comme ça que marche l'apprentissage normal : tu comprends → tu appliques → la syntaxe se dépose toute seule. L'AI ne fait qu'accélérer cette boucle, si tu l'utilises bien.

Mais une chose a quand même changé : la rétroaction forcée a disparu

"Rien n'a changé" — c'est vrai à 80% à peu près. Une chose importante a quand même changé, et ce n'est pas une broutille.

Avant, l'environnement forçait à apprendre. Tu ne pouvais pas faire tourner du code fonctionnel sans le comprendre au moins assez pour qu'il démarre. Le compilateur, le bug, le crash — c'étaient des professeurs qui traînaient de force chacun jusqu'au niveau de base. La lutte était obligatoire — et elle construisait de la compréhension même chez les pas trop assidus.

Maintenant, ce professeur est éteint : tu peux obtenir un résultat fonctionnel sans avoir compris une seule fois comment il fonctionne. La punition pour l'incompréhension sur le moment a disparu. D'où la conséquence que la thèse "rien n'a changé" laisse de côté :

L'écart ne se creuse pas seulement entre des types figés — le nouvel environnement entraîne là-dedans aussi ceux qui avant auraient appris, parce que le chemin facile donne maintenant un résultat fonctionnel sans punition immédiate.

C'est pour ça que "le paresseux restera paresseux" est trop étroit. C'est plus une affaire d'environnement et d'habitudes que de caractère : la majorité réagit à la friction et à la rétroaction, pas par paresse "naturelle". Enlève la friction — et même les non-paresseux glissent. Le risque n'est pas seulement chez les paresseux.

Et le plus subtil — l'illusion de compétence. L'AI bouche les trous si bien que tu ne te cognes pas contre le mur de ta propre ignorance et tu ne la remarques pas. Tu as l'impression de comprendre parce que "tout marche" (effet metacognitive laziness). C'est pourquoi rester assidu est devenu plus difficile : ça demande maintenant de se créer consciemment de la friction — parfois éteindre l'AI, essayer d'expliquer ou d'écrire sans elle, vérifier "est-ce que je comprends vraiment ou est-ce que je crois juste comprendre". Avant, c'est la réalité qui faisait ça pour toi — maintenant c'est ta responsabilité.

Les règles du jeu sont les mêmes, mais le jeu est devenu plus traître — le chemin facile se déguise maintenant en succès.

Pour ceux qui captent déjà — le jeu est autre

Tout ce qui précède concerne la formation d'une compétence à partir de zéro. Si tu es déjà formé — pour toi le tableau est inversé, et c'est important de le dire, sinon le post se lit comme "l'AI est mauvaise", et ce n'est pas la thèse.

L'expérimenté connaît ses limites. Il voit ce que l'AI lui a sorti → en une demi-seconde il comprend où c'est "pas comme ça", où c'est "comme ça, mais pas pour ce cas", où c'est "comme ça et ok ici et maintenant". Il a un détecteur intégré "ça ne sent pas bon", assemblé à partir d'années d'incidents réels. L'AI n'éteint pas ce détecteur — au contraire, elle le nourrit plus vite : plus d'exemples, plus de cas, plus de patterns à filtrer rapidement.

C'est pourquoi la même AI qui risque de transformer un débutant en opérateur transforme un senior en turbo-senior. Du boilerplate en 30 secondes au lieu de 3 minutes. L'exploration d'une nouvelle bibliothèque — en une soirée, pas en une semaine. Porter un module de Python vers TypeScript — pour de vrai, pas "un jour, plus tard". C'est du nitro dans un moteur déjà assemblé.

Et encore une chose subtile : l'AI ne peut pas mentir à un expérimenté sans qu'on le voie. Elle lui ment aussi souvent qu'à un débutant — il l'attrape juste avant de finir de lire la phrase. Ce qui pour le débutant est un piège d'illusion de compétence, pour le senior n'est qu'un bug-report de plus dans le flux quotidien.

Pour ceux qui ont déjà investi du temps, l'AI c'est du turbo. Pour ceux qui n'ont pas encore investi — c'est une raison de plus de ne pas investir. Entre ces deux états il n'y a pas de milieu — et ça fait du "quand exactement tu as appris" l'un des facteurs les plus importants dans une carrière.

Risque systémique : "l'échelle cassée"

Les seniors viennent des juniors. Si l'AI mange le travail junior et que personne ne construit les fondations → dans 5–10 ans il n'y aura personne à faire grandir en senior. Le risque d'une "génération perdue" de spécialistes est réel — et ce n'est pas de l'alarmisme, c'est un simple piping problem : on a bouché le tuyau d'entrée du système, pas celui de sortie.

Pourquoi ça n'ira pas jusqu'à zéro (mais ça va faire mal) : l'équilibre "tout le monde a arrêté d'apprendre" est instable. La pénurie rend ceux qui ont appris ultra-précieux → l'incitation à apprendre revient. Les entreprises qui forment consciemment des spécialistes obtiennent une douve compétitive. Mais la transition est douloureuse : les opérateurs vont s'effondrer au premier incident sérieux, quand l'AI mentira clairement et de manière convaincante, et qu'il n'y aura personne pour démêler la vérité.

Ma position

• Apprendre le langage est obligatoire — en visant la lecture et le jugement, pas le bachotage. On ne peut pas raccourcir le chemin vers la fluidité de lecture ; l'AI ne raccourcit pas ce chemin, elle le rend juste imperceptiblement optionnel.
• Tant que la majorité "cède la compréhension" à l'AI — apprendre maintenant est une fenêtre d'opportunité : tu deviens un spécialiste rare qui dirige l'AI au lieu de la concurrencer. C'est une fenêtre à court terme — le marché finira par s'adapter. Tant qu'elle est ouverte — ce serait un péché de ne pas en profiter.
• Le régime sain : utiliser l'AI pour aller plus vite et apprendre plus en profondeur, pas pour éviter d'apprendre. L'anti-pattern — "fais tout l'exercice à ma place". Le pattern — c'est toi qui écris, l'AI explique le "pourquoi", tu comprends sa version avant de l'accepter.
• Un paradoxe pour la route : pour utiliser l'AI efficacement, il faut en savoir assez pour qu'elle ne soit pas nécessaire dans le simple. Celui qui dépend de l'AI dans les choses simples — dans les complexes sera trompé par l'AI sans la moindre chance de s'en apercevoir.

Sources

• Nature — Is AI ruining our skills? Early results are in (juin 2026) : nature.com/articles/d41586-026-01947-1
• InfoQ — Anthropic study, ~17% skill mastery drop : infoq.com/news/2026/02/ai-coding-skill-formation
• TechCrunch — Coders are refusing to work without AI : techcrunch.com/2026/05/29/coders-refusing-ai
• AI & Society — AI deskilling is a structural problem : link.springer.com/article/10.1007/s00146-025-02686-z