Le Code Rapide, la Compréhension Lent

Avouons-le : le vibe coding, c'est séduisant. Tu décris ce que tu veux. Le code apparaît. Les pipelines se mettent en place. Les fonctionnalités débarquent. C'est grisant. Vraiment. On n'avait jamais eu cette vitesse auparavant.

Mais ce que les démos en conférence ne montrent jamais ? Six mois plus tard, quand le pipeline plante, quand les besoins changent, quand un nouvel ingénieur arrive dans l'équipe... où est-ce que tout ça vit ?

Réponse honnête : généralement nulle part exploitable.

Le Problème de la Mémoire Évanescente

Quand tu fais du vibe coding, tu balances une quantité massive de contexte dans tes prompts. Les règles métier. Les hypothèses. Les cas limites. Les dépendances en aval. Le raisonnement derrière le choix de la méthode A plutôt que B. Tout ça part dans la conversation, se cristallise en code généré, puis... s'évapore comme la rosée du matin.

Le code reste. Le raisonnement disparaît.

Ce n'est pas juste un problème de documentation. C'est un problème systémique avec le développement assisté par IA. On génère des systèmes à une vitesse folle tout en perdant simultanément la connaissance institutionnelle qui rend ces systèmes maintenables, débugables et évolutifs.

Pour les plateformes de données, c'est pire. Les architectures data modernes ne sont pas des applications uniques. Ce sont des écosystèmes. Couches d'ingestion, logique de transformation, frameworks d'orchestration, couches sémantiques, APIs de service, pipelines ML. Chaque composant ignore tout des autres, sauf à travers des contrats implicites et fragiles.

Pourquoi le Data Engineering Souffre Plus

Si tu construis une app CRUD, le problème de mémoire du vibe coding est embêtant. Si tu gères une plateforme data d'entreprise, ça peut devenir existentiel.

Le data engineering a toujours été une question de coordination. La logique métier doit être cohérente entre les transformations. Les changements de schéma se propagent en aval de façon prévisible (ou imprévisible). Les règles de validation protègent la qualité des données. Les dépendances d'orchestration déterminent le succès ou l'échec.

Quand l'IA génère cette logique à partir de prompts, toute cette connaissance de coordination reste humaine. Elle vit dans les têtes des ingénieurs seniors. Elle se cache dans des fils Slack de 2023. Elle est enterrée dans des pages Notion que plus personne ne met à jour.

La plateforme elle-même n'a aucun souvenir de pourquoi elle a été construite comme ça.

Une Approche Différente

Et si les spécifications devenaient partie intégrante du système ?

Le développement piloté par les specs change la donne. Au lieu de prompts qui génèrent du code auquel on ajoute ensuite de la documentation, du raisonnement et de la mémoire institutionnelle par-dessus, la spécification devient la source de vérité — exécutable, versionnée et persistante.

Tes règles métier ne sont plus juste « ce que le code fait ». Ce sont des contrats explicites et testables qui survivent au-delà de n'importe quelle conversation. Ta logique d'orchestration n'est plus juste « ce qui tourne quand ». C'est une définition versionnée que les humains et les agents IA peuvent raisonner de façon cohérente.

Il ne s'agit pas de remplacer la génération par IA. Il s'agit de donner aux systèmes générés par IA quelque chose qui leur manquait : un socle stable de connaissance opérationnelle persistante.

L'Honnêteté Avant Tout

Soyons clairs : le développement piloté par les specs, ce n'est pas une solution miracle. Ça demande un investissement en amont. Ça oblige les équipes à réfléchir explicitement aux besoins avant de générer. Ça demande de la discipline, ce qui peut entrer en conflit avec la vitesse qui rend le vibe coding attirant.

Mais si tu construis des systèmes faits pour durer, pour évoluer, pour être maintenus par des équipes qui changeront au fil du temps, cet investissement en amont se rentabilise.

Le meilleur moment pour construire une mémoire système persistante, c'était il y a six mois. Le deuxième meilleur moment, c'est maintenant.

En Résumé

Le vibe coding est un multiplicateur de productivité incroyable pour l'implémentation. Mais l'implémentation n'est qu'une partie du cycle de vie du logiciel. La maintenance, l'évolution, le debug et le transfert de connaissance, c'est là que les systèmes passent réellement l'essentiel de leur existence.

Si on compte sur l'IA pour générer des systèmes de plus en plus complexes, on doit être aussi réfléchis sur la façon dont ces systèmes préservent leur propre compréhension au fil du temps.

L'avenir du développement assisté par IA, ce n'est pas juste une génération plus rapide. C'est une génération qui construit des systèmes capables de s'expliquer eux-mêmes.

Comment gères-tu la préservation du contexte dans tes workflows de développement assisté par IA ? On adoreraient savoir comment différentes équipes abordent ce défi.