Pourquoi la maîtrise du domaine l’emporte sur l’optimisation du code à l’ère de l’IA

On observe un vrai changement de paradigme dans le développement logiciel. Pendant des années, la réputation d’un développeur reposait sur sa capacité à produire du code propre et efficace. Optimiser une fonction ou supprimer du code inutile était une marque de savoir-faire. Aujourd’hui, l’IA peut accomplir cette tâche en quelques secondes.

Ce n’est pas une mauvaise nouvelle. Au contraire, cela nous oblige à nous recentrer sur ce qui nous rend réellement utiles : la compréhension du problème à résoudre.

Du détail au système

Au début de sa carrière, un développeur passe beaucoup de temps à perfectionner son code à petite échelle. Il affine les noms de variables, réduit la complexité et élimine les mauvaises pratiques. Ce travail est utile et forme la discipline.

Mais lorsqu’on avance vers des rôles plus senior, le focus change. On s’intéresse davantage aux frontières entre les modules, aux contrats entre composants et aux interactions entre les différentes parties du système. On conçoit les espaces qui séparent les pièces plutôt que les pièces elles-mêmes.

AI accélère cette évolution. Un agent peut proposer une implémentation fonctionnelle plus rapidement qu’un humain ne peut ouvrir une pull request. Mais il peine encore à comprendre pourquoi un système est structuré de telle ou telle façon, ou pourquoi une responsabilité est attribuée à un module plutôt que à un autre.

Des contrats clairs pour guider l’IA

C’est pourquoi une bonne organisation du code prend aujourd’hui une importance nouvelle. Elle n’était auparavant qu’une question de lisibilité pour les humains. Maintenant, elle facilite aussi la collaboration avec des agents.

Ce qui aide vraiment une AI à travailler bien :

• Des modules bien délimités et clairement définis
• Des interfaces qui cachent les détails internes
• Des tests qui documentent le comportement attendu
• Un langage métier explicite qui décrit les concepts business

Avec ces éléments, une AI peut contribuer à un module sans avoir besoin de comprendre tout le système. On peut alors vérifier son travail grâce aux tests qui expriment nos intentions.

Les spécifications font leur retour

Il y a un regain d’intérêt pour les spécifications. Certaines approches sont encore expérimentales, mais la logique derrière cette tendance est solide.

Les specs ne sont plus des documents volumineux qui rognent en Confluence. Elles sont plutôt des artefacts actifs qui formalisent des décisions importantes :

• Où passent les frontières entre les composants ?
• Quels sont les dépendances et les contraintes ?
• Quelles sont les situations d’échec qu’il faut gérer ?

当你能表达这些 things, une AI reçoit une base solide à partir de laquelle travailler. 而你也拥有一个可验证的基准来检查其工作。