Contexte et données observées
L’auteur compare son activité GitHub de 2019 à 2026. En 2020, il a enregistré 2 711 contributions, puis une baisse à 1 839 en 2021 et 1 498 en 2022. En tant que Principal Engineer (août 2022‑juillet 2025), il a maintenu une moyenne de 114 contributions mensuelles contre 173 lorsqu’il était Full‑Stack Engineer. En 2026, avant le 27 octobre, il atteint déjà 2 102 contributions, dépassant chaque année complète de 2021‑2025. Le mois d’août 2026 établit un record historique avec 427 contributions, contre le précédent pic de 319 en avril 2020. Le nombre moyen de contributions par jour de semaine passe de 3‑4 (2022‑2025) à 7 en 2026, et les jours sans activité chutent de 40‑46 à 18. Les journées de plus de 24 contributions passent de 1 par an à 16 en 2026. Les contributions publiques restent marginales (191, moins de 10 % du total).
Mécanismes des agents IA
L’ingénieur utilise plusieurs agents autonomes qui exécutent des tâches parallèles : implémentation de changements, investigations de production, revues de code et recherches préliminaires. Chaque agent fonctionne de façon asynchrone, mais renvoie régulièrement des questions, des plans à valider ou des diff à examiner. Cette architecture « push‑based » crée des points de synchronisation où l’humain doit intervenir, provoquant des changements de contexte fréquents. Le coût cognitif de chaque interruption dépend du temps de rechargement du dépôt, du problème et des décisions à prendre, ce qui augmente la charge mentale même si le temps de calcul de l’agent est négligeable.
Impact sur la charge de travail
Les données montrent que la productivité brute (nombre de contributions) a repris les niveaux de l’époque où l’auteur était uniquement développeur. La raison n’est pas une hausse du temps disponible, mais la réduction du « friction cost » pour initier de nouvelles tâches : les agents rendent le prototypage et la correction de bugs « cheap », incitant à accepter davantage de tickets. Le phénomène de « burst‑then‑burnout » apparaît sous forme de cycles mensuels : janvier‑février (277 et 233 contributions), suivi d’une décélération, puis un pic en août (427). Chaque cycle débute par l’introduction d’un nouveau modèle ou d’un workflow, ce qui crée une vague d’idées exploitables. L’absence de friction naturelle entraîne une accumulation de contextes, ce qui explique la fatigue décrite malgré l’automatisation.
Limites et perspectives
Le principal risque identifié est le sur‑engagement cognitif lié aux interruptions fréquentes. Aucun indicateur de qualité (bugs introduits, temps de revue) n’est fourni, ce qui empêche d’évaluer si la hausse de contributions se traduit par une amélioration du produit. De plus, la dépendance aux agents privés rend difficile la généralisation des résultats. Pour maîtriser la charge, il serait pertinent d’introduire des garde‑fous : limitation du nombre d’agents actifs, agrégation des réponses avant validation humaine, ou métriques de coût d’interruption. Sans ces contrôles, l’effet d’amplification du travail pourrait conduire à un épuisement durable.
