Contexte de l’adoption de l’IA
Depuis 2024, les développeurs intègrent des modèles de langage large (LLM) dans leurs flux de travail. Le résultat observable est une multiplication des livrables générés automatiquement : propositions de conception, plans d’affaires, tickets, résumés de réunions et pull‑request. L’auteur signale que ces artefacts, bien que produits rapidement, sont souvent illisibles parce qu’ils manquent de fil narratif et de jugement humain.
Limites de la génération de texte sans contexte
Le problème principal réside dans l’absence de contexte partagé. Un résumé de pull‑request, par exemple, décrit chaque modification (« this was changed to that », « tests were added ») sans indiquer la priorité, le risque ou la zone d’attention attendue. De même, les messages personnels rédigés avec IA conservent les éléments factuels mais perdent la tonalité et la cohérence, rendant la lecture « impersonnelle » et décourageant toute réponse.
Analyse des retours d’utilisateurs
Une enquête citée par Cynthia Dunlop montre que 78 % des lecteurs arrêtent la lecture lorsqu’ils perçoivent un texte comme assisté par IA, et 71 % évitent l’auteur à l’avenir. Le même sondage indique que 98 % préfèrent le style original, même avec ses imperfections. Ces chiffres illustrent une réaction de rejet systématique, confirmée par Bryan Cantrill qui décrit ce phénomène comme un « déclencheur d’éjection LLM ».
Le texte de Bjarne Stroustrup, cité dans l’essai, renforce l’idée que la voix de l’auteur crée un lien cognitif : les lecteurs perçoivent les accents et les particularités comme un signe de présence humaine, ce qui manque aux productions IA.
Bonnes pratiques observées
Lorsque l’auteur reste le maître du prompt, le résultat peut être utile. Dans le cadre d’un article académique rédigé en LaTeX, l’auteur a fourni à l’IA le guide de style du journal, le modèle LaTeX, le code source, les logs et les métriques de production. L’IA a alors vérifié la précision de chaque paragraphe (par exemple, la présence d’index sur des colonnes de base de données ou le tri des fichiers Parquet). Cette utilisation ciblée a permis de détecter des omissions et des inexactitudes sans générer de texte complet.
Un autre gain constaté concerne la génération de références BibTeX : l’auteur insère des instructions parenthétiques (« [ref] ») et l’IA complète automatiquement les citations, évitant ainsi l’interruption du flux d’écriture.
En résumé, l’efficacité de l’IA réside dans l’assistance ponctuelle (vérification, complétion de métadonnées) plutôt que dans la production autonome de documents destinés à un lecteur externe.
