Constat des pratiques d'IA

L’auteur indique avoir produit 90 % du code chez Meta grâce à des modèles de langage, puis 100 % dans son nouvel employeur, ce qui reflète la norme actuelle dans plusieurs grandes entreprises. Cette adoption massive crée un environnement où la majorité du code provient d’outils dont la fenêtre de contexte est limitée à quelques milliers de tokens, ce qui empêche la prise en compte des exigences à long terme.

Mécanismes de fragilité identifiés

Quatre mécanismes sont décrits. Premièrement, les tests générés sont superficiels : les agents produisent souvent des tests de getters/setters ou reproduisent des scénarios déjà couverts, laissant des zones non mesurées par la couverture ligne. Deuxièmement, le code devient excessivement complexe ; les modèles insèrent plusieurs fonctions auxiliaires pour respecter le principe DRY, augmentant la profondeur d’appel sans bénéfice fonctionnel. Troisièmement, la compréhension humaine diminue : chaque génération supplémentaire éloigne les développeurs du code, réduisant leur capacité à identifier des incompatibilités structurelles. Enfin, la cadence des pull‑requests s’accélère, forçant les revues à être plus rapides et à négliger les détails qui génèrent de la dette technique.

Conséquences observées sur la résilience

Le texte cite des incidents concrets : après le passage à la génération massive, un p0 a été enregistré, suivi de deux SEV le mois suivant, puis d’incidents chaque week‑end pendant plusieurs mois. Cette hausse du nombre d’incidents s’accompagne d’une allongement du temps de résolution, les équipes devant explorer un code qu’elles ne maîtrisent pas. De plus, des erreurs ne sont détectées que par les utilisateurs finaux, car les tests automatisés ne couvrent pas les cas d’usage réels. Le résultat est une dégradation de l’expérience utilisateur et une augmentation du coût opérationnel lié aux interruptions.

Limites de l’analyse

L’article repose sur des observations qualitatives et ne fournit pas de métriques chiffrées précises (taux de couverture, temps moyen de résolution, nombre exact d’incidents). En l’absence de données quantitatives, l’interprétation reste subjective et dépend du contexte organisationnel. Néanmoins, les mécanismes décrits sont cohérents avec les contraintes techniques des modèles de langage actuels et méritent d’être étudiés dans des études empiriques plus rigoureuses.