Définition et mécanisme
Le terme prolific AI psychosis désigne une situation où un individu génère un volume élevé de sortie d’IA tout en perdant la capacité d’évaluer la pertinence de ce résultat. L’auteur compare ce phénomène à un écrivain qui passe de 1 000 à 100 000 mots par jour : la cadence explose, mais la sélection minutieuse des mots s’effondre. Le déclencheur est une déconnexion légère de la réalité, c’est‑à‑dire un défaut de pensée critique qui empêche l’utilisateur de distinguer les contributions utiles des productions superflues.
Outils d’agent et flux de travail
Les agents dits « harness » encapsulent plusieurs appels à des modèles de langage pour accomplir des tâches complexes. Au lieu d’une simple question‑réponse, le harness orchestre l’ouverture de programmes, la navigation web et la rédaction de code jusqu’à obtenir une solution. Un exemple cité est Claude Code, qui permet de créer une application iPhone en quelques minutes après quelques phrases d’instruction. Cette automatisation réduit le temps de développement de plusieurs dizaines d’heures à quelques minutes, mais le résultat reste souvent rudimentaire et nécessite une validation manuelle.
Conséquences sur la productivité
Le texte indique que certains ingénieurs produisent « des milliers de lignes de code chaque jour », alors que la valeur réelle de ces lignes est marginale. La corrélation entre le nombre de lignes et la productivité est décrite comme « faiblement corrélée ». En pratique, le code généré peut créer des fichiers redondants, introduire des bugs qui nécessitent des corrections plus coûteuses, ou reconstruire des solutions déjà disponibles en open source. Le coût de supervision augmente : le développeur doit vérifier chaque suggestion, identifier les parties « toddler‑running‑across‑white‑carpet‑with‑a‑jug‑of‑red‑Kool‑Aid » et corriger les erreurs avant que le projet ne devienne ingérable.
Limites et stratégies d’atténuation
Le phénomène s’accentue lorsque la vitesse perçue est multipliée par 100, comme le suggère le scénario hypothétique d’un ingénieur capable d’accomplir des tâches 100 fois plus rapidement. Cette accélération pousse l’utilisateur à augmenter le nombre de machines automatisées, à réduire le sommeil et à négliger les retours humains. Pour limiter le risque, il faut instaurer des points de contrôle explicites : validation du code par des tests unitaires, comparaison avec des bibliothèques existantes, et limitation du nombre d’itérations automatiques avant revue humaine. Sans ces garde‑fous, la production massive d’IA conduit à une dette technique qui dépasse les gains de vitesse initiaux.
