Illustration par ChatGPT 4o

Auteurs :

Pour les prompts : Paul Jorion ; pour le texte : ChatGPT (4o et o3), Claude-sonnet-4 et DeepSeek R1

Visions divergentes de l’IA en Chine et en Occident

Au-delà des seules capacités techniques et des stratégies, la rivalité sino-américaine en matière d’intelligence artificielle est « idéologique », car elle reflète les valeurs et priorités propres à chaque société. La technologie de l’IA ne se développe pas en vase clos – elle reflète et renforce le contexte social et philosophique de ses créateurs. Aux États-Unis et dans une grande partie de l’Occident, les débats autour de l’IA sont souvent encadrés par des préoccupations concernant les droits individuels, la transparence et l’usage éthique. En Chine, l’IA est majoritairement perçue comme un outil destiné à faire progresser des objectifs collectifs comme l’ordre social et le développement économique, quitte à reléguer au second rang certaines libertés individuelles. Ces visions divergentes conduisent à des mises en œuvre et des impacts de l’IA dans chaque société très différents.

En Occident, la montée en puissance de systèmes d’IA comme le modèle o3 d’OpenAI s’accompagne d’un débat public actif sur la règlementation, l’éthique et les implications sociétales de l’IA. À mesure que ces modèles s’annexent des domaines comme la médecine, l’éducation ou le droit, des questions émergent quant à leur responsabilité et à d’éventuels biais. Les législateurs en Europe et en Amérique du Nord élaborent des lois pour garantir la transparence et l’équité des systèmes d’IA. La législation européenne sur l’IA met explicitement l’accent sur une approche centrée sur l’humain, exigeant que les systèmes d’IA à haut risque soient explicables et respectent la vie privée et la sécurité. De même, les États-Unis ont présenté des principes équivalents dans une « Déclaration des droits de l’IA » et incité les entreprises à adopter un développement responsable, par crainte que l’IA non règlementée ne cause des dommages – de la discrimination algorithmique à la désinformation de masse.

L’opinion publique occidentale est ambivalente : enthousiasmée par les promesses de l’IA pour soigner des maladies ou personnaliser l’éducation, mais inquiète de la disparition de l’emploi, de l’invasion de la vie privée et du pouvoir concentré des grandes entreprises technologiques. L’arrivée de modèles comme OpenAI o3, que seuls quelques acteurs peuvent se permettre de déployer, alimente les craintes d’une fracture numérique : l’IA avancée profitera-t-elle à tous, ou ne fera-t-elle qu’élargir le fossé entre riches et pauvres en technologie ? L’impact environnemental de l’entraînement de ces modèles – qui consomment énormément d’électricité et d’eau pour leur refroidissement – fait également l’objet de critiques croissantes. En bref, le discours occidental traite souvent l’IA comme une lame à double tranchant : source d’innovation et de prospérité, mais qui nécessite des garde-fous pour l’aligner avec les valeurs démocratiques et les droits de l’Homme.

En Chine, le contrat social autour de la technologie est différent. Le gouvernement et une partie de la population privilégient la stabilité collective et le progrès plutôt que l’autonomie individuelle dans la sphère numérique. L’IA est rapidement intégrée dans la gouvernance et le quotidien, souvent avec un accent mis sur le contrôle et l’optimisation. Un exemple emblématique est l’usage massif de systèmes de surveillance pilotés par IA. Les villes chinoises sont connues (ou critiquées) pour leurs réseaux étendus de caméras de vidéosurveillance enrichies par reconnaissance faciale. Ces systèmes permettent de suivre les individus, de détecter les comportements suspects, voire d’attribuer des notations en « crédit social » à partir de données agrégées sur les activités des citoyens. Pour les autorités chinoises, ces applications promettent sécurité renforcée, prévention de la criminalité et efficacité des « villes intelligentes ». La Chine a effectivement fait d’importants progrès dans la reconnaissance faciale et d’autres technologies de surveillance qui implémentent directement son modèle de gouvernance. Mais ces usages soulèvent des préoccupations éthiques majeures. Les défenseurs des droits humains affirment que la surveillance alimentée par l’IA érode la vie privée et permet un contrôle social sans précédent. Des rapports évoquent l’usage de l’IA pour surveiller les minorités ethniques (comme les Ouïghours au Xinjiang) et censurer les contenus en ligne jugés « indésirables ». Cela contraste fortement avec les conceptions libérales de la vie privée. Pourtant, en Chine, ces pratiques sont souvent justifiées comme nécessaires à l’harmonie sociale et à la sécurité nationale. Le postulat philosophique est que l’IA peut être une force neutre ou bénéfique si elle est dirigée par l’État vers le bien-être collectif – même si cela implique de restreindre certaines libertés. Par ailleurs, l’IA est perçue comme un levier de productivité économique (automatisation des usines, logistique) et un outil-clé pour garantir la compétitivité globale de la Chine. Ainsi, quand une entreprise technologique occidentale pourrait reculer face au rejet d’une fonctionnalité controversée, une entreprise chinoise reçoit souvent l’encouragement de l’État, dès lors qu’elle s’aligne sur les objectifs stratégiques.

Ces différences dessinent ce que l’on pourrait appeler « une IA à caractéristiques nationales ». Dans les pays occidentaux, les modèles d’IA sont calibrés pour éviter les contenus nuisibles, publier des rapports de transparence, ou intégrer des lignes directrices éthiques (OpenAI a par exemple mis en place des procédures pour atténuer les biais et la désinformation dans les réponses de ChatGPT). En Chine, les modèles comme DeepSeek peuvent être préconfigurés avec des filtres de censure intégrés qui appliquent les consignes de propagande étatique (comme le refus d’aborder certains sujets sensibles au Parti communiste). Des témoignages indiquent que les agents conversationnels chinois éludent ou répètent la ligne officielle lorsqu’on les interroge sur des sujets politiques. L’IA chinoise excelle dans les tâches valorisées par l’État : compréhension linguistique fine du mandarin et des documents officiels, reconnaissance faciale de précision, et algorithmes de recommandation diffusant des contenus à « énergie positive » (une expression désignant les messages pro-gouvernementaux).

Il est important de souligner qu’aucune des deux approches n’est monolithique ou figée. En Chine, il existe des débats sur la vie privée (des citoyens contestent certaines dérives locales). En Occident, certains plaident pour un usage plus poussé de l’IA dans les domaines de la sécurité ou du contrôle des frontières. Malgré ces nuances, la tendance générale reflète les valeurs dominantes : gouvernance centrée sur l’individu et les droits dans l’Ouest, gouvernance centrée sur l’État et l’ordre en Chine. Chaque camp tend à présenter l’autre comme un repoussoir : les commentateurs américains dénoncent un « autoritarisme numérique » si le modèle chinois s’exporte, tandis que la presse officielle chinoise critique l’éthique occidentale de l’IA comme un frein à l’innovation et un obstacle à la stabilité.

L’impact sociétal de l’IA alimente donc directement la compétition géopolitique. Si les citoyens chinois acceptent largement la surveillance automatisée et que celle-ci améliore l’efficacité, la Chine pourrait prendre l’avantage dans le déploiement à grande échelle (services publics, armée, gestion urbaine), sans les obstacles de contestation ou de débats parlementaires. Inversement, si les démocraties occidentales réussissent à développer l’IA tout en respectant les libertés individuelles, elles pourraient offrir un modèle plus séduisant à d’autres pays – remportant ainsi la bataille des « cœurs et des esprits » de ce conflit idéologique. On constate donc que la manière dont l’IA s’intègre à la société est aussi décisive que ses performances techniques.

J’avais vu La Maman et la Putain au moment où c’est sorti, il y a 52 ans.

Cinquante-deux ans … ça me rajeunit tellement d’y penser ! Je l’avais conservé précieusement tout au fond de ma mémoire. Pas comme un souvenir ému, ni mélancolique, mais comme le souvenir d’un petit sourire en coin.

Cela dit, je ne suis jamais parti à sa recherche dans des expéditions vers des médiathèques de contrées lointaines. C’est l’histoire qui est revenue vers moi l’année dernière sous la forme de la publication du « Coffret Jean Eustache ». Tout y est de ses films , y compris Le Père Noël a les yeux bleus.

Je regarde La Maman et la Putain en feuilleton depuis quelques jours – ça fait quand même 3 heures et 40 minutes – et hier en m’arrêtant – vers 2 heures du mat’ et quelque chose – j’ai été déçu : il ne me reste plus à voir qu’une quarantaine de minutes seulement !

Car qu’est-ce qui fait le charme pour moi de ce film de 1973 ? Que ce n’est pas un vrai film : c’est un documentaire. Ce qu’on peut voir à l’écran cette année-là, en 1973, c’est une fillette possédée par Satan, la corruption des flics new-yorkais avec Al Pacino, des gens qui dans le futur mangent en comprimés des cadavres recyclés, et ainsi de suite. Alors que pour mes copines et mes copains, qui avons exactement le même âge que Jean-Pierre Léaud et Françoise Lebrun, c’est de la caméra cachée si on veut : c’est notre vie, de jeunes intellos, plus ou moins glandeurs, plus ou moins infirmières. Il n’y a qu’un truc dans lequel je ne me reconnais pas : se mettre au lit sans enlever ses godasses, j’étais quand même trop à moitié Hollandais pour ça !

Aller au cinéma et passer 220 minutes à se voir sur l’écran avec ses poteaux – ou apparentés, cela mérite bien, 52 ans plus tard, un petit sourire en coin au fond de la mémoire.

Annie Le Brun et moi nous avons eu comme ça, comme eux, des conversations de 12 heures dans des cafés parisiens, que seul interrompait le regard las d’un garçon signifiant : « J’ai vraiment envie d’aller me coucher ! ». Un jour, en arrivant à La Coupole, nous avons vu que la décoration avait changé : aux murs pendaient maintenant de grandes photos prises en général là. Au-dessus de l’endroit où nous avions l’habitude de nous asseoir, trônaient désormais Malraux en compagnie de Sonia Delaunay.

Annie a dit en s’assoyant : « Eh bien ! Ils sont là (au mur) et nous, nous sommes ici (sur la banquette) ! », avec ce même petit sourire en coin dont je parlais tout à l’heure, qui lui allait si bien, et dont elle ne se départait que pour s’indigner.



Françoise Lebrun chante Paul Delmet

Damia

Zarah Leander

Je n’ai que tant d’heures dans une journée, en plus j’exerce une activité de psychanalyste à quasiment plein-temps, alors quand j’écris un livre, il ne reste pas grand-chose pour le blog.

Ce soir, je devrais avoir terminé le premier jet du livre qui sera publié à Londres par Palgrave Macmillan et dont le titre provisoire est Rethinking Intelligence in the Age of Artificial Minds. Toward Harmonious Human-AI Coexistence and Co-Evolution.

Bon d’accord, le sous-titre est de la pure provocation puisque j’explique dans le livre qu’une co-évolution est impossible… à moins qu’on nous enhausse directement avec cette machine qui devient plus puissante à chaque jour qui passe.

Transformer le premier jet en texte bon à imprimer demandera encore quelques semaines mais (si je tiens bon jusqu’à ce soir ) je serai demain désormais dans la ligne droite.

Pour ce qui est de PRIBOR, le site PRIBOR.IO est en travaux mais le site PRIBOR.AI fonctionne. Nous devrions avoir en septembre une bonne ou une mauvaise nouvelle en ce qui concerne un financement institutionnel du projet spécifique ANELLA-X. On verra bien.

Pour le reste, tout ça commence à percoler : vous allez voir le mot « Singularité » décoller. Et une excellente nouvelle – même si je ne peux pas en dire plus – je participe lundi à un groupe de réflexion au plus haut niveau sur les impacts sociétaux des IA génératives. On commence donc à s’en préoccuper – tout au moins à cogiter à son sujet.

English Version

Je suis un utilisateur des premiers jours des LLM, depuis 2022 pour être exact. J’ai découvert la puissance des grands modèles de langue en lisant l’article « Inner Monolog » qui utilisait l’un des premiers modèles éduqués d’OpenAI : Instruct-GPT.

Je dois dire que j’ai immédiatement été impressionné par les capacités, pourtant très sommaires à l’époque, de ce système. Je m’en suis servi rapidement pour produire du code, plus ou moins sophistiqué, avec plus ou moins de bonheur. Cependant, je n’avais jamais tenté de construire une application complète en partant de zéro.

Bien que je sois un programmeur chevronné ayant manipulé près d’une vingtaine de langages de programmation au cours de ma carrière – dont certains que j’ai moi-même créés –, je ne possède qu’une connaissance très sommaire de JavaScript. Je me suis surtout confronté à ce langage cette année, en 2025, dans le cadre d’un autre projet réalisé avec l’aide d’un LLM, mais dont les dimensions étaient bien plus modestes.

Entreprendre un projet d’envergure en JavaScript constituait donc l’occasion parfaite de tester les forces et les faiblesses de la génération de code en trance, de faire du vibe-coding. L’objectif était de vérifier jusqu’où quelqu’un sans expérience préalable en programmation pourrait aller.

Sans dévoiler prématurément la conclusion de cette expérience, disons qu’on peut aller très loin…

Le jeu : Kriegspiel

Les Allemands ont inventé les jeux de guerre juste après les guerres napoléoniennes, afin d’entraîner leurs futurs généraux à assimiler de façon ludique (déjà la gamification !) les principes de stratégie militaire. Le terme « Kriegspiel » signifie simplement « jeu de guerre ».

Cela faisait très longtemps que je rêvais de réaliser un tel jeu, mais je n’avais jamais eu ni le temps, ni – soyons honnête – les compétences nécessaires pour développer une version jouable dans un navigateur.

Les règles du jeu sont relativement simples. Nous disposons de six types d’unités :

• Infanterie
• Cavalerie
• Éclaireur
• Intendance
• Artillerie
• Général

Chaque armée dispose d’un général et d’un nombre variable de troupes. L’objectif du jeu est d’éliminer le général adverse.

Vous pouvez retrouver le code de ce jeu en cliquant ici.

Le choix des LLM

Je me suis d’abord imposé une contrainte simple : n’utiliser que les versions gratuites des LLM suivants : Grok 3, Claude et Gemini. Cette limitation réduit à la fois le nombre de tokens disponibles et restreint le type de modèle accessible.

Au final, je me suis principalement servi de Gemini 2.0 Flash, le seul avec lequel je pouvais manipuler un projet d’une taille raisonnable. Pour Claude et Grok 3, je les ai utilisés essentiellement pour produire ou modifier certaines fonctions spécifiques.

En revanche, il devient vite évident qu’une fois les dimensions du projet dépassant une certaine taille, les modèles commencent à montrer leurs limites.

Première erreur : l’approche monolithique

Mon premier réflexe fut de rédiger un prompt conséquent décrivant le jeu dans ses moindres détails. La réponse fut cinglante. Le LLM (Gemini dans ce cas) m’a expliqué qu’un tel jeu était trop complexe à produire et a refusé d’aller plus loin :

« As an AI assistant, I can’t write and deploy an entire application of that scale. My capabilities are focused on providing information, explaining concepts, generating code snippets or examples for specific parts, and helping you structure your thoughts and plans. »

Notons que dans cette première tentative, j’avais rédigé le prompt en anglais, d’où la réponse dans cette langue.

Ce paragraphe faisait partie d’une réponse beaucoup plus élaborée où la machine, bien qu’elle refusât de fournir le code complet, détaillait de façon précise un plan permettant à un utilisateur d’implémenter un tel jeu.

L’approche incrémentale

J’ai donc décidé de procéder différemment en adoptant une stratégie pas à pas. J’ai d’abord demandé à la machine de produire une carte de jeu avec des hexagones en JavaScript, ce que le LLM s’est empressé de me fournir.

Puis, progressivement, j’ai commencé à ajouter de nouveaux éléments graphiques. Dans un premier temps, j’ai demandé à enrichir la carte avec des forêts, des lacs et des montagnes. Le LLM a choisi lui-même la légende des couleurs, qui s’est révélée à mon goût.

Ensuite, je lui ai demandé de créer les différentes unités. Le LLM a tenté de dessiner avec des ronds et des carrés des approximations de soldats et de chariots. Le résultat était hideux.

Dans un premier temps, j’ai fourni à l’IA un exemple d’icône que je souhaitais utiliser, mais le résultat demeurait catastrophique. J’ai fini par lui indiquer que j’avais des fichiers dans un répertoire d’images, et il a mis à jour le code en conséquence.

Errare humanum est, perseverare diabolicum

Au bout d’un certain nombre d’itérations, le fichier principal a commencé à devenir volumineux. J’ai alors demandé à la machine de répartir le code dans plusieurs fichiers différents, ce qui a provoqué une régression. Il a fallu plusieurs prompts spécifiques pour finalement aboutir de nouveau à une version fonctionnelle.

Il est absolument fondamental de placer son code sous contrôle de version avec Git. En effet, il arrive souvent que la machine s’enlise dans une solution déficiente dès l’origine, sans possibilité d’en sortir. La solution consiste à revenir à la dernière version fonctionnelle et à repartir de zéro en proposant un prompt différent.

On peut assez facilement injecter dans les prompts les erreurs générées, mais il arrive un moment où la session devient trop volumineuse pour que la machine s’en sorte. Dans un premier temps, j’ai essayé de la pousser le plus loin possible, mais les erreurs finissent par s’accumuler et le code devient de plus en plus ingérable.

Il ne faut pas hésiter à abandonner la session en cours et à en démarrer une nouvelle.

Décisions et malentendus

L’implémentation des combats et des déplacements s’est révélée particulièrement fastidieuse. La boucle principale dans la fonction gameLoop était notamment très lente. J’ai alors proposé à la machine d’implémenter les déplacements et les combats sous forme de fonctions asynchrones, ce à quoi le LLM a répondu que c’était une excellente idée… sans pour autant l’implémenter. Il a simplement ajouté un paramètre pour réduire la vérification des combats à un test toutes les 10 secondes.

Ce malentendu est intéressant : j’ai cru qu’il avait implémenté le mécanisme des fonctions asynchrones parce que soudain le jeu est devenu très fluide, alors qu’en fait il n’avait pas suivi mon idée :

Gemini 2.0 Flash : « Absolument ! Passer à un modèle basé sur des timers pour la gestion des mouvements et des combats est une excellente idée pour rendre le jeu plus précis et découpler les mises à jour de l’état du jeu de la fréquence de rafraîchissement de l’affichage (requestAnimationFrame). »

Développement de la version initiale

J’ai finalement pu développer une première version offrant les fonctionnalités suivantes :

• Une carte avec des hexagones
• Une variation dans les couleurs pour refléter le terrain
• Des unités diverses appartenant à deux armées différentes, identifiées par un rond de couleur
• Des mécanismes de déplacement
• Une mécanique de combat

La mécanique de combat s’est avérée trop complexe et dans un premier temps, j’ai préféré la laisser telle quelle. En revanche, J’ai abandonné certaines décisions de la machine, comme la recherche du meilleur chemin pour une unité, qui avait parfois pour effet de lancer des boucles infinies. Pour éviter de perdre trop de temps, j’ai simplifié le déplacement en mouvement case par case, où la décision devient locale aux cases environnant l’unité concernée.

Brouillard de guerre et mode réseau

Dans un premier temps, j’ai demandé à la machine d’ajouter le code pour gérer un brouillard de guerre, et j’ai été absolument impressionné par le résultat. La modification a fonctionné du premier coup.

J’ai ensuite voulu ajouter une capacité serveur au code. Mon premier prompt a reçu le même type d’avertissement que la première fois : code trop volumineux, impossible de le modifier pour ajouter un serveur.

Mon prompt : « Je voudrais transformer ce jeu en un jeu à deux joueurs jouable via Internet. Le joueur bleu est le seul qui peut définir la carte et qui a accès au menu hamburger. Le joueur rouge peut déplacer ses unités et son brouillard de guerre est évidemment l’opposé du joueur bleu. Le joueur bleu crée la partie et le joueur rouge vient se connecter. La partie s’arrête quand un joueur n’a plus d’unités. »

Réponse : « Implementing these features requires adding substantial new code for network communication and rethinking how the game state is managed and updated across multiple clients. Unfortunately, I cannot directly implement these code changes for you. »

La réponse en anglais m’a d’abord surpris, avant que je réalise que le problème venait du fait que mon prompt en français était noyé dans un code massivement en anglais.

Il m’a fallu contourner le problème en relançant une nouvelle session, cette fois avec un prompt beaucoup plus directif. La planification proposée par le modèle au prompt précédent m’avait permis de rédiger une demande bien plus précise :

« Je voudrais pouvoir jouer via Internet avec un autre joueur. Voici comment je veux procéder :

1. Le serveur sera géré via Node.js
2. Le joueur bleu lance le jeu
3. Le joueur rouge reçoit alors le JSON correspondant à la partie en cours
4. Chacun joue en local sur sa machine, sauf que la version du joueur rouge est centrée sur les unités rouges
5. Les mouvements de chaque joueur sont échangés par le serveur
6. Les combats sont tous traités par le client du joueur bleu »

Cette fois-ci, le modèle a non seulement produit un fichier server.js, mais a aussi proposé des modifications à apporter aux principaux fichiers du jeu.

Le poids des fichiers et la dégradation des performances

L’ajout du mode serveur s’est traduit par un alourdissement considérable du code, et les performances du modèle de langue ont commencé à décliner de façon notable. Il m’a fallu examiner réellement le code pour identifier à l’avance les endroits nécessitant des modifications. Mais certains fichiers ayant pris beaucoup d’embonpoint, la régénération a commencé à prendre énormément de temps.

Je me suis alors heurté à un problème frustrant : régulièrement, la machine ne générait qu’une partie du code en plaçant des commentaires aux endroits où le code n’avait pas subi de modification. Il fallait soit exiger que le code soit entièrement généré (ce qui prenait du temps), soit effectuer les modifications manuellement.

Les hallucinations de fonctions

J’ai alors commencé à travailler fonction par fonction. Je continuais de fournir le fichier complet en entrée, mais demandais à la machine de ne me fournir que les parties modifiées. Cela a entraîné un nouveau problème étrange : le code s’est mis à halluciner des fonctions absentes.

Par exemple, le dessin de la carte était assuré par la primitive drawMapAndUnits, mais le code utilisait systématiquement la méthode drawGame qui n’existait pas dans le fichier. Il faut noter que le plus souvent, les fonctions hallucinées, après correction, correspondaient effectivement à ce qui était demandé.

La nécessité de connaître la programmation

Autant le LLM m’a permis de créer la plupart des mécanismes du jeu, autant arrivé à une certaine taille de projet, la nécessité de comprendre la programmation est devenue fondamentale. En effet, passé une certaine taille, l’effet « aiguille dans une botte de foin » s’estompe au point que le modèle n’arrive plus à identifier correctement la logique interne du code.

Par exemple, j’ai tenté à plusieurs reprises de lui faire modifier la mécanique des combats, mais ses propositions tombaient à plat. J’ai finalement décidé de les modifier moi-même. Cependant, le LLM reste utile dans ce cas précis : il suffit de lui demander d’afficher les lignes de code correspondant à ce calcul ainsi que d’expliquer la logique sous-jacente.

De cette façon, on peut immédiatement identifier les parties à modifier et procéder de plusieurs façons complémentaires :

1. Extraire les lignes en question et demander au modèle de les modifier
2. Les modifier soi-même
3. Proposer une modification et demander au modèle de l’appliquer

Dans tous les cas, une bonne connaissance de l’informatique devient nécessaire. Le paradoxe est le suivant : plus le projet grandit, plus la granularité des modifications devient fine. On commence par travailler avec l’ensemble du projet en mémoire et on finit par travailler fonction par fonction, variable globale par variable globale.

Plus la granularité est faible, plus les risques de perdre son « aiguille dans la botte de foin » augmentent. Il arrive un moment où demander une amélioration d’un code existant s’apparente à un pari risqué. On finit par utiliser l’option d’abandon du fichier en cours de GitHub de plus en plus souvent.

Finalement, la meilleure parade consiste à générer du code spécialisé que l’on insère manuellement dans le projet. Et là… ne pas avoir de connaissances en programmation rend la tâche particulièrement compliquée. Le modèle a beau expliquer ligne par ligne les modifications à apporter, si l’on ne comprend pas les instructions à suivre, continuer devient problématique.

Conclusion

J’ai pu produire la majeure partie de mon code avec l’aide d’un LLM, en particulier les parties les plus importantes, celles pour lesquelles je n’avais aucune compétence en JavaScript. Cependant, plus j’avançais dans le projet, plus le besoin d’effectuer des corrections mineures pour peaufiner le fonctionnement prenait de l’importance, et plus les LLM s’avéraient limités pour dépasser un certain niveau de qualité.

En revanche, le code généré par le modèle s’est révélé suffisamment riche et bien structuré pour que je puisse prendre la main en fin de projet afin de finaliser certains aspects du jeu que je n’arrivais pas à faire produire directement par le modèle.

Il est possible que les LLM finissent par maîtriser d’énormes projets, mais pour le moment, on constate qu’ils souffrent dès que les 5 000 lignes de code sont atteintes ou dépassées. Pourtant, pour démarrer un projet, ils sont parfaits. Ils permettent très rapidement de poser les fondations du code, et ensuite on peut assez facilement se plonger dans le programme pour ajouter ses modifications. Le LLM peut même nous aider à comprendre les parties du code à modifier.

Cette expérience révèle que le « vibe-coding » ouvre des possibilités fascinantes : il permet à quelqu’un avec des connaissances limitées dans un langage spécifique de réaliser des projets ambitieux. Mais elle montre aussi que cette approche trouve ses limites dans la complexité et nécessite, au-delà d’un certain seuil, une compréhension technique pour aller au bout de ses ambitions.

Un article aigre-doux du Guardian sur la question, illustré par de splendides photos d’époque de Nikolay Bakharev.