L’IA va-t-elle remplacer les programmeurs?

La question est plus ancienne qu’on pourrait le croire. Quand GitHub Copilot est apparu en 2021, des gens se demandaient si l’autocomplétion du code allait rendre les programmeurs inutiles. Aujourd’hui, des agents de programmation peuvent prendre une tâche, modifier des dizaines de fichiers, lancer les tests et ouvrir une demande de tirage (pull request) par eux-mêmes. La question est plus sérieuse maintenant, et la réponse honnête est plus intéressante qu’un oui ou un non.

Ce que montrent les données jusqu’ici, c’est un changement dans ce que font les programmeurs plutôt qu’une disparition du rôle. Les agents se chargent d’une plus grande part de la saisie. Les personnes décident encore de ce qui doit exister, remarquent quand quelque chose cloche subtilement et répondent du résultat quand il brise.

Que dit la recherche sur la productivité?

L’étude la plus rigoureuse à ce jour vient de METR, un organisme de recherche qui mesure ce dont les systèmes d’IA sont capables. Dans un essai à répartition aléatoire mené au début de 2025, 16 développeurs d’expérience en code source ouvert ont travaillé sur 246 vrais problèmes dans leurs propres projets, chaque problème étant assigné au hasard à « IA permise » ou « IA interdite ». Avec l’IA, surtout Cursor avec Claude 3.5 et 3.7 Sonnet, ils ont mis 19 % plus de temps. Pourtant, ils s’attendaient à ce que l’IA les rende 24 % plus rapides et, même après coup, croyaient qu’elle les avait accélérés de 20 %.

En février 2026, METR a publié les premiers résultats d’une étude de suivi auprès de 57 développeurs et de plus de 800 tâches, avec des outils d’agents plus récents. Le portrait s’est inversé : on estime que les développeurs revenus pour cette deuxième étude étaient environ 18 % plus rapides avec l’IA, mais l’incertitude est grande. METR parle lui-même de données peu probantes. Un nombre croissant de développeurs ont refusé de participer parce qu’ils ne voulaient pas travailler sans IA, et beaucoup ont gardé pour eux des tâches qu’ils ne voulaient pas faire à la main, ce qui rend probablement l’accélération mesurée trop faible. METR mentionne aussi qu’environ 4 % des commits sur GitHub sont maintenant écrits par Claude Code à lui seul.

Deux leçons s’en dégagent. D’abord, l’effet de l’IA sur le vrai travail de programmation a changé rapidement entre 2025 et 2026, et ces outils font maintenant partie de la pratique normale de bien des développeurs. Ensuite, l’impression d’aller vite est un mauvais indicateur de votre productivité réelle : c’est pourquoi mesurer et réviser comptent encore.

Et les emplois?

Le Bureau of Labor Statistics (BLS) des États-Unis s’est penché directement sur la question dans des projections publiées au début de 2025, à partir des informations disponibles au milieu de 2024. Il juge l’effet de l’IA sur les développeurs de logiciels très incertain, mais projette tout de même une croissance de leur emploi de 17,9 % de 2023 à 2033, contre 4,0 % pour l’ensemble de l’économie. Son raisonnement : un logiciel moins cher tend à faire augmenter la demande de logiciels, et les systèmes d’IA eux-mêmes ont besoin de gens pour les construire et les entretenir. Le BLS prévoit les baisses les plus marquées dans les emplois dont les tâches principales sont faciles à reproduire pour un modèle de langage, comme la transcription médicale et une partie du service à la clientèle, et dit qu’il révisera ses chiffres à mesure que l’IA évolue.

Les projections ne sont pas des promesses, et les moyennes cachent des différences entre les rôles et les régions. Mais ni les données d’emploi ni les études de productivité n’indiquent que les programmeurs seront simplement remplacés. Elles indiquent moins d’heures passées à écrire du code routinier et plus de poids accordé au jugement.

Un exemple concret : la même tâche, deux façons

Voici à quoi ressemble, en 2026, une petite fonctionnalité : « permettre aux clients de réinitialiser leur mot de passe ».

L’agent a fait l’essentiel de la saisie. Chaque ligne qui décide si la fonctionnalité est sûre dépend encore d’une personne qui comprend le logiciel.

Quelles compétences les personnes qui apprennent devraient-elles développer maintenant?

Concentrez-vous sur les parties du travail pour lesquelles les agents dépendent des personnes :

• Lire du code. Vous réviserez bien plus de code que vous n’en écrirez. Exercez-vous à expliquer, ligne par ligne, ce que fait une fonction, et demandez à l’IA de vous interroger sur ce qu’elle a elle-même produit.
• Formuler clairement les besoins. Rédiger des exigences, des critères d’acceptation et de courtes listes de tâches est maintenant une compétence quotidienne, parce qu’un agent construit ce que vous décrivez, pas ce que vous vouliez dire.
• Tester et déboguer. Les tests sont la façon de prouver que le travail d’un agent est juste. Apprenez à écrire un test qui échoue pour la bonne raison, et à trouver la cause d’un bogue au lieu de demander des correctifs au hasard.
• Les bases de la sécurité et des données. Connexions, permissions, secrets et renseignements personnels : c’est là que le code écrit par l’IA échoue le plus souvent, et là que les erreurs coûtent le plus cher.
• Git et les outils. Les branches, les demandes de tirage et l’annulation d’une mauvaise modification vous permettent de travailler en toute sécurité aux côtés des agents.
• Comprendre le problème. Connaître un domaine, que ce soit la comptabilité, la santé ou la logistique, c’est ce qui vous permet de voir qu’un code d’apparence correcte fait la mauvaise chose.

Une bonne façon de s’exercer est de demander à l’IA d’enseigner plutôt que de faire :

J’apprends à programmer en Python. Donne-moi une petite tâche, mais n’écris pas la solution.
Quand je t’envoie mon code, révise-le comme un développeur d’expérience : signale les bogues, les problèmes de sécurité et les tests manquants, pose-moi des questions qui m’obligent à expliquer mes choix, et ne montre une version corrigée qu’après que j’aie essayé de la corriger moi-même.

Placez la barre haute dès le départ : demandez des explications, lancez les tests vous-même et tenez une courte liste des erreurs que vous attrapez. Cette liste vous montre quelles compétences travailler ensuite.