Vibe Coding is good, vibe thinking is not.

Le développement moderne vit sur une ligne de crête : d’un côté, des outils incroyablement puissants qui démultiplient ce qu’un individu peut produire ; de l’autre, la tentation permanente de leur déléguer non seulement le travail, mais aussi l’effort de penser.

Quand les outils amplifient le cerveau

L'engouement autour du vibe coding à surtout était en enjeu de faire accepter les nouvelles façon de travailler à l'ère de l'IA et et jouer avec ses leviers au lieu de la subir. C’est travailler avec un environnement où les assistants viennent alléger la friction opérationnelle pour te laisser concentrer l’essentiel de ton énergie mentale sur la vision, le design de l’expérience, l’architecture.

Comment le cerveau apprend vraiment

Le cerveau n’apprend pas en “consommant” des réponses, mais en traversant trois briques qui se renforcent mutuellement : la brique théorique, où tu exposes ton cerveau à des concepts nouveaux (cours, docs, articles) ; la brique pratique, où tu appliques ces concepts dans des contextes concrets (exercices, projets, bugs réels) ; et la brique métacognitive, où tu reviens sur ce que tu as fait pour analyser tes erreurs, ajuster tes modèles mentaux, affiner ton intuition et surtout qui créer et opère les automatismes précédemment appris et répétés afin de te permettre de te concentrer sur de nouvelles choses.

Le piège du délestage : du GPS à l’IA

Ce mécanisme n’est pas nouveau : le GPS a déjà réduit activement notre sens de l’orientation, l'effet Google transformer notre façon de gérer l'information en mémorisant davantage l’endroit où les retrouver que l'information en elle-même. Avec les LLM, ce n’est plus seulement la mémoire qui est sous‑traitée, mais la réflexion elle‑même : chaque prompt devient une tentative d’économiser un raisonnement, un calcul, et par extension notre intelligence. Les moteurs de réponses donnant directement la "bonne réponse" court‑circuitent précisément cette boucle. Quand tu colles un problème dans une boîte noire, que tu acceptes la solution et que tu passes à autre chose, tu supprimes le moment le plus précieux de l’apprentissage. À ce stade l'IA ne sert plus la pensée.

Seniors vs juniors : même outil, effet opposé

Ce qui est frappant, ce n’est pas l’outil, c’est l’usage. Certaines études récentes montrent que les développeurs seniors profitent énormément de l’IA : ils l’utilisent pour générer du code, explorer des alternatives, mais passent ensuite beaucoup de temps à relire, comprendre et ajuster ce qui a été produit. L’outil agit comme un multiplicateur de compétence déjà présente : le senior garde une solide conscience de ce qu’il fait, notamment grâce à ce travail d'apprentissage (méta-cognition) déjà réalisés.

Tandis que les juniors ne peuvent que copier-coller les réponses fournies, sans maitrise du code et de son environnement. Sans éducation sur la façon de fonctionner de ces IA, il est difficile de faire autrement… et la compétence perçue explose dès qu'on fait face à des difficultés ou complexité que l'IA ne peut pas résoudre.

Il est cependant possible de construire et personnaliser des IA pour assister et apprendre de manière efficace… mais nous ne parlons pas ici des chatbots conversationnels "traditionnels" (chatgpt, gemini, perplexity, etc…)

Le scénario Terminator

On a tous en tête ce scénario où une super‑intelligence se retournerait contre nous et déciderait de nous éliminer façon Terminator. À côté de ce qui se passe, je le trouve presque mignon. Autrement dit, je préférais un soulèvement des machines plutôt qu’à une lente érosion de nos capacités.

Car là est le vrai risque : à grande échelle, cela fabrique des étudiants qui ne savent plus apprendre, des développeurs incapables de maintenir leur propre code, et des entreprises qui optimisent le rendement immédiat au prix de la compétence long terme créant un cercle vicieux de débilité.

Est-ce l'évolution qu'on souhaite vraiment ?