Entre apprentissage et efficacité : le dilemme de l’alternant à l’ère des IA

Récemment, j’ai reçu un mail d’OpenAI m’indiquant une énième évolution de leur modèle : ChatGPT était maintenant meilleur et pouvait être intégré dans mon navigateur. Ce style de mail aurait été réjouissant six mois auparavant, mais aujourd’hui, il alimente les nombreuses questions que se posent les étudiants en informatique comme moi. Dans un monde où le progrès des modèles ne cesse de s’accélérer, quel est notre avenir ? Les études d’ingénieur informatique que j’étais fier de débuter auront-elles encore un sens dans le monde de demain ? Aurais-je encore de la valeur quand des modèles trop performants coûtent bien moins cher que moi ? Ces questions pour l’instant sans réponses sont une vraie source d’inquiétude pour beaucoup d’entre nous. Toutefois, se laisser décourager par un futur incertain n’est pas mon style. Peu importe ce qu’il nous réserve, je suis persuadé qu’il y aura toujours différents moyens de trouver de la valeur. Mais comment l’acquérir, cette valeur ? Et bien, comme depuis toujours. Par l’apprentissage de nouvelles compétences. Néanmoins, une nouvelle variable a été ajoutée : l’IA. Cet assistant s’améliorant de jour en jour est sûrement le plus gros piège pour l’apprentissage moderne. Étant confronté à ce piège, j’ai décidé d’en faire le thème principal de mon article afin d’y trouver des solutions.

Avant de m’attaquer plus en détail à la problématique présentée, je voudrais définir l’apprentissage comme un processus à deux étapes. La première est la découverte de nouveaux concepts par la lecture, les vidéos ou encore des conférences. Vient ensuite la seconde, qui consiste à les intégrer via un enchaînement successif d’essais et d’échecs menant à leur compréhension totale. Cette base définie, je peux affirmer que l’intelligence artificielle, même si je semble la diaboliser, est une aide précieuse pour la première étape. Il n’a jamais été aussi facile d’aborder un nouveau concept. Un sujet vous intéresse ? Demandez lui de vous fournir des livres pour en apprendre plus. Vous n’avez pas bien compris un concept ? Elle le synthétisera pour vous. Vous voulez apprendre un nouveau langage informatique ? Demandez lui de vous expliquer les concepts théoriques. Tout cela est réalisable gratuitement via un chatbot accessible en ligne, ne pas en profiter serait une erreur. Par ailleurs, avec n’importe quel abonnement, vous accèderez aussi à un mode agent qui, bien utilisé, vous permettra d’améliorer vos facultés d’apprentissage. Prenons l’exemple d’un développeur démarrant à un nouveau poste. La documentation est rarement bien faite, et le code n’est pas forcément commenté. Se lancer dans la compréhension du code peut ainsi devenir une tâche ardue et rébarbative. Dans ce contexte, le mode agent permettra à votre modèle de parcourir les nombreux fichiers afin de répondre à chacune de vos questions.
En somme, l’intelligence artificielle est une bénédiction lorsqu’il s’agit de découvrir. Cependant, cette dernière cache aussi des pièges que nous préfèrerions tous éviter.

Comme présenté précédemment, la deuxième étape de l’apprentissage consiste en un enchaînement d’essais et d’échecs, chaque tentative nous permettant d’approfondir notre compréhension du concept. Essayer, échouer, comprendre. Réessayer, réussir. Ce processus permet à notre cerveau d’ancrer les connaissances afin d’être capable de reproduire l’action voulue. Mais que se passe-t-il lorsqu’au lieu de faire la tâche, nous la confions à une intelligence artificielle ? Faisons l’expérience.
Pour une tâche donnée, nous envoyons une requête, le modèle essaie puis échoue. Avec une deuxième requête, nous le corrigeons afin qu’il essaie à nouveau puis, qu’il réussisse. En fait, c’est exactement comme pour notre apprentissage. Sauf qu’au lieu d’apprendre, nous entraînons un modèle. Le pire dans cette histoire, c’est que nous avons un sentiment d’avoir réussi. Le code est parfait en apparence, il fonctionne et nous avons effectué notre tâche bien plus rapidement que prévu. Suite à cette première expérience, nous avons l’impression de savoir et d’être productifs. De ce fait, nous continuons, tâche après tâche, requête après requête, projet après projet. Jusqu’au moment où la mascarade est révélée. Notre chef nous demande d’effectuer une tâche que nous avions déjà réalisée sur un autre projet. Comme à notre habitude, nous envoyons une requête à notre modèle favori qui, malheureusement, nous informe que nous ne disposons plus de crédits disponibles. À ce moment là, nous restons confiants : “J’ai déjà effectué ce type de tâche, je vais m’en occuper tout seul”. Vient alors le moment de coder. Et puis… rien. Rien ne vient. Coder semble si difficile et la tâche apparaît comme insurmontable. Nous ne sommes que des imposteurs.

En résumé, l’intelligence artificielle ampute notre processus d’apprentissage tout en nous berçant d’illusions sur nos propres capacités. Elle nous donne le sentiment d’être bons pendant qu’une dépendance se crée en nous, limitant ainsi nos capacités intellectuelles. Notre cerveau, non confronté à la difficulté, devient incapable de réfléchir lorsque celle-ci revient. En fait, l’utilisation abusive de l’intelligence artificielle est une nouvelle forme de brainrot.

Cette conclusion révèle un dilemme auquel je suis confronté tous les jours. Dois-je prioriser l’apprentissage ou l’efficacité ? En tant qu’alternant dans une entreprise, je suis autant apprenant que producteur de valeur. Sauf que contrairement à avant, je suis aussi mon propre arbitre. De plus, selon le contexte, les tâches formatrices sont maintenant effectuées par un modèle plutôt que par un alternant. Il devient donc essentiel de se questionner avant de se lancer dans une nouvelle tâche. Mais comment choisir entre efficacité et apprentissage ? Quels éléments sont importants ou non ? Autrement dit, comment acquérir de la valeur tout en étant efficace ?

Pour commencer, il faut reconnaître que la capacité à produire des lignes de code n’est plus essentielle pour un développeur. Pour prendre de la valeur, nous devons donc accentuer l’apprentissage sur d’autres domaines de compétences, notamment ceux où les modèles sont encore en retard. C’est-à-dire ceux où il est nécessaire de réfléchir pour prendre du recul. Parmi ces domaines, je citerai en premier la modélisation. Cette dernière comprend la capacité à séparer la problématique métier en différentes entités qui communiquent entre elles. En plus de faciliter le code si bien faite, sa compréhension permet d’échanger avec tous les corps de métier, qu’ils soient informatiques ou non. Demandant aussi une capacité à comprendre les problématiques métiers, elle est ainsi une compétence essentielle dans le monde d’aujourd’hui ou de demain. D’autres aspects comme l’architecture via des pattern et l’organisation du code sont aussi des compétences clés, permettant aux projets d’évoluer proprement dans le temps, ce qui fait aujourd’hui défaut à notre fameuse intelligence. Ce qu’il faut retenir, c’est que ces aspects théoriques sont les compétences qui feront notre valeur. En plus d’être mal gérés par les différentes intelligences artificielles, ce sont aussi des facteurs d’efficacité. En effet, un développeur lambda verra son efficacité améliorée grâce à l’IA tandis qu’un excellent développeur la verra multipliée par 10 ou même 100.

Pour finir, je dirai que l’IA et les différents modèles sont un couteau à double tranchant. Sans aucun questionnement sur leur utilisation, nous tomberons dans un de ses nombreux pièges. Toutefois, en consolidant nos bases théoriques et en apprenant à utiliser correctement ces outils, ces derniers peuvent devenir un facteur d’amélioration qui fera toute la différence avec les autres. Donc plutôt que de nous apitoyer sur notre sort, utilisons cette révolution pour voir les choses en grand et proposer des projets d’une envergure nouvelle.