Il y a une sorte d’énergie qui accompagne le fait d’être nouveau dans un domaine. Vous posez des questions sans gêne, faites des erreurs sans le poids d’une réputation et essayez d’apprendre quelque chose de réel chaque jour. J’ai vécu cela lorsque j’étais stagiaire. Je pensais que c’était une sensation que je ne vivrais plus jamais.
Je me suis trompé. L’IA me l’a rendu.
Je suis ce qu’on appelle un développeur professionnel. J’ai mis en place des systèmes de production, dirigé des migrations, construit des API qui gèrent une charge réelle. Mais quelque part dans cette accumulation de compétences, j’ai senti que quelque chose avait changé. La curiosité est devenue plus sélective. J’ai arrêté de chercher à comprendre des choses que je ne comprenais pas déjà.
L’utilisation quotidienne des LLM a changé cela, et pas de la manière évidente « j’écris du code plus rapidement ».
Le sentiment d’être stagiaire
Lorsque j’étais stagiaire, j’avais un super pouvoir : l’accès à des personnes qui en savaient plus que moi et, surtout, la permission sociale de les déranger constamment. Je pouvais poser la même question de trois manières différentes et personne ne me jugeait. Je pouvais lancer des idées inachevées et découvrir rapidement si elles avaient un potentiel.
C’est ce que j’ai trouvé être l’aspect le plus utile d’un LLM : un partenaire de réflexion qui est là quand vous en avez besoin.
Je peux lui demander d’expliquer un concept comme si je n’avais jamais touché un ordinateur. Ensuite, je lui demande d’aller plus en profondeur, en supposant que je connais les bases. Puis encore plus en profondeur, en supposant que j’ai lu l’article. Il s’adapte. Il ne s’impatiente pas. Et il me permet de travailler sur le cœur chaotique d’une idée sans avoir à faire preuve de confiance que je n’ai pas.
Un LLM, s’il est bien utilisé, récompense réellement le fait de chercher à comprendre les choses.
Le résultat est que je suis à nouveau curieux d’une manière qui semble presque embarrassante à admettre. Je m’aventure dans des chemins que j’aurais évités auparavant parce qu’ils me semblaient trop éloignés de la tâche. J’essaie des approches que j’aurais considérées comme trop risquées. Je remets en question des hypothèses que j’ai acceptées pendant des années simplement parce que personne autour de moi ne les remettait en question non plus.
La partie que les gens comprennent mal
Je veux être direct sur un point, car la conversation autour de l’IA devient négligente ici.
Les LLM sont formés pour être d’accord avec vous. Ce n’est pas un accident. C’est une conséquence de la manière dont ils sont construits. L’apprentissage par renforcement à partir de commentaires humains récompense les réponses que les gens évaluent positivement, et les gens ont tendance à évaluer positivement les réponses qui confirment ce qu’ils croient déjà. Le modèle est, structurellement, enclin à vous dire ce que vous voulez entendre.
Cela signifie que si vous l’utilisez sans esprit critique, vous ne filtrez pas les mauvaises idées. Vous les blanchissez. Vous posez une question orientée, obtenez une réponse flatteuse, et vous partez plus confiant en quelque chose qui méritait d’être examiné.
Je conteste les réponses que j’obtiens. Je lui demande d’argumenter l’autre côté. Je lui demande de me dire ce qui pourrait spécifiquement mal tourner avec une approche. Je traite une réponse confiante d’un LLM de la même manière que je traiterais une réponse confiante de quelqu’un qui veut que je l’aime : avec intérêt, et non avec une confiance automatique.
Il y a aussi le problème de la rétention. Une étude que j’ai consultée récemment a révélé que la meilleure façon d’absorber réellement des informations provenant d’un LLM est de les combiner avec votre propre prise de notes (https://www.sciencedirect.com/science/article/pii/S0360131525002829). Lire une bonne explication n’est pas la même chose que savoir quelque chose. Je prends des notes. J’écris les choses avec mes propres mots. Le LLM met en évidence la compréhension ; je fais le travail pour m’en approprier.
Voir un, faire un, enseigner un
Je suis un grand fan de Grey’s Anatomy 🩺 et je me souviens d’avoir entendu cela dans la série : la formation suit un cycle simple. Voir un. Faire un. Enseigner un. Chaque étape approfondit la compréhension.
Personnellement, je pense que c’est exactement le bon modèle mental pour travailler avec l’IA.
Voir un : utilisez le LLM pour comprendre réellement quelque chose, à la profondeur nécessaire. Posez des questions de suivi. Insistez jusqu’à ce que le concept soit clair.
Faire un : fermez la conversation et faites la chose vous-même. Ne le laissez pas écrire tout le code pour vous. Écrivez-le -> Faites des erreurs -> Rencontrez les cas limites. Le LLM peut vous aider lorsque vous êtes bloqué, mais vous devez être celui qui conduit.
Enseigner un : expliquez ce que vous avez appris et contestez les réponses du LLM pour en débattre. Peut-être, écrivez un article de blog à ce sujet 😉. L’acte d’enseigner met en évidence toutes les lacunes que vous pensiez avoir comblées.
Ne vous arrêtez pas seulement à « voir un ». Un LLM, un développeur senior, un enseignant de n’importe quel type — ils vous donnent une carte. C’est à vous de parcourir le territoire.
Ce que c’est vraiment
Ce que l’IA a fait pour moi, c’est comprimer le cycle de rétroaction de l’apprentissage sans comprimer l’apprentissage lui-même. Lorsque je l’utilise bien.
La curiosité que j’éprouvais en tant que stagiaire n’était pas liée à l’ignorance. C’était lié à la permission. La permission de ne pas savoir des choses, de poser des questions, d’essayer des choses qui pourraient échouer.
La meilleure chose que l’IA m’ait rendue, ce n’est pas la productivité. C’est cette permission. Et avec elle, le sentiment que le travail est encore intéressant. Que je continue à comprendre les choses. Que venir demain pourrait révéler quelque chose que je n’attendais pas.
Cela vaut plus qu’une saisie semi-automatique plus rapide.