L'IA va-t-elle remplacer les développeurs ?

Une question mal posée

La vraie question n'est pas « est-ce que l'IA va remplacer les développeurs ? » mais plutôt « quelles tâches de développement seront automatisées, et quels rôles vont émerger ou disparaître ? ». Depuis la sortie de GitHub Copilot en 2021, puis l'explosion de Cursor, Claude Code, Windsurf et des agents autonomes comme Devin (Cognition) ou SWE-agent, le métier s'est déjà transformé — sans pour autant s'effondrer.

En 2024, GitHub annonçait que Copilot générait en moyenne 46 % du code dans les fichiers où il est activé. Pourtant, les offres d'emploi pour développeurs seniors restent tendues. Pourquoi ? Parce que l'IA remplace des tâches, pas des responsabilités.

Ce que l'IA fait déjà mieux que nous

Sur un périmètre bien délimité, les LLM surpassent un développeur junior :

• Génération de code boilerplate (DTO, mappers, migrations SQL, tests unitaires).
• Traduction d'un langage à un autre (Python → Go, JavaScript → TypeScript).
• Documentation technique et commentaires JSDoc/docstring.
• Revue de code de premier niveau (lint sémantique, détection de code smells).
• Résolution de tickets bien spécifiés : sur le benchmark SWE-bench Verified, Claude 3.5 Sonnet résolvait 49 % des issues GitHub réelles fin 2024, contre moins de 5 % un an plus tôt.

Exemple concret avec Cursor en mode agent :

# Prompt : "Ajoute un endpoint POST /users avec validation Zod et tests Vitest"
# L'agent crée le fichier, modifie le routeur, écrit les tests, lance npm test
# Temps humain : ~30 secondes de relecture au lieu de 20 minutes d'écriture

Ce que l'IA ne fait pas (encore) bien

Les limites sont structurelles, pas seulement techniques :

1. Compréhension du domaine métier. Un LLM ne sait pas pourquoi votre système de facturation doit gérer un cas particulier pour les clients grand compte signés avant 2019.
2. Arbitrages d'architecture. Choisir entre event sourcing et CRUD, entre monolithe modulaire et microservices, demande une lecture du contexte organisationnel.
3. Debugging de systèmes distribués. Corréler une latence P99 anormale entre Kafka, un service Go et une base PostgreSQL reste une compétence humaine.
4. Sécurité et conformité. Les agents produisent régulièrement du code vulnérable (injection SQL, secrets en clair). Une étude de Stanford (2023) montrait que les développeurs utilisant un assistant IA produisaient plus de code non sécurisé, tout en étant plus confiants.
5. Communication et négociation. Expliquer à un Product Owner pourquoi sa demande va coûter 3 mois, ou pourquoi il faut refactoriser avant d'ajouter la feature X.

Quels métiers sont réellement exposés ?

| Rôle | Niveau d'exposition | Raison | |---|---|---| | Développeur junior généraliste | Élevé | Tâches très automatisables, peu de contexte | | Développeur front-end "intégrateur" | Élevé | v0, Lovable, Bolt produisent du React/Tailwind exploitable | | QA manuel | Élevé | Playwright + LLM génèrent des tests E2E | | Développeur back-end senior | Faible | Arbitrages, performance, sécurité | | Architecte / Staff engineer | Très faible | Responsabilité systémique | | SRE / DevOps | Faible à moyen | L'IA aide mais ne porte pas l'astreinte | | Data engineer | Moyen | ETL boilerplate automatisé, modélisation non | | ML engineer / MLOps | Faible | Demande pilotée par l'essor même de l'IA |

Le scénario probable : augmentation, puis recomposition

À court terme (2025-2027), on observe une augmentation : un développeur équipé de Cursor + Claude Code livre 2 à 3 fois plus vite sur les tâches standard. Les équipes de 8 deviennent des équipes de 5, mais avec un périmètre plus large.

À moyen terme, la loi de Jevons s'applique : plus le code devient bon marché à produire, plus on en produit. Des projets auparavant non rentables (refontes, outillage interne, personnalisation client) deviennent viables. La demande globale de code augmente.

À plus long terme, le métier se recompose autour de trois axes :

• Spec-driven development : savoir écrire des spécifications exécutables et des prompts système robustes devient une compétence cœur. Voir le pattern émergent des agent.md et des fichiers CLAUDE.md / .cursorrules.
• Orchestration d'agents : superviser plusieurs agents IA travaillant en parallèle (via des frameworks comme LangGraph, CrewAI ou les sub-agents de Claude Code).
• Ownership produit et systémique : comprendre l'utilisateur, le business, les SLA, la dette technique.

Checklist : rester pertinent en tant que développeur

• [ ] Adopter un éditeur agentique (Cursor, Windsurf, Claude Code) et mesurer son gain réel en story points.
• [ ] Monter en compétence sur l'architecture logicielle et les trade-offs (lire Fowler, Newman, les ADR).
• [ ] Se spécialiser sur un domaine à forte barrière : systèmes distribués, sécurité, performance, données.
• [ ] Apprendre à écrire des specs, pas seulement du code (voir la pratique du spec-first chez Anthropic et Stripe).
• [ ] Développer les soft skills : facilitation, mentorat, communication produit.
• [ ] Suivre les benchmarks (SWE-bench, Terminal-Bench, LiveCodeBench) pour calibrer ses attentes.

À retenir

• L'IA ne remplacera pas le développeur, mais elle remplace déjà des tâches — principalement celles des profils juniors et des intégrateurs.
• Les rôles exposés à la conformité, à l'architecture, aux systèmes distribués et à la relation produit restent structurellement protégés.
• La loi de Jevons joue en faveur de la profession : le code moins cher génère plus de projets, donc plus de besoins.
• Les compétences qui prennent de la valeur : spec-driven development, orchestration d'agents, ownership systémique.
• Le vrai risque n'est pas d'être remplacé par une IA, mais par un développeur qui sait s'en servir.