Logiciel jetable : pourquoi l’IA fait du code éphémère la nouvelle norme

En février 2025, Andrej Karpathy — cofondateur d’OpenAI et ancien responsable IA chez Tesla — a publié un tweet devenu manifeste. Il décrivait une nouvelle façon de programmer qu’il appelait le « vibe coding », où les développeurs se laissent entièrement porter par l’ambiance, adoptent les exponentielles et oublient que le code existe. Il touchait à peine le clavier, acceptait toutes les modifications générées par l’IA sans les lire, et copiait-collait les messages d’erreur vers le modèle jusqu’à ce que tout fonctionne. Sa mise en garde était révélatrice : cette approche n’était « pas si mal pour des projets jetables de week-end ».

Un an plus tard, en février 2026, Karpathy déclarait le vibe coding dépassé. Les LLM étaient devenus assez intelligents pour que les professionnels utilisent les agents IA comme flux de travail par défaut — plus seulement pour des projets jetables, mais pour de l’ingénierie réelle. Il appelle désormais cela l’« ingénierie agentique », soulignant que l’orchestration d’agents IA exige une véritable expertise.

Entre ces deux publications se pose une question fondamentale qui refaçonne l’industrie du logiciel : si l’IA rend le code quasi gratuit à générer, doit-on continuer à le maintenir ?

L’économie qui a tout changé

Le logiciel a toujours été cher parce que les développeurs sont chers. Construire une application modeste nécessitait des ingénieurs qualifiés, des mois de travail, des tests approfondis et une planification de maintenance à long terme. Les organisations optimisaient pour la longévité parce que le coût d’une reconstruction à zéro était prohibitif.

Ce calcul est en train de s’effondrer. Selon l’enquête 2025 Stack Overflow Developer Survey, 84 % des développeurs utilisent désormais des outils de codage IA, et l’IA génère ou assiste environ 41 % de tout le code écrit dans le monde. GitHub rapporte que Copilot génère 46 % du code pour ses utilisateurs, les développeurs Java atteignant 61 %. Les développeurs signalent des gains de productivité de 25 à 39 % sur les tâches générales, et de 30 à 55 % sur des travaux ciblés comme l’écriture de fonctions, la génération de tests ou la production de code standard.

Chris Paik, capital-risqueur ayant publié l’essai influent « The End of Software » en 2024, l’a formulé sans détour : les LLM se sont révélés remarquablement efficaces pour écrire du code et vont ramener le coût de création logicielle à zéro. Sa prédiction : lorsque le logiciel n’aura plus besoin de justifier son existence par le revenu, nous assisterons à une explosion cambrienne d’applications sur mesure à usage unique.

Anish Acharya, associé directeur chez Andreessen Horowitz, a rendu cela concret dans un essai de 2025 intitulé « Disposable Software ». Il décrivait la création d’un jeu de mathématiques pour aider ses enfants à gagner du temps d’écran, et d’un mini-clone d’Instagram appelé Catsagram pour partager des photos de chats en famille avec un petit groupe. Aucun des deux n’aurait eu de sens économique avant l’IA. Son constat clé : la création logicielle était autrefois contrainte par le retour sur investissement — désormais elle n’est contrainte que par l’imagination.

La bifurcation : jetable contre durable

Le cadre le plus utile pour comprendre ce changement vient de Charity Majors, CTO de Honeycomb, la plateforme d’observabilité. Dans un essai largement débattu en 2025, elle soutenait que le développement logiciel se scinde en deux domaines fondamentalement différents : le code jetable et le code durable. Il ne s’agit pas d’un spectre — c’est un embranchement, et les deux voies exigent des mentalités d’ingénierie, des chaînes d’outils et des standards de qualité entièrement différents.

Le code jetable inclut les prototypes, les scripts de traitement de données, les maquettes de design, les outils internes, les flux d’automatisation et les applications de loisir. Cette catégorie a explosé depuis le lancement de ChatGPT. Un développeur qui passait autrefois des jours à écrire un script de migration de données peut désormais en générer un en quelques minutes, l’exécuter et le jeter. Une équipe produit qui avait besoin de semaines pour construire un tableau de bord interne peut en créer un en un après-midi.

Le code durable est différent. Il gère les transactions bancaires, les livraisons de colis, les systèmes de dossiers médicaux, les opérations satellites et les trajectoires de vol. Majors soutient que ce code restera durable jusqu’à l’extinction des étoiles, car les enjeux sont élevés, les pertes sont matérielles et les effets en cascade d’une défaillance sont complexes. Le coût du logiciel, note-t-elle, est défini par sa maintenance — et la maintenance est précisément ce que le code jetable évite et ce que le code durable exige.

La différence ne réside pas dans le fait que le code ait été écrit par une IA ou un humain. Elle porte sur les standards de cycle de vie, les exigences de fiabilité et ce qui se passe quand les choses échouent.

Où le logiciel jetable fonctionne déjà

Le logiciel jetable n’est pas un futur théorique. Il opère déjà selon plusieurs schémas bien établis.

Scripts ponctuels et travail sur les données. Les développeurs ont toujours écrit des scripts jetables pour les migrations de données, les transformations de fichiers et les nettoyages de bases de données. L’IA rend simplement cela plus rapide et plus accessible. Ce qui nécessitait autrefois un développeur peut désormais être réalisé par un analyste décrivant la tâche en langage naturel.

Outils internes. Les entreprises construisent régulièrement des tableaux de bord, des panneaux d’administration et des outils de flux de travail utilisés par une poignée d’employés. Ces outils justifient rarement des budgets de maintenance à long terme. Avec l’IA, les régénérer quand les besoins changent devient moins cher que les maintenir.

Prototypes et expérimentations. Les startups construisent des prototypes pour tester des hypothèses. L’objectif même est d’apprendre vite et d’abandonner ce qui ne fonctionne pas. L’IA accélère considérablement le cycle construire-tester-jeter, réduisant le coût des expériences ratées.

Intégrations temporaires. Les entreprises ont fréquemment besoin de connexions à court terme entre systèmes — une synchronisation entre deux API pendant une migration, un pont de reporting pendant une transition de plateforme. Ces intégrations ont des dates d’expiration naturelles.

Outils personnels et à micro-audience. C’est la catégorie mise en avant par Acharya chez a16z. Avant l’IA, développer un logiciel pour cinq personnes relevait d’une économie absurde. Désormais, quelqu’un peut créer un planificateur de repas personnalisé, un suivi de hobby de niche ou une application photo familiale en un après-midi. On l’utilise un temps, on le jette, on en construit un nouveau.

Les contre-arguments inconfortables

La thèse du logiciel jetable a de vraies limites, et ses partisans honnêtes les reconnaissent.

L’IA ne rend pas toujours les développeurs plus rapides. Un essai contrôlé randomisé de 2025 par METR — un organisme reconnu d’évaluation de l’IA — a révélé que les développeurs open source expérimentés étaient en réalité 19 % plus lents en utilisant des outils de codage IA sur leurs propres dépôts. Les développeurs eux-mêmes prédisaient une accélération de 24 %. L’écart entre perception et réalité est significatif. Les outils IA excellent dans la génération en terrain vierge mais peuvent avoir du mal avec le contexte accumulé des bases de code matures — précisément là où la maintenance compte le plus.

La confiance reste faible. L’enquête 2025 Stack Overflow a révélé que 46 % des développeurs ne font pas entièrement confiance au code généré par l’IA, et seulement 3 % expriment une confiance élevée. Du code jetable que personne ne lit avant de l’exécuter crée des risques évidents dans tout environnement manipulant des données sensibles ou des opérations réelles.

La dette technique ne disparaît pas — elle se transforme. Les développeurs consacrent déjà 33 % de leur temps à gérer la dette technique, selon une étude Stripe, et le CISQ estime que la mauvaise qualité logicielle coûte 1 520 milliards de dollars par an à l’économie américaine. Si le code jetable prolifère sans discipline, les organisations risquent de remplacer l’ancienne dette technique par une nouvelle : des milliers de scripts non suivis, non maintenus, générés par l’IA et dispersés dans l’entreprise sans documentation, sans tests et sans propriétaire.

Les coûts d’infrastructure sont réels. Générer et exécuter du logiciel jetable n’est pas gratuit. Chaque application éphémère consomme du calcul, du stockage et des ressources réseau. À l’échelle organisationnelle, l’empreinte infrastructurelle cumulée du logiciel jetable peut compenser une partie des économies réalisées en évitant la maintenance. Il y a aussi une dimension environnementale : alors que les centres de données mettent déjà les réseaux énergétiques mondiaux sous tension, un monde où le logiciel est routinièrement généré, exécuté et jeté pose des questions sur la durabilité de traiter le calcul comme jetable lui aussi.

Les préoccupations de qualité de code persistent. La recherche 2025 de GitClear a révélé une multiplication par quatre des clones de code — des blocs de code quasi identiques — dans les dépôts utilisant des assistants IA. Plus de code généré ne signifie pas automatiquement un meilleur code. Sans discipline de revue, le code jetable risque de devenir le courrier indésirable du monde logiciel : peu coûteux à produire, coûteux à gérer à grande échelle.

Ce qui change concrètement pour les ingénieurs

Si le paradigme du logiciel jetable s’impose, le rôle du développeur évolue plutôt qu’il ne se réduit.

Écrire du code à partir de zéro devient moins important. Évaluer, valider et orchestrer du code généré par l’IA devient central. La conception de systèmes, la réflexion architecturale et la compréhension du contexte métier deviennent les compétences différenciantes. L’évolution de Karpathy du vibe coding à l’ingénierie agentique illustre parfaitement cela : l’effet de levier vient de l’IA, mais le jugement vient de l’ingénieur.

Charity Majors pointe un autre changement. Un nouveau produit ou fonctionnalité peut commencer comme un prototype jetable, puis être converti en code durable une fois que sa forme se précise. Les ingénieurs qui comprennent les deux modes — qui savent quand jeter du code et quand investir pour le rendre robuste — seront les plus précieux.

Le défi culturel est réel. L’ingénierie logicielle a longtemps célébré l’artisanat : un code élégant qui résiste à l’épreuve du temps. Le logiciel jetable demande aux ingénieurs de traiter le code comme un outil temporaire plutôt qu’un artefact permanent. C’est le même changement mental que l’industrie a traversé avec l’infrastructure cloud, où les serveurs sont passés de machines soigneusement entretenues à des ressources éphémères créées et détruites à la demande.

Ce qui reste permanent

Tout ne devient pas jetable. L’infrastructure critique, les systèmes réglementés et les logiciels à haute fiabilité continueront d’exiger une discipline d’ingénierie traditionnelle. Le code durable qui fait fonctionner les systèmes financiers, les plateformes de santé, les commandes aéronautiques et l’infrastructure de base nécessite stabilité, auditabilité et planification architecturale approfondie qu’aucune quantité de génération IA ne peut contourner.

La véritable leçon est que le logiciel n’est pas uniformément une seule chose. L’industrie se scinde. Certains codes seront générés, utilisés et jetés en quelques heures. D’autres seront maintenus et renforcés pendant des décennies. La compétence consiste à savoir lequel est lequel — et ce jugement, ironiquement, est la seule chose que l’IA ne sait pas encore automatiser.

Sources et lectures complémentaires

• Disposable Software — Andreessen Horowitz (Anish Acharya)
• Disposable Code Is Here to Stay, but Durable Code Is What Runs the World — Honeycomb (Charity Majors)
• Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity — METR
• AI | 2025 Stack Overflow Developer Survey
• Vibe Coding Is Passe: Karpathy Has a New Name for the Future of Software — The New Stack
• The End of Software — Chris Paik