Les démonstrations de modèles génératifs séduisent, mais elles ne couvrent ni l’intégration aux systèmes existants, ni les contraintes légales et d’accessibilité, ni la complexité du déploiement. Face à des attentes irréalistes, des conseils invitent les ingénieurs à expliquer les limites des LLM, à ajuster certains processus et à préserver l’essentiel : livrer des logiciels sûrs et utiles.
Préserver le cap : produire utile et sûr reste la priorité
Le cœur du métier d’ingénieur reste la création de produits sûrs et utiles pour les utilisateurs. Les ingénieurs sont considérés comme les mieux placés pour accomplir cette mission, même à l’ère de l’IA générative. L’objectif est d’éviter que l’enthousiasme pour l’IA ne pousse l’organisation à poursuivre des objectifs inadaptés. Certaines directions souhaitent croire qu’une équipe d’ingénierie pourrait être remplacée par quelques prompts, une idée que des entreprises contribuent aussi à diffuser. Expliquer les limites réelles des outils d’IA permet d’éviter que l’on pense qu’un carnet de prompts puisse remplacer une équipe d’ingénierie.
Des démos séduisantes, des systèmes à livrer sous contraintes
Une démonstration fonctionnelle masque la complexité réelle et se déroule dans des conditions spécifiques, sans utilisateurs réels. Cependant, une démo ne correspond pas à ce qu’implique un environnement de production. Le passage à la production requiert d’intégrer le produit à des systèmes existants comprenant des millions de lignes de code héritées, de répondre à des obligations réglementaires et à des standards d’accessibilité, ainsi que de piloter un déploiement souvent complexe. La génération de code ne représente qu’une partie du travail, et il arrive qu’après une démonstration, certains considèrent à tort que les ingénieurs ne sont plus nécessaires.
L’IA qui transforme le business ?
Stratégies, mouvements et levées IA décryptés, chaque soir en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisissez votre rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Compétences moteurs : fondamentaux des LLM et pédagogie interne
Les ingénieurs ont une capacité supérieure à comprendre le fonctionnement des modèles d’IA. Il est utile de maîtriser certains fondamentaux : les LLM sont probabilistes, la notion de tokens est essentielle, et la qualité des données d’entraînement influence les résultats. Il n’est pas nécessaire d’être chercheur pour acquérir ces bases, qui placent souvent les ingénieurs en avance sur la plupart des décideurs en matière d’IA. Cette expertise doit être partagée : expliquer la différence entre une démonstration et un système de production, et exposer clairement les limites des outils, permet d’éviter les raccourcis trompeurs.
Climat de pression, ajustements de processus et voix des équipes
Dans un contexte de licenciements et de restructurations, des ingénieurs se voient opposer des remarques sur la rapidité de ChatGPT ou la création d’applications en un week-end. Ces situations ont été vécues en 2024 et 2025, période d’engouement marqué pour l’IA et d’adoption croissante de Claude et ChatGPT. Face à cette pression, certaines pratiques peuvent être réévaluées lorsqu’elles sont devenues de simples formalités ; reconnaître que certains processus sont trop lents peut donner la crédibilité nécessaire pour défendre les étapes importantes. Même si la recherche de vitesse à tout prix est jugée nuisible par l’auteur, les ingénieurs en première ligne doivent expliquer et défendre la raison d’être des pratiques, car personne d’autre ne le fera à leur place.
