Curieux ! L'IA a multiplié par 10 l'efficacité de la Silicon Valley, mais elle déclenche une crise plus secrète que la chute de moitié du $BTC

Au début de 2026, un phénomène intrigant apparaît dans le domaine de l’ingénierie logicielle. La nouvelle génération d’outils de programmation IA, représentée par Claude Opus 4.6, pousse l’efficacité des développeurs à des niveaux sans précédent. Selon des données internes de Microsoft, après avoir choisi librement leurs outils, les ingénieurs voient Claude Code rapidement dominer, ce qui est considéré comme le chemin de « résistance minimale » par sélection naturelle.

Mais en parallèle, des discussions sur « l’épuisement professionnel » émergent intensément dans la communauté des développeurs. L’ingénieur Steve Yegge, ancien chez Google et Amazon, décrit un phénomène qu’il appelle « attaque de somnolence » : après de longues sessions de programmation immersive, il s’endort soudainement en plein jour, sans avertissement.

Aujourd’hui, de plus en plus de développeurs parlent ouvertement d’une expérience commune : la production de travail augmente considérablement, mais la fatigue s’accumule à une vitesse plus rapide. La technologie réduit considérablement le temps d’exécution des tâches, sans diminuer la charge décisionnelle humaine, qui, au contraire, augmente.

Yegge souligne que les discussions antérieures sur le fait que « l’IA aide peu dans le travail réel » ne sont plus valables après l’utilisation de Claude Code avec Opus 4.5 et 4.6. Cette combinaison réduit notablement le coût de conversion entre la définition du problème et le code exécutable, permettant à un ingénieur expérimenté de produire en une unité de temps plusieurs fois plus qu’avec un flux de travail traditionnel.

Lorsque la productivité dépasse environ 2 fois, un phénomène qu’il appelle « effet vampire » commence à apparaître : la technologie n’est plus seulement un outil, mais commence à façonner inversement le rythme de travail et l’état mental de l’utilisateur.

Le développeur Sidant Karei documente en détail ce processus dans son blog. Dans son article « La fatigue liée à l’IA est réelle », il écrit que son volume de livraison de code le dernier trimestre a atteint un sommet de sa carrière, mais que la fatigue mentale était également à son comble.

Il décrit une transformation fondamentale de son mode de travail. Avant l’IA, il se concentrait intensément sur une seule problématique toute la journée, maintenant une ligne de pensée cohérente. Après l’introduction de l’IA, il doit gérer simultanément cinq ou six domaines différents. Chaque problème, assisté par l’IA, voit son temps de traitement réduit à environ une heure. Mais le changement fréquent entre ces problèmes crée une nouvelle charge cognitive. « L’IA ne se fatigue pas entre les problèmes », écrit-il, « mais moi si. »

Karei compare son nouveau rôle à celui d’un « contrôleur qualité sur la chaîne de montage ». Les demandes de tirage (pull requests) affluent sans cesse, chacune nécessitant révision, décision, approbation. Le processus ne s’interrompt jamais, mais le pouvoir de décision ne change pas de mains. Il reste fixé à la place du juge, le dossier étant présenté par l’IA, la responsabilité restant humaine.

Une étude récente apporte une preuve empirique à ce phénomène. Elle a suivi 200 employés d’une entreprise technologique américaine, révélant qu’au début, l’utilisation de l’IA améliorait significativement la vitesse d’accomplissement des tâches, mais déclenchait aussi une réaction en chaîne : l’augmentation de la vitesse renforçait les attentes de livraison de l’organisation, ce qui poussait les employés à dépendre davantage de l’IA, élargissant leur champ de tâches, ce qui intensifiait encore la charge de travail et la charge cognitive.

Les chercheurs décrivent ce mécanisme comme une « expansion de la charge de travail ». Il ne s’agit pas d’une simple extension commandée, mais d’un processus itératif et auto-renforçant entre l’amélioration de l’efficacité et l’ajustement des attentes.

Un designer de produits numériques, Samo Koroshets, exprime une situation similaire sur les réseaux sociaux. Il signale que des démonstrations de « génération de dix interfaces utilisateur en une minute » inondent la plateforme. Ces contenus sont répétés à l’infini aux professionnels et à leurs managers, créant une norme implicite. Si l’outil peut produire rapidement des solutions, alors la production doit être aussi rapide.

Mais ces démonstrations montrent rarement le coût de tri, de mise en œuvre ou de coordination inter-fonctionnelle, qui reste entièrement supporté par l’humain. La technologie compresse le temps de production, mais pas celui de la décision. Et ce dernier devient le nouveau goulot d’étranglement : l’attention et la volonté humaines.

Yegge propose un cadre d’analyse simplifié. Supposons qu’un ingénieur, après avoir maîtrisé l’outil IA, voit sa production par unité de temps multipliée par 10. À qui revient la valeur de cette différence de 9 fois ? Cela dépend de la façon dont l’utilisateur organise son offre de travail.

Par exemple, dans le scénario A, l’ingénieur maintient ses heures de travail habituelles, livrant toute la valeur supplémentaire à l’employeur. L’employeur, avec un coût en main-d’œuvre inchangé, obtient près de 10 fois plus de production. Le revenu de l’ingénieur ne change pas proportionnellement, mais son intensité de travail et sa dépense mentale augmentent considérablement. Yegge qualifie cela de « saignée ».

Dans le scénario B, l’ingénieur réduit drastiquement ses heures de travail, ne consacrant que 10 % du temps de travail d’avant pour produire une quantité équivalente. La valeur additionnelle revient entièrement à l’individu, lui laissant plus de temps libre. Mais cette situation est difficile à maintenir dans un environnement concurrentiel. Si tous adoptent cette stratégie, la production globale de l’organisation sera inférieure à celle de ses concurrents, mettant en péril sa survie à long terme.

Yegge affirme que l’idéal se situe entre ces deux extrêmes. Mais dans l’organisation actuelle, le contrôle de l’échelle n’est pas asymétrique. L’organisation tend naturellement à pousser le curseur vers le scénario A, tandis que l’individu doit exercer une contre-force active.

Ce cadre transforme la question de l’efficacité technologique en une question de répartition. L’IA ne modifie pas le fait fondamental que « la valeur est créée par le travail », mais elle change l’échelle de la valeur créée par la même unité de travail. Lorsqu’un saut de cette échelle se produit, l’équilibre de la répartition en est forcément affecté.

Yegge se remémore son expérience chez Amazon en 2001. Son équipe subissait une forte pression de livraison, avec des retours très incertains. Lors d’une réunion, il écrit à ses collègues une formule : $/heure. Il explique que le numérateur (salaire annuel fixe) est difficile à changer à court terme, mais le dénominateur (heures réellement travaillées) a une grande flexibilité. Il prône de déplacer l’attention de « comment gagner plus » à « comment travailler moins ».

Vingt-cinq ans plus tard, Yegge pense que cette formule reste valable dans l’ère de l’IA. La différence est que l’IA amplifie considérablement l’impact de la variation du dénominateur sur le numérateur, mais le contrôle individuel sur le dénominateur ne s’est pas renforcé en parallèle.

Un autre point de vue, celui de Joseph Amosen, aborde la question sous un angle différent. Il observe que la majorité des professionnels dans les domaines créatifs, y compris écrivains, designers, chercheurs, ne travaillent généralement pas plus de quatre heures par jour. Le reste du temps est consacré à la récupération, à la promenade, à l’entrée d’idées. Ce n’est pas une question d’efficacité, mais une limite physiologique de l’activité cognitive.

Si l’IA continue à découper « travail » et « travail efficace », alors il ne s’agit peut-être pas de la façon dont on utilise l’outil, mais de la durée de la « journée de travail ».

Yegge admet dans son article qu’il fait lui aussi partie du problème. Avec plus de quarante ans d’expérience en ingénierie, ayant dirigé de grandes équipes, il lit vite et dispose de suffisamment de temps et de ressources pour expérimenter la technologie. Il peut passer des dizaines d’heures à utiliser Claude Code pour construire un système opérationnel, puis le publier dans le domaine public. Ses réalisations sont largement diffusées, certains managers les considèrent comme le « niveau auquel un ingénieur peut atteindre ».

Il écrit : « Les employeurs vont probablement commencer à me regarder, moi et ces autres atypiques, et dire : ‘Hé, tous mes employés peuvent faire pareil’ ».

Sur les plateformes comme les réseaux sociaux, certains pionniers partagent ouvertement leur intensité d’utilisation de l’IA : certains évoquent des organisations payant plusieurs milliers de dollars par mois pour quelques comptes ; d’autres montrent qu’ils gèrent des dizaines de conversations simultanément. Ces contenus, tout en attirant l’attention de la communauté technique, façonnent aussi un référentiel implicite pour la gestion. Yegge qualifie cela de « standard de beauté irréaliste ».

Il reconnaît ne pas être représentatif, son rythme de travail difficilement reproductible par la majorité, voire lui-même doutant de pouvoir le maintenir longtemps. Mais lorsqu’il monte sur scène ou écrit un livre, l’information qu’il transmet (du moins pour la réception) se résume à « cela peut être fait ».

L’utilisateur Lihé Ashoff pousse la réflexion plus loin. Il pense que la façon dont l’humain interagit avec l’IA reflète une difficulté de longue date dans la reconnaissance des limites dans les interactions humaines. Beaucoup manquent de capacité à reconnaître et exprimer leurs propres limites dans leurs relations, et cette incapacité se transpose dans la relation homme-machine. Les outils ne s’arrêtent pas d’eux-mêmes, ils ne perçoivent pas la fatigue de l’utilisateur. Plus la technologie étend ses capacités, plus la capacité à reconnaître ses limites devient rare.

Yegge propose une recommandation concrète : la journée de travail efficace à l’ère de l’IA devrait se réduire à trois ou quatre heures. Ce n’est pas un chiffre rigoureusement validé, mais une estimation basée sur l’expérience. Son observation est que l’IA automatise de nombreuses tâches exécutives, mais laisse aux humains la prise de décision, le jugement, la restructuration des problèmes. Ces activités consomment beaucoup plus d’attention et de ressources émotionnelles que l’exécution, et sont difficiles à paralléliser ou à compresser.

Lors d’une visite dans un parc technologique, Yegge a vu un environnement qu’il qualifie de « cadran réglé à la bonne position » : espace ouvert, lumière naturelle abondante, zones de socialisation et de repos réparties partout, employés qui changent librement de mode de travail ou de récupération. Il n’est pas certain que cette configuration puisse perdurer une fois l’IA totalement intégrée.

Mais il est convaincu que le modèle actuel, qui consiste à ne pas ajuster la durée de travail mais à augmenter la densité de production par unité de temps, n’est pas viable. Il ne voit pas le problème comme « l’IA étant un vampire », mais comme « j’ai besoin de mieux connaître mes limites ».

En conclusion, Yegge indique qu’il tente de réduire lui-même cette échelle. Il diminue ses activités publiques, refuse de nombreuses réunions, ne poursuit pas toutes les voies technologiques visibles. Il continue d’écrire, de construire des produits, d’échanger avec ses pairs. Mais il ferme aussi son ordinateur l’après-midi pour se promener avec sa famille. Il ne sait pas encore jusqu’où il pourra ramener le curseur, mais il est convaincu que la direction est la bonne.

Pour la majorité des professionnels, cette question n’est pas encore à l’ordre du jour collectif. La narration sur la productivité IA domine encore, et la fatigue reste une expérience individuelle et fragmentée. Mais de plus en plus de signaux indiquent que ces deux courbes convergent. La technologie raccourcit le chemin des tâches, mais pas la journée de travail. Les outils partagent l’exécution, mais pas la responsabilité. L’efficacité accélère la livraison, mais aussi la consommation. Et si l’IA ne cesse de nous dire « on peut aller plus vite », peut-être devrions-nous aussi entendre : « on peut aussi aller plus lentement » ?