TL;DR
· Un entrepreneur en IA affirme que l’écriture de code par les agents transforme la hiérarchie des compétences en début de carrière.
· Les tâches évaluables sont plus adaptées aux modèles, les humains doivent apprendre à juger des problèmes, répartir le temps et les outils.
· Le rendement en espèces n’est pas le seul objectif ; les relations, la réputation et la qualité de la livraison creusent les écarts.

Un entrepreneur, qui affirme avoir travaillé chez Scale AI, DeepMind, OpenAI, Google, etc., et qui participe aujourd’hui à une société native des agents, a rédigé dans un long article en anglais de nouveaux conseils de carrière pour les jeunes. Le contexte est que les outils de codage IA sont passés de la complétion de code à des agents logiciels plus complets. Lorsqu’OpenAI a publié Codex en 2025, il a déclaré qu’il pouvait effectuer des tâches en parallèle dans le cloud, comme écrire des fonctionnalités, corriger des bugs, proposer des PR, etc., mais nécessitait toujours une révision et une vérification humaines du code. La question devient alors : quand les réponses standard, le code ordinaire et les tâches évaluables deviennent de moins en moins chers, où les jeunes devraient-ils consacrer leur temps ?

Le cœur de cet article n’est pas « les programmeurs seront remplacés », mais que les critères de sélection en début de carrière sont en train de changer. L’école et les entretiens traditionnels entraînent massivement sur des problèmes bien définis, aux réponses claires et pouvant être corrigés, ce qui est précisément le domaine où les modèles progressent le plus rapidement. Ce qui pourrait mieux distinguer les personnes à l’avenir, c’est la capacité à trouver des problèmes importants, à choisir des environnements à forte valeur ajoutée, à établir une réputation crédible, et à peaufiner les résultats moyens générés par les agents jusqu’à les rendre livrables.

L’offre en espèces n’est plus la seule réponse, le temps et la réputation sont plus rares

Selon l’auteur, dans l’environnement des startups IA, le capital et les outils sont plus faciles à obtenir qu’auparavant, mais le temps de qualité, les relations solides et la réputation crédible restent rares.

Il explique cela avec son expérience personnelle. Avant de rejoindre Scale AI, il dit avoir reçu une offre de poste quantitatif avec une garantie en espèces plus élevée, mais il a finalement choisi Scale en raison de sa communauté plus forte, de ses scénarios produit plus larges et de ses opportunités de se frotter à des problèmes de pointe. Selon ses souvenirs, c’est grâce à Scale qu’il est entré en contact avec des fournisseurs de raisonnement pour grands modèles, a obtenu des opportunités chez DeepMind et OpenAI, et a rencontré les collègues avec qui il a ensuite fondé sa startup.

Ces expériences ne peuvent pas simplement être extrapolées pour devenir la formule de carrière de tout le monde, mais l’avertissement qu’elles donnent est très direct : les choix de carrière en début de carrière ne doivent pas se baser uniquement sur l’argent immédiat. D’autant plus qu’après la réduction des barrières à la construction de logiciels par l’IA, il n’est plus rare de créer rapidement un petit outil générateur de revenus. Les rendements à long terme proviennent souvent de problèmes plus difficiles, de groupes plus compétents et de signaux de CV plus crédibles.

Ce que les jeunes doivent se demander n’est pas « quelle opportunité donne plus d’argent immédiatement », mais si cette chose mérite d’y consacrer du temps, si elle peut être réalisée avec des personnes brillantes, si leur bon travail peut être vu par des personnes fiables, et si elle deviendra la base de crédit pour la prochaine opportunité.

La valeur de l’ingénieur passe de « résoudre des problèmes » à « trouver des problèmes »

Alors que les agents peuvent traiter de plus en plus de problèmes aux limites claires, la valeur de l’ingénieur n’est plus seulement « peut-il résoudre le problème », mais « peut-il choisir le bon problème ».

L’auteur mentionne que leur équipe a repensé le processus d’entretien. La raison est que si dans le travail réel, on n’a plus besoin d’écrire chaque ligne de code à la main, alors le simple fait de tester des algorithmes et la conception système traditionnelle perd en corrélation avec la performance au travail. Un test plus significatif consiste à voir si le candidat peut rapidement comprendre l’environnement, trouver les problèmes qui méritent d’être résolus, puis utiliser les outils IA et les ressources externes pour faire avancer les résultats.

C’est aussi la nouvelle répartition du travail depuis que les agents écrivent du code. Les modèles excellent dans les tâches aux objectifs clairs et au feedback précis ; l’humain doit juger de l’importance des problèmes, des voies à essayer, et de combien de temps et de coûts d’appel aux modèles investir.

Pour les étudiants, le fait que l’IA puisse faire leurs devoirs peut créer de la frustration. Mais du point de vue du recrutement, les différences entre candidats n’ont pas disparu. Même si tous peuvent obtenir des réponses par l’IA, certains ont besoin de beaucoup d’essais et d’ajustements de prompts, tandis que d’autres, avec leur intuition métier, leur bagage technique et leur contexte, peuvent collaborer avec l’agent pour trouver plus rapidement la direction.

Ce qu’on appelle « savoir utiliser l’IA » ne consiste pas non plus à simplement jeter le problème au modèle. Une capacité plus forte inclut la décomposition des problèmes, l’identification des informations manquantes, la décision de quand continuer à itérer ou changer de voie, et la vérification que les résultats résolvent réellement les contradictions clés du métier ou de la technique.

Plus il est facile de créer des logiciels, plus il faut se rapprocher des problèmes difficiles

L’IA a abaissé les barrières à la construction de logiciels et a rendu les systèmes simples plus faciles à copier. L’auteur emprunte la « leçon amère » de la recherche en apprentissage automatique pour expliquer les choix de carrière : à long terme, l’extension de méthodes générales l’emporte souvent sur l’optimisation fine pour une seule tâche.

Appliqué aux entreprises et aux carrières individuelles, cela signifie que les fossés défensifs des productions simples s’amincissent. Il devient plus facile pour quiconque de créer un système qui semble utilisable, et la valeur véritablement durable se concentre plutôt sur les problèmes suffisamment difficiles et ambitieux.

Pour choisir une entreprise, le critère de l’auteur est le suivant : cette entreprise s’attaque-t-elle à la version la plus ambitieuse du problème en question, et a-t-elle vraiment une chance de le résoudre. Pour choisir un poste, il faut voir si ce rôle permet d’être directement exposé aux problèmes de pointe que l’entreprise résout.

Il mentionne également qu’il ne faut pas se focaliser uniquement sur la beauté du produit initial ou sur la qualité de la démo. Selon son évaluation subjective, la démo initiale d’Anthropic ressemblait à un simple Slackbot inférieur à ChatGPT, mais cela n’a pas empêché l’entreprise de prendre une trajectoire complètement différente par la suite. Les jeunes entreprises changent, les produits changent ; la qualité de l’équipe, l’espace de marché et la difficulté du problème influencent davantage les résultats à long terme.

Les opportunités de carrière suivent une logique similaire. Une opportunité de qualité ne se transforme pas toujours en résultat, mais il faut d’abord se placer dans une position où l’on peut voir les opportunités. Pouvoir y parvenir dépend toujours de la compétence accumulée à long terme, de la réputation, et de la volonté des autres de vous communiquer les opportunités.

Les résultats ordinaires deviennent moins chers, les 10 % finaux valent plus cher

Lorsqu’un simple prompt permet à un agent de générer un résultat de qualité moyenne, la valeur des productions ordinaires diminue, tandis que celle du polissage final augmente.

L’article cite Alfred Lin de Sequoia Capital qui dit que les 10 % finaux représentent souvent 90 % du travail et 90 % du rendement. À l’ère de l’IA, cette affirmation prend encore plus de sens. Parce qu’un résultat à 70 % devient de plus en plus facile à obtenir, ce qui distingue vraiment les personnes, ce sont la perspective unique, l’attention aux détails, la capacité d’itération, la qualité de l’architecture, l’évolutivité et la créativité.

La première version produite par l’IA est rarement directement parfaite. Le vrai travail se produit souvent dans les itérations suivantes : détecter ce qui ne va pas, ce qui doit être refactorisé, ce qui ne fonctionne pas bien dans l’expérience utilisateur, quels cas limites ne sont pas couverts, et quand il faut tout recommencer avec la prochaine génération de modèles.

Ces capacités peuvent être développées à travers des projets, des stages et du travail réel. Consacrer un peu plus de temps à peaufiner, à rendre l’architecture propre, à bien penser l’évolutivité, à soigner les détails pour que les utilisateurs veuillent vraiment utiliser le produit, tout cela laisse des traces dans les réalisations et les entretiens.

Les compétences d’ingénierie traditionnelles n’ont pas perdu de leur pertinence. Le changement réside dans le fait que la rareté de l’écriture de code a diminué, tandis que le jugement, l’esthétique, la compréhension système et la qualité de la livraison sont devenus plus précieux. L’IA permet à davantage de personnes d’atteindre un niveau moyen, mais l’écart restant devient d’autant plus difficile à combler.

Les barrières à la recherche ont baissé, mais la recherche n’est pas un titre

L’article termine en s’étendant sur « comment entrer dans la recherche ». L’auteur estime que l’IA n’a pas réservé la recherche aux seuls laboratoires de pointe, mais a au contraire abaissé les barrières à l’entrée pour les débutants.

La recherche moderne dépend certes davantage de la puissance de calcul, mais le point de départ peut être très simple : utiliser les modèles existants, transformer son intuition en évaluations, participer aux classements d’optimisation publics, utiliser les crédits offerts par les plateformes de cloud aux étudiants et aux chercheurs, et tester ses idées le plus tôt possible. La plupart des idées échouent finalement lors du passage à l’échelle, mais comprendre l’échec fait partie de la construction d’un jugement de recherche.

Un chercheur est d’abord une manière de travailler, pas seulement un poste. La recherche dans les laboratoires de pointe mélange souvent la curiosité, l’expérimentation de nouvelles idées, le travail d’adaptation à l’infrastructure, la compréhension des détails du système, le débogage rapide, et la capacité à présenter clairement la valeur des résultats pour obtenir plus de ressources. Beaucoup d’entraînement n’a pas besoin d’attendre d’avoir le titre de « chercheur ».

Les conseils de carrière laissés par cet article ne sont pas pessimistes. L’IA rend les réponses standard, le code ordinaire et les tâches évaluables moins chers, et permet aussi aux jeunes d’être exposés plus tôt à des problèmes réels. Les opportunités existent toujours, mais leur distribution a changé : celui qui sait trouver des problèmes importants, entrer dans des environnements de qualité, accumuler une réputation crédible, et pousser les résultats jusqu’au dernier kilomètre, aura plus de chances d’obtenir la prochaine opportunité.

Cliquez pour connaître les postes à pourvoir chez BlockBeats

Bienvenue dans la communauté officielle de BlockBeats :

Groupe d’abonnement Telegram : https://t.me/theblockbeats

Groupe de discussion Telegram : https://t.me/BlockBeats_App

Compte Twitter officiel : https://twitter.com/BlockBeatsAsia