Comment avancer rapidement dans la bonne direction
Avec l'IA, la rapidité est facile à obtenir, mais la dette technique l'est tout autant. C'est pourquoi les meilleures équipes ne se contentent pas de livrer leur produit rapidement : elles y réfléchissent attentivement, le construisent efficacement et font en sorte qu'il se démarque.
Partager Comment avancer rapidement dans la bonne direction
Illustrations par Chris Harnan
Pendant la majeure partie de l'histoire du logiciel, le code constituait la porte d'entrée vers la création de produits, et les développeurs en détenaient les clés. L'IA a éliminé cette porte d'entrée. Désormais, des personnes n'ayant jamais ouvert d'IDE peuvent livrer des logiciels fonctionnels. Mais cela a un prix : lorsqu'on peut tout construire, construire le bon produit s'avère plus difficile. Les équipes de développement de produits sont contraintes de maintenir le rythme et d'accélérer, mais cette rapidité peut altérer notre jugement : nous risquons de confondre des réalisations soignées avec des réalisations de qualité. Voici trois choses à retenir lorsque vous livrez plus vite que jamais.
L'IA accélère l'exécution, pas la clarté
Il est facile d'obtenir par des prompts un résultat soigné et prêt pour la production. Nous avons appris à faire confiance à ce niveau de finition car, dans un monde antérieur à l'IA, il reflétait des décisions durement acquises et des arbitrages réfléchis opérés par des experts au fil du temps – concernant, par exemple, le comportement du système ou les contraintes à privilégier. Aujourd'hui, nous pouvons rapidement créer un prototype en générant des prompts, mais les LLM comblent les lacunes pour générer un résultat qui semble excellent en apparence, tout en s'effondrant dès que l'on regarde sous le capot.
L'abandon cognitif est un terme inventé par Steven D. Shaw et Gideon Nave dans leur article « Thinking—Fast, Slow, and Artificial: How IA is Reshaping Human Reasoning and the Rise of Cognitive Surrender. » Il se réfère à ce qui se passe lorsqu'une personne accepte des résultats générés par l'IA sans les vérifier, au détriment de sa propre intuition et de sa propre réflexion.
La réflexion implique des frictions, et il est tentant de laisser l'IA éliminer totalement ces frictions. Il existe un terme pour désigner ce phénomène : l'« abandon cognitif », ou ce qui se produit lorsque nous laissons l'IA se charger de valider une idée ou d'élaborer un point de vue singulier. Je me surprends à le faire tout le temps – adopter le jugement du LLM comme le mien. Progresser rapidement et accepter le résultat dès le premier essai. Mais il faut commencer par l'intention. J'appelle cela un impératif de réflexion : prendre le temps de se pencher sur le problème et de bien cerner ce qui mérite d'être construit, plutôt que de lancer la première option qui semble raisonnable.
Le contexte doit passer en premier
Dans leur livre blanc « The New SDLC With Vibe Coding », les leaders de Google Addy Osmani, Shubham Saboo et Dr. Sokratis Kartakis introduisent l'idée d'ingénierie agentique : faire évoluer le rôle du développeur, passant de l'écriture de code à l'expression d'une intention, et utiliser l'IA pour traduire cette intention en logiciel.
Un livre blanc récent de Google sur le codage agentique décrit comment le vibe coding peu exigeant en termes d'effort engendre une dette technique. Selon l'article, l'attention des développeurs doit passer de l'écriture de code à la définition d'intentions, au moyen d'éléments tels que les suivants :
- Calques déterministes (par exemple, tests, vérifications de types, validation) qui s'exécutent toujours de la même manière et détectent les erreurs du modèle.
- Contexte riche en informations, incluant les spécifications et les composants documentés, afin que l'agent opère en fonction de votre intention.
- Interfaces claires, pour que l'agent sache comment les éléments s'articulent au lieu de devoir deviner.
Lors du passage du design au code, les agents ne disposent pas du contexte de vos composants de production. Code Connect sur le serveur MCP de Figma leur fournit le véritable code de production (accessoires et variantes inclus) au lieu de les obliger à reconstruire vos composants à partir de pixels.
Ce type d'« ingénierie agentique » signifie plus de travail en amont pour les développeurs, mais finit par porter ses fruits lorsqu'ils disposent d'un logiciel bien plus facile à maintenir. Il en va de même pour le design. Si vous consacrez le temps et le soin nécessaires à l'élaboration d'un design system robuste, vous codifiez des décisions qui fournissent aux agents un vocabulaire précis et des garde-fous clairs pour leur travail. Cette précision se traduit par des résultats cohérents, un code plus épuré et une dette technique réduite.
Ce qui est bon peut tout de même être moyen
La réflexion et le contexte vous aident à avancer plus rapidement dans la bonne direction, mais vous devez toujours vous assurer que votre produit se démarque. C'est là que l'IA joue contre vous. Les modèles sont entraînés sur d'immenses quantités de données. Ils connaissent chaque tendance, style et modèle, et tendent vers la moyenne de ce qui existe déjà – ce que l'on appelle, dans le jargon de l'apprentissage automatique, ce qui est « dans la distribution ».
Au fil du temps, une part croissante du travail se situe au stade de la distribution. Demandez à l'IA un logo, et vous obtiendrez une simple forme géométrique avec un dégradé. Demandez un pitch deck, et vous obtiendrez la police sans-serif que tout le monde utilise. Demandez un composant React, et c'est une carte aux coins arrondis que tout le monde a déjà vue. Aucun de ces éléments n'est mauvais, et la plupart sont bien conçus – mais c'est là le problème. Acceptez-les suffisamment de fois, et votre jugement se restreint. Vous cessez de vous demander « À quoi cela devrait-il ressembler ? » pour vous demander « Laquelle de ces options est la moins mauvaise ? »
À mesure que l'IA progresse, les utilisateurs parviennent à générer des résultats bien meilleurs que ce qu'ils auraient pu produire il y a un an ; pourtant, le résultat reste banal au regard de tout ce qui est produit par ailleurs. C'est ce qui rend l'autocorrection si difficile : le niveau « bon » est désormais à la portée de tous et, si vous n'avez pas de point de vue précis sur ce que vous voulez créer, c'est le modèle qui décide à votre place.
Le point de vue doit être le vôtre
Pour en savoir plus sur la manière d'offrir aux agents un meilleur contexte, regardez la présentation approfondie de Config 2026 sur les workflows agentiques.
Désormais, le travail consiste à allier rapidité et discernement. Privilégiez la clarté dès le départ pour avancer dans la bonne direction, et ne vous fiez pas immédiatement aux finitions. Concentrez-vous sur les calques de contexte tels que les design systems, afin que les agents travaillent efficacement. Et faites de la considération un élément central de votre méthode de travail. Ensemble, ces trois investissements vous aideront à faire le bon choix.
Voyez de plus près comment Code Connect et le serveur MCP de Figma vous aident à passer du design au code plus rapidement, avec des résultats de meilleure qualité.
