Auteurs : Ricardo Pacheco Almeida et Eduardo Barroso da Silva (PwC Portugal).
Vibe coding : origine, signification et impact sur la programmation
L’avènement de l’intelligence artificielle générative a apporté au monde toute une palette de nouveaux termes et de nouvelles spécialisations. L’un de ces termes est le vibe coding.
Sans être une définition académique, ni même formelle, le vibe coding est un reflet de son époque : c’est un concept devenu « viral » à partir d’un tweet publié au début de 2025 par Andrej Karpathy, data scientist et ancien directeur de l’IA chez Tesla. Dans ce message, Andrej évoque un « nouveau type de programmation appelé vibe coding, dans lequel on s’abandonne complètement aux vibes (…) ».
Le terme a fini par s’ancrer dans le discours du secteur et, aujourd’hui, le vibe coding peut être décrit comme l’utilisation intuitive d’assistants de code fondés sur la GenAI. Au lieu de rédiger des spécifications détaillées ou chaque ligne de syntaxe, les développeurs font confiance à la capacité de l’outil à déduire l’intention à partir du contexte partagé, du projet lui-même et du code créé. Le développeur fixe la direction, la vibe, et la solution génère l’implémentation de manière indépendante.
Il est également important de distinguer le vibe coding de l’assisted coding ou de l’AI-assisted pair programming, un concept émergent dans les milieux universitaires et l’industrie, dans lequel les développeurs professionnels utilisent la GenAI pour accélérer leurs tâches de développement. Toutefois, l’assisted coding ne suppose pas une confiance totale dans l’outil qui génère le code : il accélère simplement des tâches ponctuelles, clairement définies et dont le développeur possède déjà la connaissance. Il s’agit d’un changement de rôle : le professionnel agit moins comme un auteur que comme un éditeur ou un curateur.
Bonnes pratiques d’utilisation de la GenAI
Des données récentes du secteur indiquent que la grande majorité des professionnels de la technologie utilisent déjà ces outils dans leur travail. La phase d’expérimentation avec la GenAI semble donc toucher à sa fin, et nous entrons dans celle de la mesure des résultats.
Pour les développeurs, la perception générale est très positive, car les frictions diminuent et ils ont le sentiment d’aller plus vite. Et, de fait, en volume brut, ils produisent davantage : les équipes ayant largement adopté la GenAI peuvent soumettre presque deux fois plus de pull requests (PRs). Cependant, l’effort de revue augmente.
Pourquoi ce décalage ? Il y a deux raisons principales : sans orientation adéquate, elle tend à générer des blocs de code plus volumineux et décontextualisés, ce qui rend la revue plus complexe ; et elle est si efficace pour générer du code en quantité que les équipes peuvent ne pas parvenir à le revoir.
Pour tirer parti du potentiel de la GenAI, les équipes techniques doivent former leur personnel, créer des méthodologies holistiques et élaborer de meilleures pratiques. Avant d’écrire le moindre code, il est essentiel de :
- créer des manuels pour développeurs (developer handbooks) afin de guider les agents GenAI ;
- définir des règles au niveau du logiciel GenAI (par exemple, Cursor Rules) ; et
- établir des lignes directrices (par exemple, des lignes directrices de projet, une structure de projet avec des définitions sémantiques pour chaque dossier ou module).
Architecture du prompting et gestion du contexte
Comme dans un projet classique de développement d’une solution, il est également essentiel de disposer d’un périmètre délimité et bien défini. Les outils de GenAI, en particulier les modèles Claude, ont tendance à toujours en faire un peu plus que ce qui est demandé. Il est donc essentiel de savoir quelles fonctionnalités doivent être développées, afin de créer un ensemble de tâches techniques orientées vers les fonctionnalités définies (backlog). L’agent qui génère le code peut alors développer les éléments précis identifiés dans le backlog.
Toutes ces sources d’information consomment une grande partie de la fenêtre de contexte des modèles. La fenêtre de contexte est la quantité maximale d’informations que le modèle peut « voir » et traiter en une seule fois. Ces informations, mesurées en tokens (mots ou parties de mots), comprennent aussi bien l’entrée (vos instructions et l’historique de la conversation) que la sortie (la réponse générée). Elle fonctionne comme la mémoire à court terme du modèle. Si une conversation dépasse la limite, le modèle « oublie » ce qui a été dit au début et perd le contexte antérieur. Il est essentiel de :
- disposer d’une documentation factuelle et précise (avec des phrases courtes et directes) ;
- éviter les informations non pertinentes ; et
- veiller à ce que le contexte tienne dans la fenêtre du modèle.
Pour les grandes organisations, comme indiqué précédemment, le défi n’est plus d’adopter l’outil, mais de le convertir en valeur métier mesurable et déployable à grande échelle. Les entreprises qui réussissent traitent l’IA comme un problème de transformation, et non comme un problème d’outils technologiques.
Adopter cet état d’esprit de transformation exige que l’ambition stratégique de l’entreprise pour la GenAI soit claire et progressive. La première étape consiste à étendre le modèle de gouvernance existant à cette nouvelle technologie, en définissant qui est responsable du développement et du suivi, et comment garantir une utilisation responsable et conforme aux obligations légales. Sans cette structure de gouvernance, les initiatives d’IA restent des expériences isolées, incapables de passer à l’échelle et exposées à des risques juridiques et réputationnels.
Cadre de priorisation et de passage à l’échelle des cas d’usage
Une fois la gouvernance définie, la direction doit se concentrer sur les cas d’usage, et non sur la technologie. Cela implique de :
- repérer les processus présentant le plus grand potentiel d’automatisation ;
- évaluer l’impact par rapport à la complexité dans une matrice de décision ; et
- choisir entre développer, acheter ou adapter des solutions.
La réussite de la mise en œuvre dépend d’un écosystème cohérent de technologies et de personnes. Les entreprises ont besoin d’un cadre de décision pour garantir que les outils puissent passer à l’échelle et que les décisions soient auditables. La conduite du changement est donc essentielle et doit porter sur la formation et la définition de politiques d’utilisation responsable qui apprennent aux collaborateurs à valider les résultats de l’IA, plutôt qu’à simplement les accepter.
Enfin, les organisations qui en tirent de la valeur mesurent ce qui compte vraiment. Le succès réside dans l’impact mesurable sur les indicateurs métier (KPIs) et le retour sur investissement (ROI). Cela exige un suivi continu des performances et la collecte des retours des utilisateurs. Seul ce cycle de mise en œuvre méthodique et d’apprentissage permet de démontrer la valeur de la GenAI au-delà de l’expérimentation, en transformant l’investissement en résultats durables.
En somme, le vibe coding représente la tentation d’une vitesse facile, mais c’est un piège qui génère de la dette technique et du risque. L’assisted coding professionnel est une technique permettant de renforcer et d’accélérer le processus de développement. Le développeur adopte un rôle plus proche de celui d’un relecteur, voire d’un product owner. L’avenir du développement logiciel ne passe pas par le remplacement de l’ingénieur, mais par sa transformation : d’un « auteur de code » en un architecte de l’intention, un validateur critique de la logique, qui garantit la qualité finale, la sécurité et la conformité de la solution.