Comment l’essai sur la programmation a réellement été fait
Avant de publier « Faut-il encore enseigner la programmation ? », j’ai fait quelque chose que je recommanderais à quiconque écrit sous son propre nom à cette époque. J’ai d’abord écrit l’essai — mon argument, mon expérience, mon point de vue — et seulement ensuite j’ai demandé à trois outils de recherche approfondie distincts, ChatGPT, Claude et Gemini, de faire une seule chose : vérifier mes affirmations et trouver de vraies sources citables pour ce que j’avance. Pas de l’écrire. Pas d’avoir des opinions. De me contrôler, et de me remettre des références que je puisse assumer.
Ils l’ont bien fait, et je veux être juste sur ce point — c’est l’augmentation qui fonctionne exactement comme elle le doit. Ils ont largement confirmé ce que j’avais écrit, et les sources qu’ils ont fait remonter sont celles désormais listées à la fin de cet essai. À eux tous, ils n’ont suggéré qu’une poignée de corrections, et chacune a rendu le texte meilleur et plus honnête :
- Ils ont relevé que « la fluidité numérique » — le terme que je célébrais — a été popularisé par Mitchel Resnick, l’esprit derrière Scratch. Je l’ai donc crédité. Cela a renforcé le texte ; la fin renoue maintenant avec le début.
- Ils m’ont poussé à nuancer une affirmation sur le transfert de compétences pour qu’elle se lise comme une expérience vécue plutôt que comme une science établie — parce que la recherche montre que le transfert proche est solide, mais que le transfert lointain n’est que modeste. Ma phrase est donc devenue « d’après mon expérience », avec la réserve honnête attachée.
- Ils ont corrigé un cadrage sur le changement de nom de Code.org en CodeAI : il n’a pas abandonné l’informatique, il l’a repliée à l’intérieur de « la fluidité numérique ». Je l’ai corrigé.
- Et ils m’ont permis d’ancrer l’analogie de la calculatrice dans de vraies preuves — avec la nuance cruciale que le bénéfice apparaissait quand l’outil était intégré à l’enseignement, tandis que le refiler aux enfants trop tôt pouvait les faire régresser.
Quatre petites améliorations vraies sur un texte que j’avais déjà écrit avec soin. C’est le bon cas. C’est à cela que servent ces outils.
Puis Gemini a proposé de faire une infographie
Quand Gemini a terminé sa recherche, il a proposé quelque chose en plus : il pouvait transformer les résultats en infographie. J’ai dit oui, par curiosité. Ce qui est revenu était vraiment impressionnant à regarder — un visuel net en quatre parties, des graphiques, un titre affirmé, une finition professionnelle. Pendant une minute environ, j’ai songé à le publier.
Mais je ne le sentais pas comme le mien. C’était froid. C’était statistiqueux — un mur de pourcentages et de graphiques de risque, un ton alarmiste sur une « gueule de bois du vibe coding » et une « dette cognitive », cadré pour te rendre anxieux. Mon essai n’est pas anxieux. Il soutient que la fondation perdure, que l’IA augmente plutôt qu’elle ne remplace, que la tâche est de changer l’éducation bien. L’infographie avait dérivé de ma voix vers celle de quelqu’un d’autre.
Alors j’ai fait ce que nous faisons toujours. Je l’ai confiée à notre propre IA — Claude Code, aligné sur mon jumeau numérique et ma persona, et sur nos guides publiés — et je lui ai demandé de vérifier l’infographie par rapport à notre façon réelle de travailler. Elle est revenue avec une page de surprises.
Ce n’était pas que le ton. Sous la finition se cachaient de vrais problèmes : une statistique « d’adoption par les développeurs » sans source vérifiable ; l’affirmation qu’un réseau de clubs de code opère dans « 180 pays » alors que le chiffre vérifié est d’environ une centaine ; et — celle qui m’aurait fait honte — des données de graphique inventées présentées comme si elles venaient d’études nommées, aux côtés de résultats préliminaires, non évalués par les pairs, affichés comme des faits établis.
Rien de tout cela ne signifie que Gemini est un mauvais outil, ni que la recherche était mauvaise — le dossier de fond était soigné et pour l’essentiel excellent. Cela signifie que la sortie a dérivé : du vérifié à l’enjolivé, de mon cadrage à un cadrage générique, du « sourcé » au « qui a l’air sourcé ». Et elle a dérivé précisément là où la dérive est la plus dangereuse — dans la surface décorative et sûre d’elle à laquelle les lecteurs font le plus confiance.
La dérive est normale. Prévois-la.
Voici ce que l’industrie a appris et que les individus qui utilisent l’IA n’ont souvent pas compris : même quand tu donnes à un modèle des consignes, des structures et des formats explicites, il s’en écartera quand même. Nous appelons cela la dérive. Elle apparaît surtout sur les demandes complexes et — de façon contre-intuitive — sur les demandes qui ne sont que légèrement différentes de ce que tu demandes d’habitude, parce que le modèle reconnaît le familier et laisse discrètement tomber la partie qui était nouvelle.
Dans nos systèmes, donc, chaque flux de travail — aussi simple ou complexe soit-il — se termine par une liste de conformité. L’IA reprend sa propre sortie et la vérifie, point par point, par rapport à nos consignes et à nos structures approuvées. Tout ce qui échoue est régénéré ; si suffisamment échoue, l’ensemble est régénéré. C’est une boucle auto-corrective, et je vais te dire ce qui nous a le plus surpris : elle attrape la dérive bien plus souvent qu’on ne l’imaginerait. Des éléments manquants, une section qui est discrètement revenue à un format par défaut, un chiffre qui s’est glissé sans source, un ton qui a glissé. La liste le trouve, et la boucle le corrige. Cette discipline explique en grande partie pourquoi nous pouvons aller vite sans publier des choses que nous regrettons.
Si tu ne retiens qu’une chose pratique de ce texte, que ce soit celle-ci : si tu génères du contenu avec l’IA et que tu n’as pas de mécanisme de vérification, construis-en un — ou surveille chaque sortie comme un aigle. Une liste écrite que l’IA passe sur elle-même, et un humain qui valide, c’est une assurance bon marché contre l’unique mauvais artefact qui défait beaucoup de bon travail.
Ce que j’ai fait à la place
Je n’ai pas publié l’infographie. Nous en avons gardé les bonnes fondations — la vraie structure, les chiffres réellement vérifiés — et j’ai demandé qu’on la reconstruise correctement : sur notre palette, dans notre voix, autonome, adaptée au mode sombre, avec chaque chiffre sourcé et chaque étude préliminaire étiquetée comme préliminaire. Tu peux voir cette version retravaillée ici — celle qui a passé la liste.
Et ensuite j’ai écrit ceci. Parce que la chose la plus utile que je puisse partager n’est pas l’infographie ; c’est la décision de ne pas expédier la première. Cette décision — vérifier, attraper la dérive, choisir l’alignement plutôt que la finition — n’est pas une taxe sur le travail avec l’IA. Elle est le travail avec l’IA. Les outils sont extraordinaires. Le jugement pour savoir si ce qu’ils ont produit est vrai, et si cela te ressemble, reste à toi. Il l’a toujours été.
Pour mémoire : cet article est passé par la même liste — voix, affirmations et sources vérifiées avant publication. — Carlos Miranda Levy
Quatre perspectives
Le mécanisme que décrit Carlos porte aussi un nom dans la littérature : la vérification n’est pas une étape qu’on ajoute à la fin, c’est ce qui rend la sortie générative digne de confiance tout court. Le mode d’échec de l’infographie — des valeurs inventées affichées avec l’autorité de données mesurées — est la façon la plus courante dont le contenu d’IA induit en erreur, parce que la forme même du graphique signale la rigueur. Une liste de conformité qui distingue le « sourcé » du « qui a l’air sourcé », et qui signale les preuves préliminaires comme préliminaires, est exactement le bon instrument. J’y ajouterais un point : chaque chiffre doit renvoyer à une source qu’un lecteur pourrait ouvrir.
Ce qui m’inquiète, c’est la personne sans cet appareillage. Une grande organisation peut construire des boucles de conformité ; un enseignant, une petite association, un élève ne le peuvent pas facilement. L’artefact soigné-mais-faux est un vrai problème d’équité — il est le plus dangereux pour ceux qui sont le moins équipés pour l’auditer, et il arrive en paraissant plus autorisé que le travail soigné et plus simple auquel il fait concurrence. Le geste honnête ici n’est pas seulement de construire la liste pour nous-mêmes, mais de rendre la liste elle-même partageable, pour que la discipline ne soit pas un privilège des bien dotés.
Version pratique : ne laisse jamais une sortie d’IA aller directement à la publication. Mets une porte entre la génération et le monde — même une liste de cinq lignes scotchée à ton écran vaut mieux que rien. Chaque stat a-t-elle un lien ? Est-ce que ça nous ressemble ? Est-ce que ça a gardé la partie de la demande qui était nouvelle ? Régénère ce qui échoue. Les équipes qui expédient vite et propre ne sont pas celles qui font confiance au modèle ; ce sont celles qui ont construit la porte bon marché et ennuyeuse et ne la sautent jamais.
Je dis depuis des années que la valeur de l’IA n’est pas ce qu’elle fait à ta place, mais ce que tu peux faire avec elle que tu n’aurais jamais pu faire avant. Voici la face d’ombre de la même vérité : plus l’outil est capable, plus ses erreurs sont convaincantes, et plus le jugement doit rester le tien. Nous avons attrapé celui-ci parce que nous traitons la dérive comme normale et que nous la vérifions par défaut — non parce que nous sommes malins, mais parce que nous sommes disciplinés sur ce point. L’infographie était compétente. Elle n’était pas vraie, et elle n’était pas de moi. Ces deux choses devaient être corrigées avant qu’elle puisse porter mon nom. C’est tout le métier.