Des déchets informatiques s’entassent dans le village de Yaocuowei, dans la province méridionale chinoise du Guangdong.
REUTERS/Bobby Yip TO ACCOMPANY FEATURE STORY ENVIRONMENT-CHINA-TECHRUBBISH BY/JD
La scène est devenue banale dans les open spaces. Un chef de projet, sans aucune notion de Python ou de JavaScript, conçoit et utilise un outil de veille sur mesure. En trois heures de « chat » avec son IA générative, il a assemblé un « scrapeur », une base de données et une interface de visualisation. Coût (apparent) : quelques centimes de jetons. Demain, le projet sera achevé et l’outil sera abandonné. C’est un basculement de modèle : la fin du logiciel « prêt-à-porter » industriel au profit d’un prototypage numérique ultrarapide et jetable.
Pendant quarante ans, l’informatique a fonctionné sur la standardisation. Les entreprises achetaient des suites logicielles massives (Office, Salesforce...) utilisées par des millions de gens. Aujourd’hui, le « vibe coding » et l’IA générative inversent la vapeur. On assiste à la multiplication de micro-outils utilisés par une poignée de personnes pour des tâches uniques.
Les « disposable softwares », ce sont ces petits programmes à durée de vie très courte. Le coût de génération du code s’effondre, le logiciel change de statut : il n’est plus une infrastructure soigneusement entretenue par un service informatique, mais un consommable que l’on jette après usage.
Cette évolution réactive une lignée historique : le « home-cooked software ». Bien avant l’IA, des développeurs fabriquaient des petits outils pour eux-mêmes ou leur communauté. On retrouve ici la « convivialité » théorisée par Ivan Illich : l’idée d’un outil que l’individu peut façonner sans dépendre d’une structure industrielle écrasante.
Dans ce modèle, l’imperfection est acceptée. Le code est parfois « sale », mais il est « bien assez bon » pour l’usage immédiat. L’IA industrialise cette impulsion artisanale. Elle permet à celui qui comprend le problème spécifique à un métier de devenir son propre fabricant, renversant la hiérarchie habituelle où le code dictait sa loi.
Chaque jour à 13h, l’essentiel de l’actualité tech.
Le basculement s’opère car l’anglais (ou le français) est devenu le langage de programmation dominant. Comme l’a souligné Andrej Karpathy, ex-directeur de l’intelligence artificielle chez Tesla, la compétence en codage n’est plus ce qui fait obstacle : « La nature des erreurs a beaucoup évolué : il ne s’agit plus de simples fautes de syntaxe, mais d’erreurs conceptuelles subtiles, du genre de celles qu’un développeur junior un peu négligent et pressé pourrait commettre. Le problème le plus fréquent est que les modèles font de mauvaises hypothèses à votre place et les acceptent sans les vérifier. » Désormais, le développeur ne façonne plus chaque ligne, il supervise un flot de code automatique.
Cette rapidité rend rationnelle une stratégie autrefois hérétique : fabriquer un outil ultraspécifique pour un besoin minuscule. On descend de plusieurs jours à quelques minutes de développement. Plutôt que de s’épuiser à entretenir un énorme tableau de bord devenu trop complexe et illisible, les équipes « data » préfèrent désormais créer un petit programme sur mesure qui vérifie les données une seule fois, puis disparaît.
Cette agilité produit une décharge numérique silencieuse. Le « code churn » — la quantité de code ajoutée puis aussitôt modifiée ou supprimée — a doublé entre 2021 et 2024 avec l’usage de l’IA. Du code que personne n’a réellement écrit ni relu s’accumule, tournant souvent en production dans les entreprises et les institutions, parfois sur des données sensibles, souvent à peine sécurisé.
C’est la naissance du « code orphelin ». Des scripts jetables oubliés sur des serveurs, des API ouvertes et jamais refermées. Le problème n’est pas seulement le stockage ; c’est une faille permanente offerte aux hackeurs. Les fuites du code sans propriétaire sont rarement colmatées. La « dette technique » devient une dette de connaissance : personne ne sait vraiment comment fonctionnent les outils qui font tourner l’entreprise.
Mais pendant que les équipes bricolent des scripts à bas coût apparent, l’infrastructure nécessaire, elle, est tout sauf légère. OpenAI, malgré son succès, brûle des capitaux à une vitesse record. HSBC projette que l’entreprise devra lever 207 milliards de dollars d’ici à 2030 pour financer ses centres de données. Toujours selon la banque, la maison mère de ChatGPT fait face à une consommation de trésorerie titanesque, avec des pertes d’exploitation projetées à près de 500 milliards de dollars sur la période.
Entre les contrats de calcul avec Microsoft ou Amazon s’élevant à 792 milliards et des loyers de centres de données atteignant 620 milliards par an, les coûts dépassent l’entendement. Alors que le logiciel devient volatil et « gratuit » pour l’utilisateur, il repose sur un gouffre financier que même un chiffre d’affaires de 213 milliards de dollars ne suffit pas à combler, laissant un besoin de financement de 207 milliards qui ne cesse de croître.
L’enjeu est de savoir qui empochera la marge. Pour HSBC, les fournisseurs de modèles comme OpenAI ne pourraient capter que 30 % de la valeur du marché de l’IA. Le reste irait aux petits acteurs spécialisés et aux éditeurs verticaux (médecine, droit, industrie). Ces bricoleurs du code capteraient la valeur en ajoutant la couche métier et la conformité que les modèles généralistes ne proposent pas.
La multiplication de ces logiciels jetables pose aussi un problème juridique. Le RGPD ou les lois sur la responsabilité produit supposent un fabricant identifié. Qui est responsable quand un script généré par un stagiaire parti il y a six mois continue de traiter des données sans surveillance ?
Le métier de développeur glisse vers l’archéologie logicielle. Les équipes passent de plus en plus de temps à fouiller dans les bases de code pour comprendre ce qui est vital et ce qui peut être supprimé. Elles commencent à réfléchir à des « dates de péremption » techniques ou des registres obligatoires pour ces outils éphémères.
Le monde numérique se fragmente. D’un côté, des infrastructures titanesques contrôlées par quelques-uns ; de l’autre, des millions de microprogrammes jetables produits par tous. Cette transition force à une nouvelle comptabilité. Le coût d’un logiciel ne se calcule plus seulement à sa création, mais à sa disparition.
Dans un écosystème saturé, savoir générer du code est devenu simple. La véritable expertise de demain sera de savoir lequel supprimer.
