2x, not 10x: coding with LLMs in 2026
L'auteur explique que les grands modèles de langage sont devenus suffisamment fiables pour fonctionner dans des boucles de rétroaction automatisées, ce qui les rend particulièrement utiles pour produire du code répondant à des critères d'acceptation objectifs. Il propose l'hypothèse de l'escalier selon laquelle, une fois franchi le seuil de fiabilité, les améliorations supplémentaires des modèles auront un impact décroissant sur la productivité, de la même façon qu'être assez grand pour monter une marche compte plus que pouvoir en monter plusieurs d'un pas. Il note cependant des limites importantes pour des jugements qualitatifs comme la maintenabilité du code ou la pertinence de la documentation, et dit qu'il utilise les modèles pour créer un brouillon initial qu'il itère ensuite longuement, constatant qu'une implémentation fonctionnelle signifie désormais environ 20% du travail au lieu de 80% auparavant. Pour compenser ces limites, il adopte des pratiques pragmatiques telles que demander aux LLMs de ne pas rédiger les README, docstrings ou commentaires, employer des spécifications déclaratives, utiliser des environnements sandboxés et expérimenter le "vibe coding" hors production. Sa conclusion est que les gains de productivité futurs passeront probablement par une réorganisation des outils et des flux de travail autour des capacités actuelles des modèles plutôt que par des améliorations de modèle seules, et il continuera à écrire des README à la main.