Schéma conceptuel illustrant comment l’IA générative absorbe les tâches de base et élimine les « possibilités d’échec », bloquant ainsi toute possibilité de développement. Crédit : Faculté d’ingénierie de l’Université nationale de Séoul
De nouvelles recherches suggèrent que l’intelligence artificielle générative (IA) pourrait non seulement réduire les opportunités d’emploi des jeunes développeurs de logiciels, mais aussi compromettre le parcours qui leur permet d’accéder au statut de professionnel senior.
Une équipe de recherche dirigée par le professeur Taesup Moon du département de génie électrique et informatique de l’École d’ingénieurs de l’Université nationale de Séoul a étudié l’impact de l’intelligence artificielle générative sur le parcours professionnel des développeurs de logiciels.
Grâce à des entretiens approfondis, les chercheurs ont constaté que, tandis que l’IA prend en charge les tâches traditionnellement effectuées par les développeurs juniors, elle réduit également les opportunités d’acquérir une expérience pratique et de procéder par essais et erreurs, pourtant essentielles pour devenir un professionnel qualifié.
L’article présentant les résultats, intitulé « Who Will Become the Next Senior? How Generative AI Erodes the Development Pathway in Software Engineering » ou « Qui deviendra le prochain senior ? Comment l’IA générative érode le parcours de développement en génie logiciel », a été accepté à la conférence AAAI/ACM 2026 sur l’IA, l’éthique et la société ( AIES 2026 ), une conférence internationale consacrée aux impacts éthiques et sociétaux de l’IA. Cette recherche est publiée sur le serveur de prépublication arXiv .
Schéma conceptuel illustrant comment le décalage entre les points de vue des cadres supérieurs et des jeunes recrues empêche le problème de se résoudre de lui-même. Crédit : Faculté d’ingénierie de l’Université nationale de Séoul
Gains de productivité, pertes de formation
L’IA générative accroît la productivité dans l’ensemble du secteur du logiciel en exécutant rapidement les tâches de développement répétitives telles que le codage, le débogage et la documentation. Cependant, la nouvelle étude soulève une question qui a reçu relativement peu d’attention au milieu de l’attention portée aux gains de productivité : « If AI takes over junior developers’ work, where will the senior developers of the future come from? » ou « Si l’IA prend en charge le travail des développeurs juniors, d’où viendront les développeurs seniors de demain ? »
Le recrutement de développeurs débutants a récemment diminué, tant en Corée qu’à l’étranger. Selon les données citées dans l’article, les offres d’emploi pour débutants dans les 15 plus grandes entreprises technologiques américaines ont chuté de 25 % entre 2023 et 2024. En Corée, les offres d’emploi dans le secteur informatique ont baissé de 43 % sur la même période, et les postes destinés aux candidats débutants ne représentaient que 4,4 % de l’ensemble des offres.
Il est toutefois difficile d’attribuer ces baisses uniquement à l’IA générative, car de multiples facteurs – notamment les ajustements de la main-d’œuvre post-pandémie et le ralentissement économique – ont également joué un rôle.
Plutôt que d’identifier les causes du déclin des recrutements, l’étude a examiné comment les rôles des développeurs juniors et le processus d’acquisition de leur expertise professionnelle évoluent suite à la généralisation de l’IA générative. Alors que les discussions précédentes se concentraient principalement sur le thème « l’IA remplace les emplois », les chercheurs ont mis l’accent sur le fait que les tâches automatisées par l’IA ne se limitent pas à des travaux répétitifs, mais ont toujours fait partie intégrante du processus d’apprentissage par l’erreur, permettant aux développeurs de développer leur expertise en commettant des erreurs et en apprenant par tâtonnement.
Les chercheurs ont examiné la Corée comme un cas où ces changements apparaissent sous une forme relativement précoce et visible : l’IA est impliquée dans 51,8 % des activités liées au travail, soit près du double du chiffre américain, tandis que l’embauche traditionnelle de débutants a fortement diminué.
Comment l’étude a abordé la Corée
L’équipe de recherche a mené des entretiens semi-structurés d’environ 50 minutes par participant auprès de six développeurs expérimentés travaillant actuellement dans le secteur et de huit jeunes développeurs se préparant à une carrière dans le développement logiciel. Les développeurs expérimentés avaient au moins six ans d’expérience professionnelle et avaient intégré le marché du travail avant l’émergence de l’IA générative, tout en y restant employés. Les jeunes développeurs étaient quant à eux des étudiants dont les études universitaires s’étaient déroulées avant et après l’émergence de l’IA générative.
Les chercheurs ont analysé les entretiens à l’aide d’une analyse thématique réflexive et ont identifié quatre thèmes principaux.
Quand les tâches subalternes disparaissent
Le premier thème abordé était l’évolution du travail des développeurs juniors vers un flux de travail « senior + IA ». Les développeurs seniors utilisaient de plus en plus l’IA pour gérer directement des tâches telles que l’implémentation de base, le débogage et la documentation, auparavant confiées aux développeurs juniors, réduisant ainsi les opportunités pour ces derniers d’acquérir une expérience pratique.
Un fondateur de start-up interrogé pour l’étude a déclaré que son entreprise avait considérablement réduit ses effectifs juniors sans aucun impact mesurable sur la productivité, en demandant : « Qu’est-ce qui rend un développeur junior meilleur qu’un abonnement à l’IA à 100 000 KRW (64 €) par mois ? »
L’échec comme outil d’apprentissage
Le deuxième thème abordé était que ce qui avait disparu n’était pas simplement le « travail », mais aussi « la possibilité d’échouer ». Les chercheurs expliquent ce phénomène par le concept de « lutte productive ». Lorsque les apprenants font des erreurs et les corrigent eux-mêmes, ils développent non seulement des connaissances, mais aussi la capacité de reconnaître leurs lacunes et d’identifier les erreurs dans leurs résultats.
Les jeunes participants ont déclaré qu’ils pouvaient désormais obtenir de bons résultats avec moins d’efforts qu’auparavant, mais ont également décrit la difficulté de « ne pas savoir ce que je ne sais pas ».
Un participant ayant suivi deux cours dans le même domaine a obtenu la même note aux deux, mais a déclaré que l’un des cours lui avait apporté de véritables connaissances tandis que l’autre ne lui avait apporté que « la capacité d’utiliser l’IA ». La seule différence résidait dans la possibilité de réaliser les travaux à l’aide de l’IA.
Les chercheurs ont constaté que les méthodes d’évaluation pédagogique actuelles ne rendent pas suffisamment compte de cette distinction. Les développeurs expérimentés ont exprimé la même préoccupation. Un participant a déclaré : « On devient senior parce que l’expérience nous apprend ce qu’il ne faut pas faire. Or, les juniors ne peuvent plus tirer de leçons des mauvais exemples. »
Pression pour utiliser l’IA de toute façon
Le troisième thème abordé était que ces changements ne résultent pas simplement de choix individuels, mais aussi de pressions structurelles. Lorsque tous les camarades d’un étudiant utilisent l’IA générative, la notation relative devient de fait un mécanisme qui encourage l’utilisation de l’IA. Dans les cours suivis par les participants aux entretiens, l’utilisation de l’IA était rarement restreinte ; ainsi, la perte de l’apprentissage par l’erreur était structurellement ancrée dans les salles de classe universitaires comme dans les lieux de travail.
Un angle mort entre les générations
Le quatrième thème soulevé était que le problème ne se résout pas de lui-même car les développeurs seniors et juniors perçoivent différemment une même situation. Les développeurs seniors considéraient généralement les changements actuels comme gérables, car leurs années d’expérience pratique leur permettaient de juger de la justesse des résultats générés par l’IA. Les juniors, en revanche, perdaient précisément les occasions d’expérimenter et d’apprendre de leurs erreurs, pourtant essentielles au développement de ces critères d’évaluation.
Un participant expérimenté a déclaré : « Nous avons 20 ans d’expérience cumulée, ce qui nous permet de juger si les résultats de l’IA sont corrects ou non. La prochaine génération ne pourra pas atteindre ce niveau. Nous sommes donc satisfaits. »
L’équipe de recherche explique ce phénomène par la théorie de la « cognition située ». Les problèmes perçus par les individus diffèrent selon leur position : les développeurs seniors et les organisations ayant le pouvoir de s’attaquer au problème peuvent avoir du mal à comprendre pleinement la situation des juniors, tandis que ces derniers, qui subissent directement le problème, n’ont pas le pouvoir de modifier les structures de formation et de recrutement.
Les chercheurs ont également constaté que le problème ne provenait pas uniquement de l’IA générative. Les développeurs expérimentés acquéraient en grande partie leur savoir-faire par la pratique et l’apprentissage par l’erreur, plutôt que par des formations formelles. En ce sens, l’IA générative n’a pas fait disparaître une voie de développement nouvellement créée ; elle a plutôt accéléré l’érosion d’une voie qui, de toute façon, n’était pas institutionnellement protégée.
S’inspirer de l’expertise future
Cette étude démontre que le parcours de formation des développeurs de logiciels, susceptible d’être fragilisé par l’IA générative, devrait être protégé institutionnellement plutôt que laissé à l’initiative individuelle. D’autres secteurs à haut risque offrent déjà des exemples de mesures institutionnelles visant à compenser les effets de l’automatisation sur le développement des compétences.
En aviation, il est conseillé aux pilotes de conserver des occasions de piloter manuellement afin que l’automatisation n’altère pas leurs compétences (FAA SAFO 13002), tandis que l’industrie nucléaire exige des formations régulières sur simulateur pour maintenir la réactivité des opérateurs. Ces exemples illustrent la volonté de préserver l’expérience nécessaire au développement et au maintien de l’expertise, même lorsque l’automatisation peut effectuer les tâches sous-jacentes.
L’équipe de recherche a suggéré que des améliorations similaires sont nécessaires en génie logiciel dans trois domaines : les universités, le recrutement et les entreprises.
Dans les universités, les chercheurs affirment que les cours dans lesquels l’IA ne peut pas atteindre les objectifs d’apprentissage au nom des étudiants devraient être désignés comme obligatoires et que la « réduction de la dépendance à l’IA » devrait être utilisée comme critère d’évaluation de la qualité de l’enseignement.
Lors du recrutement, ils proposent d’évaluer non seulement la capacité des candidats à utiliser l’IA pour produire rapidement des résultats, mais aussi leur capacité à reconnaître les lacunes dans leurs propres connaissances et à détecter les erreurs lors de l’utilisation de l’IA.
Au sein des entreprises, les chercheurs expliquent que des opportunités d’apprentissage devraient être délibérément créées pour les développeurs débutants, par exemple en leur confiant de petites modifications à des produits réels et en leur permettant de vivre directement l’ensemble du processus, des commits et de la revue de code jusqu’au déploiement.
Taesup Moon, qui a supervisé la recherche, a déclaré : « Une partie des gains de productivité actuels pourrait être empruntée par anticipation à l’expertise de la génération suivante. Comme le coût est supporté par un groupe différent et à un moment différent de celui où interviennent les décideurs, il est structurellement difficile de le déceler. Cette étude est importante car elle révèle empiriquement cet angle mort. »
Il a ajouté : « Précisément parce que nous sommes un département qui développe nous-mêmes des technologies d’IA, je crois que nous avons une responsabilité encore plus grande de nous interroger sur l’impact de ces technologies sur le développement de la prochaine génération. Nous prévoyons de poursuivre nos recherches sur l’enseignement universitaire et d’intégrer ces résultats aux discussions sur la conception de notre programme de premier cycle. »
https://techxplore.com/news/2026-09-ai-junior-coding-tasks-weaken.html
