Note éditoriale : Ce témoignage nous a été transmis par un CTO d’une entreprise industrielle européenne (500+ employés). Les détails ont été anonymisés à sa demande, mais les chiffres et faits sont réels. Nous avons vérifié.
Je ne pensais jamais écrire cet article.
Quand on me parle de “remplacer des humains par de l’IA”, j’ai toujours eu un malaise. Pas par principe. Mais parce que ça sonnait faux, réducteur, comme ces titres clickbait qui promettent la fin du travail.
Et pourtant. En 18 mois, mon équipe data est passée de 22 personnes à 13.
Pas des licenciements. Des départs naturels qu’on n’a pas remplacés.
Pendant ce temps, notre productivité a été multipliée par 3. Nos pipelines sont plus stables. Nos modèles plus performants. Notre dette technique en chute libre.
Je ne sais pas si c’est rassurant ou terrifiant. Mais je sais que c’est en train de se passer partout.
Voici ce que j’ai appris.
Acte I : Le jour où j’ai compris que quelque chose avait changé
Mars 2024. Mon équipe data croulait sous les ticket Jira. On avait 140+ pipelines à maintenir, des scripts Python partout, de la dette technique accumulée depuis 4 ans. Chaque nouvelle feature prenait 3 semaines. Chaque bug était un cauchemar à débugger.
Un soir, Lucas — un de mes seniors — me montre un truc étrange.
“Regarde. J’ai demandé à GPT-4 de réécrire ce pipeline PySpark legacy. Ça m’a pris 20 minutes au lieu de 3 jours.”
Je rigole. “Ouais, mais ça marche ?”
Il lance les tests : 100% de pass. Performances identiques. Code propre.
Je reste sans voix.
On creuse. On teste. Sur 30 pipelines de transformation simples, l’IA fait le boulot en quelques heures. Avec moins de bugs. Et du code mieux structuré que ce qu’on avait.
C’est là que j’ai compris : quelque chose venait de casser.
Acte II : Ce que l’IA a remplacé (et ce qu’elle n’a pas remplacé)
On a commencé prudemment. Petits bouts. Tests. Validation humaine à chaque étape.
Voici ce qui a été automatisé en 12 mois :
✅ Ce que l’IA fait mieux que nous (et plus vite)
-
Génération de code boilerplate (Airflow DAGs, dbt models, tests unitaires)
→ 80% du temps gagné sur les tâches répétitives -
Debugging assisté
→ Coller un stack trace + contexte → l’IA trouve la root cause en 2 minutes au lieu de 45 minutes -
Refactoring de legacy code
→ On a refactoré 60 000 lignes de Python 2.7 en Python 3.11 en 3 semaines (au lieu de 6 mois) -
Génération de documentation
→ Finies les docs qui datent de 2019. L’IA génère des docstrings, des README, des architecture diagrams automatiquement -
Transformation de données simples
→ “Prends cette table, normalise ces champs, join ça, agrège ça” → fait en 5 min -
Génération de tests
→ L’IA écrit les edge cases qu’on oublie toujours
❌ Ce que l’IA ne fait PAS (encore)
-
Comprendre le métier
→ Elle ne sait pas que “revenue” et “turnover” c’est la même chose dans notre contexte, mais différent pour la compta -
Arbitrer entre trade-offs techniques
→ “On optimise pour la vitesse ou pour la résilience ?” → besoin d’un humain -
Debugging de problèmes distribués complexes
→ Kafka en rade, data inconsistency entre 3 systèmes, race condition subtile → l’IA aide, mais ne résout pas seule -
Architecture de bout-en-bout
→ Concevoir un data lakehouse avec 5 sources, 20 use cases, governance, sécurité → humain only -
Stakeholder management
→ “Expliquer au CMO pourquoi son dashboard ne sera pas prêt pour lundi” → 100% humain
Acte III : Le paradoxe de la productivité
Voici ce qui est fou :
Avant IA : 22 personnes → 100 unités de valeur produites
Après IA : 13 personnes → 300 unités de valeur produites
Productivité par personne : × 6.
Mais ce n’est pas aussi simple. Parce que les 13 qui restent ne font pas le même job que les 22 d’avant.
Ce qui a changé dans les rôles :
| Avant (2023) | Après (2025) |
|---|---|
| 60% du temps sur du code boilerplate | 10% (l’IA le fait) |
| 20% sur du debugging | 5% (l’IA accélère × 10) |
| 15% sur de l’architecture & design | 50% (cœur du métier) |
| 5% sur de la doc | 2% (l’IA génère) |
| 0% sur de la validation IA | 25% (nouveau : review du code généré) |
| 0% sur du prompt engineering | 8% (nouveau : optimiser les prompts) |
Résultat : les data engineers sont devenus des “data architects” qui passent 85% de leur temps sur de la valeur haute, de la réflexion, des décisions critiques.
Le reste ? Automatisé.
Acte IV : Les 5 leçons que personne ne vous dit
1. L’IA ne remplace pas les gens. Elle rend les juniors inutiles.
Dure vérité : les juniors qui passaient 80% de leur temps à écrire du code simple ont disparu de nos embauches.
Pourquoi payer quelqu’un pour écrire du SQL basique quand ChatGPT le fait en 10 secondes ? Aujourd’hui, on embauche des seniors qui savent architecturer, challenger l’IA, détecter ses erreurs.
Conséquence : le marché se polarise. Les très bons sont en or. Les juniors peinent à entrer. Les médiocres disparaissent.
2. La vitesse d’exécution n’est plus un différenciateur
Avant, une équipe rapide battait une équipe lente.
Aujourd’hui, tout le monde va vite. Ce qui différencie, c’est :
- La qualité des décisions architecturales
- La compréhension métier fine
- La capacité à poser les bonnes questions
L’IA a commoditisé l’exécution. Ce qui reste rare, c’est la stratégie.
3. On passe de “développer vite” à “valider vite”
Notre métier est devenu : review de code généré par IA.
On vérifie :
- Les edge cases couverts ?
- La sécurité respectée ?
- Les perfs acceptables ?
- La maintenabilité assurée ?
On est devenus des validateurs critiques plus que des codeurs.
4. La dette technique devient moins grave (mais la dette décisionnelle explose)
Refactorer du code legacy ? L’IA le fait en une semaine.
Mais refactorer une mauvaise décision d’architecture prise il y a 2 ans ? Ça prend toujours 6 mois.
Paradoxe : l’IA réduit la dette technique, mais amplifie l’impact des mauvaises décisions humaines.
5. Le management change radicalement
Avant, je managais des “livrables” : “ce sprint, on livre 5 features.”
Maintenant, je manage des “reviews” : “ce sprint, on valide 20 features générées par IA.”
Mon rôle de CTO a glissé de “orchestrer l’exécution” vers “garantir la qualité décisionnelle”.
Acte V : Ce qui m’empêche de dormir
Je ne vais pas vous mentir. Cette transformation, elle n’est pas neutre. Voici mes craintes.
1. Dépendance à OpenAI / Anthropic / Google
Nos pipelines incluent désormais des appels à GPT-4. Si OpenAI augmente ses prix × 3, ou change son modèle, ou a une panne de 24h… on est bloqués.
On est devenus dépendants d’infrastructures qu’on ne contrôle pas.
2. Qualité invisible
Le code généré par IA a l’air propre. Mais parfois, il y a des subtilités que même nos seniors ne voient pas immédiatement.
Et plus on fait confiance à l’IA, moins on vérifie.
Le risque : un bug silencieux qui se propage partout.
3. Perte de savoir-faire
On a des seniors qui codent moins. Qui promtent plus. Qui review plutôt qu’ils ne créent.
Dans 5 ans, si l’IA disparaît… est-ce qu’on saura encore faire ?
C’est comme ne plus savoir lire une carte parce qu’on a un GPS.
4. Impact humain
9 personnes sont parties. Certaines ont trouvé ailleurs. D’autres ont rebondi. Mais ce n’est pas indolore.
Et je me demande : jusqu’où ça ira ?
Dans 3 ans, est-ce qu’on sera 5 ? 2 ? Est-ce qu’un seul humain + IA pourra gérer toute une data platform ?
Je ne sais pas. Personne ne sait.
Acte VI : Ce que je ferai différemment (si c’était à refaire)
✅ Ce que j’ai bien fait
- Commencer petit : on a testé sur 5 pipelines non-critiques avant de scaler
- Former l’équipe : workshop de 2 jours sur le prompt engineering, les limites des LLMs, les risques
- Review systématique : chaque ligne de code générée par IA est revue par un humain
- Transparence : j’ai dit à l’équipe dès le début qu’on allait transformer les rôles
❌ Ce que j’aurais dû faire
- Anticiper la polarisation des profils : on a perdu des juniors prometteurs parce qu’on n’avait plus de tâches pour eux
- Investir dans du fine-tuning custom : au lieu de dépendre de GPT-4, on aurait pu entraîner nos propres modèles sur nos patterns
- Créer une “AI Review Checklist” : on l’a faite trop tard, après 3 incidents de prod
- Planifier la reconversion : aider les gens dont les rôles changeaient, au lieu de laisser l’attrition faire le job
Et maintenant ?
Si vous êtes CTO, VP Eng, Lead Data… vous êtes probablement en train de vivre la même chose.
Voici mes 3 conseils :
1. N’attendez pas. C’est déjà en cours.
Vos concurrents l’utilisent déjà. Vos meilleurs talents aussi. Si vous ne bougez pas, vous allez perdre en vitesse, en coût, en attractivité.
2. Ne remplacez pas. Augmentez.
L’IA ne remplace pas les humains. Elle transforme leur rôle. Investissez dans la montée en compétences. Transformez vos devs en architectes.
3. Préparez-vous à manager différemment.
Votre rôle change de “faire faire” vers “faire valider”. Adaptez vos process, vos KPIs, votre culture.
40% de l’équipe en moins. 3× plus de valeur. Et un métier transformé.
Est-ce que c’est bien ? Est-ce que c’est inquiétant ?
Oui. Les deux.
Mais une chose est sûre : ce n’est que le début.
Vous traversez une transformation data + IA dans votre organisation ?
Parlons-en : contact@itpeak.ch