À la conférence Sequoia's AI Ascent 2026, Andrej Karpathy — cofondateur d'OpenAI, ancien directeur de l'IA chez Tesla et fondateur d'Eureka Labs — a ouvert avec un aveu surprenant : il ne s'est jamais senti aussi à la traîne en tant que programmeur. Pas parce qu'il a perdu ses compétences, mais parce que les outils de codage assistés par l'IA changent ce que signifie programmer plus vite que quiconque ne peut suivre.
Karpathy a présenté un cadre en trois phases pour comprendre ce changement : vibe coding, agentic engineering et Software 3.0. C'est le modèle mental le plus clair que quiconque ait proposé pour l'avenir du développement logiciel — et les compétences qui compteront le plus.
Idée clé
Le vibe coding permet à n'importe qui de construire avec des prompts. L'agentic engineering permet aux professionnels de construire avec des agents IA tout en maintenant la qualité. Software 3.0 est quand les réseaux neuronaux deviennent la couche de programmation elle-même. Nous sommes actuellement en transition de la phase 1 vers la phase 2.
Qu'est-ce que le Vibe Coding ?
Le vibe coding est le terme de Karpathy pour la phase actuelle où n'importe qui — technique ou non — peut construire du logiciel en décrivant ce qu'il veut en langage naturel. Vous dites à une IA « construis-moi une page d'accueil avec une section hero, un tableau de prix et un formulaire d'inscription » et elle génère du code fonctionnel.
Le vibe coding a abaissé le seuil d'entrée. Un chef de produit peut maintenant prototyper une app. Un designer peut créer un site web fonctionnel. Un étudiant peut inventer un outil qui résout un vrai problème. La barrière à la création est passée de « années d'expérience en codage » à « capacité à décrire ce que vous voulez ».
Outils qui permettent le vibe coding : Cursor, Bolt, v0, Replit, et dans une certaine mesure ChatGPT et Claude avec génération de code.
La limitation : Le vibe coding produit du code qui fonctionne, mais souvent avec des défauts de conception subtils. L'exemple de Karpathy : une app générée par IA qui associait les paiements Stripe aux comptes Google via les adresses e-mail au lieu d'IDs utilisateur persistants. Le code s'exécutait bien. L'architecture était fausse. Un développeur junior ne l'aurait pas vu. Un développeur expérimenté l'aurait repéré immédiatement.
C'est ce que Karpathy appelle « jagged intelligence » — la capacité de l'IA n'est pas uniformément distribuée. Les modèles excellent dans les domaines où il y a des données d'entraînement, des récompenses et des boucles de vérification, et échouent de manière imprévisible ailleurs.
Qu'est-ce que l'Agentic Engineering ?
L'agentic engineering est la phase suivante — utiliser des agents IA pour un développement de qualité professionnelle tout en maintenant une supervision humaine sur l'architecture, les décisions de design et les normes de qualité.
Là où le vibe coding est « décrivez ce que vous voulez et acceptez ce que l'IA vous donne », l'agentic engineering est « utilisez des agents IA pour exécuter pendant que vous dirigez, revoyez et corrigez la trajectoire ». Le rôle humain passe de l'écriture de code à la relecture de code, de l'implémentation à l'architecture, du codage à l'ingénierie.
Outils qui permettent l'agentic engineering : Claude Code, OpenAI Codex, Hermes Agent, et le mode agent de Cursor. Ces outils ne se contentent pas de générer du code — ils planifient des tâches multi-étapes, les exécutent, testent les résultats et itèrent.
| Aspect | Vibe Coding | Agentic Engineering |
|---|---|---|
| Qui le fait | N'importe qui — pas de codage requis | Développeurs avec jugement en ingénierie |
| Rôle de l'IA | Génère du code à partir de descriptions | Exécute des plans multi-étapes de manière autonome |
| Rôle humain | Décrire ce que vous voulez | Diriger, revoir, corriger la trajectoire |
| Qualité de sortie | Fonctionne, mais peut avoir des défauts de design | Prêt pour la production avec supervision |
| Compétence clé | Capacité à prompt | Goût, jugement, connaissance en architecture |
| Vérification | « Est-ce que ça s'exécute ? » | « Est-ce correct, sécurisé, maintenable ? » |
Qu'est-ce que Software 3.0 ?
Le concept le plus important de Karpathy. Son cadre pour l'évolution du logiciel :
Software 1.0 : Les humains écrivent chaque ligne de code. Instructions explicites. Comportement déterministe. C'est la programmation traditionnelle.
Software 2.0 : Les réseaux neuronaux apprennent des données. Au lieu d'écrire des règles, vous fournissez des exemples et le modèle apprend les patterns. Vision par ordinateur, reconnaissance vocale, systèmes de recommandation. Karpathy a inventé ce terme en 2017.
Software 3.0 : Les grands modèles de langage deviennent une couche programmable. Au lieu de spécifier chaque instruction, les développeurs décrivent les objectifs, contraintes et contexte. Le modèle interprète et exécute. L'interface est le langage naturel. Le programme est le prompt.
Dans Software 3.0, le LLM est à la fois l'environnement d'exécution et le langage de programmation. Vous n'écrivez pas de code qui appelle un LLM — le LLM EST le code. Le prompt EST le programme. Et le travail du développeur est de concevoir le prompt, de curater le contexte et de vérifier la sortie.
C'est pourquoi context engineering devient la compétence la plus importante en IA. Si le prompt est le programme, alors le contexte qui l'entoure détermine le comportement du programme. Gérer ce contexte est la nouvelle forme d'ingénierie logicielle.
---📬 Vous tirez de la valeur de ceci ? Nous publions chaque semaine sur les compétences qui comptent en IA. Recevez-le dans votre boîte de réception →
---Pourquoi le Goût Compte Plus que la Syntaxe Maintenant ?
La phrase la plus citable de Karpathy dans la conférence : « Vous pouvez externaliser la pensée. Vous ne pouvez pas externaliser la compréhension. »
Les agents IA peuvent écrire du code, générer des brouillons, appeler des outils et exécuter des tâches. Mais ils ne peuvent pas vous dire si le résultat est bon. Cela nécessite du jugement — la capacité à reconnaître quand quelque chose est techniquement correct mais architecturale fausse, quand du code s'exécute mais ne scale pas, quand une fonctionnalité marche mais crée une vulnérabilité de sécurité.
Karpathy appelle cela « taste ». C'est la capacité à regarder une sortie générée par IA et savoir si c'est juste. Pas seulement « est-ce que ça compile » mais « un ingénieur expérimenté le construirait-il comme ça ? »
Implication pratique : les développeurs qui comprennent profondément les fondamentaux s'épanouiront. Les développeurs qui ne connaissent que le codage superficiel galéreront, car l'IA fait du codage superficiel mieux qu'eux. La valeur remonte la pile — de l'implémentation à l'architecture, de la syntaxe au jugement, de l'écriture de code à l'évaluation de code.
Que Signifie « Jagged Intelligence » ?
C'est le terme de Karpathy pour la distribution inégale des capacités de l'IA. Les modèles peuvent performer extraordinairement bien sur certaines tâches tout en échouant de manière inattendue sur d'autres. L'intelligence n'est pas fluide — elle est dentelée.
Idée clé : l'IA automatise ce qui peut être vérifié. Les tâches avec des boucles de rétroaction claires — le code passe-t-il les tests ? les maths sont-elles correctes ? la sortie correspond-elle au format attendu ? — sont celles où l'IA excelle. Les tâches nécessitant du jugement dans des situations ambiguës — est-ce la bonne architecture ? cette expérience utilisateur est-elle intuitive ? cette stratégie a-t-elle du sens ? — sont celles où l'IA peine encore.
Pour les développeurs, cela signifie : plus la sortie est mesurable, plus les outils IA sont utiles. Codage, tests, analyse de données et création de contenu structuré sont hautement automatisables. Design produit, architecture système et prise de décision stratégique nécessitent encore du jugement humain.
Quelles Compétences Faut-il pour l'Agentic Engineering ?
Basé sur le cadre de Karpathy, les compétences qui comptent le plus à l'ère de l'agentic engineering :
1. Compréhension profonde des fondamentaux. Quand l'IA s'améliore, la tentation est d'apprendre moins. Karpathy argue le contraire. La compréhension devient le goulot d'étranglement. Vous avez besoin de suffisamment de profondeur pour diriger le système, savoir quoi demander, quoi inspecter, quoi rejeter.
2. Design système et architecture. L'IA écrit des fonctions. Vous concevez des systèmes. Comprendre comment les composants interagissent, où sont les points de défaillance et comment construire pour la scalabilité devient la compétence clé du développeur.
3. Vérification et revue. La capacité à lire du code généré par IA de manière critique — pas seulement « est-ce que ça marche » mais « est-ce la bonne approche ? » Cela nécessite la même connaissance profonde que pour écrire du code, appliquée différemment.
4. Prompt et context engineering. Si le prompt est le programme, écrire de bons prompts est programmer. Le ICCSSE framework (Identity, Context, Constraints, Steps, Specifics, Examples) s'applique directement à l'agentic engineering — vous donnez à l'agent une spécification claire, comme vous écririez un doc de design pour un développeur humain.
5. Orchestration d'outils. Savoir quel outil IA utiliser pour quelle tâche. Claude Code pour écrire des fonctionnalités, Cursor pour éditer, Hermes Agent pour l'automatisation, Copilot pour les suggestions. Les meilleurs ingénieurs combinent plusieurs outils, plutôt que de s'en tenir à un seul.
Pour affiner vos prompts pour les outils de codage IA, essayez le gratuit Prompt Optimizer — il applique des frameworks structurés à n'importe quel prompt. Et pour un guide pratique des meilleurs outils de codage IA disponibles maintenant, voir notre comparaison Claude Code vs Codex.
---📬 Vous en voulez plus comme ça ? Nous couvrons les idées qui façonnent la façon dont les praticiens IA travaillent, chaque semaine. Abonnez-vous gratuitement →
---Questions Fréquemment Posées
Le vibe coding est-il mort ?
Non. Le vibe coding est là pour rester — c'est le point d'entrée pour les non-développeurs pour construire du logiciel. L'agentic engineering est l'évolution professionnelle pour ceux qui ont besoin de sorties de qualité production. Les deux coexistent. Pensez au vibe coding comme à un croquis et à l'agentic engineering comme à l'architecture.
Ai-je besoin d'apprendre à coder si l'IA écrit le code pour moi ?
Oui, mais différemment. Vous n'avez pas besoin de mémoriser la syntaxe. Vous avez besoin de comprendre comment le logiciel fonctionne — structures de données, design système, principes de sécurité, compromis de performance. La connaissance qui vous permet d'évaluer si le code généré par IA est correct et approprié.
Quand Software 3.0 sera-t-il mainstream ?
C'est déjà en train d'arriver dans des domaines restreints — assistants de codage, génération de contenu, analyse de données. Un Software 3.0 complet (où la plupart des applications sont natives LLM) est à 3-5 ans selon les trajectoires actuelles. La transition sera graduelle, pas soudaine.
Quelle est la différence entre agentic engineering et utiliser ChatGPT pour coder ?
ChatGPT génère des extraits de code en réponse à des prompts. L'agentic engineering utilise des agents autonomes (Claude Code, Codex, Hermes) qui planifient des tâches multi-étapes, les exécutent dans votre codebase réel, testent les résultats et itèrent — tout avec une intervention humaine minimale. C'est la différence entre demander des indications et engager un chauffeur.
Déclaration : Certains liens dans cet article sont des liens affiliés. Nous ne recommandons que des outils que nous avons testés personnellement et que nous utilisons régulièrement. Voir notre politique de divulgation complète.