IA et no-code : l’expertise peut-elle primer sur la maîtrise du code ?

L’image du programmeur penché sur un écran noir, écrivant chaque instruction à la main dans un langage obscur, ne suffit plus à décrire la fabrication des logiciels. En mars 2025, l’intelligence artificielle générative, les interfaces visuelles et les outils d’automatisation permettent déjà à des personnes qui ne maîtrisent pas un langage informatique de bâtir certains services numériques. Cette évolution élargit l’accès à la création, mais elle pose aussi une question décisive : qui est réellement capable de concevoir, vérifier et assumer une solution informatique ?

La réponse proposée par John Naughton déplace le centre de gravité du métier. Dans la thèse qui lui est attribuée, la compétence déterminante n’est plus seulement la capacité à taper du code, mais l’expertise permettant de comprendre un besoin, de formuler un problème et de juger si la réponse apportée est la bonne. L’idée ne revient pas à dire que le code n’a plus de valeur. Elle invite plutôt à distinguer l’écriture d’instructions d’une compétence plus large : concevoir un système utile, fiable et compréhensible.

Ce que signifie programmer sans écrire de code

Le mot programmeur recouvre plusieurs réalités. Au sens strict, programmer consiste à fournir à une machine une suite d’instructions exécutable. Dans ce sens, du code existe toujours quelque part : derrière une application no-code, dans les services d’une plateforme ou dans les composants générés par une IA. La différence est que l’utilisateur ne l’écrit pas forcément directement.

La formule selon laquelle il serait possible d’être programmeur sans coder doit donc être lue comme une redéfinition du rôle, et non comme une disparition des compétences techniques. Une personne experte de la paie peut, par exemple, définir les étapes d’un circuit de validation des absences. Une responsable d’association peut organiser l’inscription à un événement. Un analyste peut automatiser la circulation d’informations entre plusieurs outils. Leur connaissance du terrain est souvent plus rare et plus précieuse que la maîtrise d’une syntaxe informatique.

Dans ces situations, la personne ne se contente pas de cliquer sur des boutons. Elle doit décrire les règles, anticiper les exceptions, décider quelles données utiliser et vérifier ce qui se produit lorsqu’un cas inhabituel survient. C’est là que se situe le cœur du raisonnement de Naughton : l’expertise métier et l’intelligence du problème peuvent guider la technologie, plutôt que l’inverse.

IA, no-code et low-code : trois façons de réduire la barrière technique

L’essor de l’IA explique en partie ce changement. Un assistant conversationnel peut proposer une structure de programme, produire une formule, expliquer une erreur ou transformer une consigne rédigée en langage courant en ébauche d’application. Cette assistance réduit le temps nécessaire pour passer d’une idée à un premier prototype.

Les outils no-code et low-code poursuivent le même objectif, avec des méthodes différentes. Ils ne sont pas synonymes, et les confondre masque ce que chacun permet réellement de faire.

Des plateformes telles que Zapier facilitent l’automatisation entre services en ligne. Microsoft Power Apps s’inscrit dans la logique low-code, en proposant de créer des applications destinées notamment aux besoins des organisations. Ces environnements rendent des tâches auparavant réservées à des équipes techniques accessibles à des profils métiers, à condition que le périmètre soit bien défini.

Le gain est réel : un service peut tester rapidement une idée sans attendre le développement complet d’un outil sur mesure. Mais la facilité apparente d’une interface ne doit pas faire oublier la complexité qui peut se cacher derrière un processus. Une automatisation mal paramétrée peut transmettre une mauvaise information à grande échelle. Une application interne peut devenir difficile à maintenir si son fonctionnement n’est compris que par sa créatrice ou son créateur.

L’expertise humaine devient le point de départ

L’apport principal d’un professionnel non technicien est sa connaissance fine d’un domaine. L’IA peut suggérer une formule, mais elle ne sait pas automatiquement quelles données sont pertinentes dans une procédure précise, quelle règle doit prévaloir en cas de conflit ou quel niveau de confidentialité s’impose dans une situation donnée.

C’est pourquoi la maîtrise d’un outil ne doit pas être confondue avec la compréhension du problème. Demander à une IA de créer une application suppose d’abord de savoir répondre à des questions concrètes : quel est l’objectif ? Qui utilisera l’outil ? Quelles informations doivent être recueillies ? Quelles erreurs seraient inacceptables ? À quel moment un humain doit-il reprendre la main ?

La collaboration entre spécialistes métiers et développeurs reste donc essentielle. Les premiers apportent la connaissance des usages, des contraintes et des priorités. Les seconds maîtrisent plus directement l’architecture, la sécurité, les performances et la maintenance. L’enjeu est de créer un langage commun, afin que les besoins exprimés ne se perdent pas dans la traduction technique.

Ce que les nouveaux outils ne remplacent pas

L’automatisation simplifie certaines opérations, mais elle n’élimine pas les responsabilités qui accompagnent la création d’un outil numérique. Une réponse produite par une IA peut paraître convaincante tout en étant incomplète, erronée ou inadaptée au contexte. Un système no-code peut fonctionner en démonstration et se révéler fragile lorsqu’il reçoit davantage d’utilisateurs ou de données.

Plusieurs vérifications restent indispensables :

• La qualité fonctionnelle : l’outil répond-il bien au besoin initial, y compris dans les cas inhabituels ?
• La sécurité : qui peut consulter, modifier ou exporter les données ?
• La fiabilité : que se passe-t-il lorsqu’un service connecté tombe en panne ou renvoie une information incorrecte ?
• La maintenance : une autre personne peut-elle comprendre et faire évoluer ce qui a été construit ?
• La conformité : les données personnelles ou sensibles sont-elles traitées avec les précautions nécessaires ?

La question de la gouvernance des données, évoquée dans la publication d’origine, prend ici une place centrale. Utiliser une solution assistée par IA implique de savoir quelles données y sont saisies, où elles peuvent être traitées et quelles personnes y ont accès. L’outil le plus rapide n’est pas toujours le plus approprié lorsqu’il manipule des informations confidentielles.

Les compétences à développer dans un monde moins centré sur le code

Selon cette vision, la formation ne doit pas abandonner l’informatique au prétexte que les outils deviennent plus accessibles. Elle doit au contraire rendre les mécanismes numériques intelligibles au plus grand nombre. Comprendre les grands principes de la programmation aide à mieux utiliser une IA, même sans devenir développeur professionnel.

Les compétences les plus utiles dépassent la simple maîtrise d’une plateforme :

• décomposer un objectif complexe en étapes explicites ;
• formuler des règles sans ambiguïté ;
• raisonner sur les données, leurs formats et leurs usages ;
• tester un résultat et repérer une incohérence ;
• documenter un processus afin qu’il puisse être repris ;
• expliquer un besoin à des interlocuteurs aux compétences différentes.

Cette approche correspond à l’idée de penser comme un programmeur sans nécessairement devenir spécialiste d’un langage. La logique, l’attention aux détails et la résolution de problèmes restent utiles, y compris pour une personne qui utilise principalement des interfaces visuelles ou des assistants conversationnels.

Les cursus de formation ont donc un ajustement à opérer. Apprendre uniquement la syntaxe d’un langage serait trop étroit, mais former des utilisateurs qui ne comprennent ni les données ni les limites des outils le serait tout autant. L’objectif est de former des personnes capables de dialoguer avec les technologies, de les questionner et de les employer de manière responsable.

Que signifie la perspective de 90 % du code généré automatiquement ?

La publication d’origine évoque des chercheurs selon lesquels des outils automatiques pourraient, à terme, rédiger jusqu’à 90 % du code habituellement produit par des programmeurs humains. Cette projection illustre l’ampleur du bouleversement envisagé, mais elle ne doit pas être interprétée comme une mesure établie pour tous les projets ni comme une échéance certaine.

Surtout, générer du code n’équivaut pas à produire un logiciel achevé. Entre une première version qui semble fonctionner et un produit fiable, sécurisé, maintenable et adapté à ses utilisateurs, il reste de nombreuses décisions à prendre. Les développeurs peuvent voir une partie de leur travail se déplacer vers la vérification, l’architecture, l’intégration de systèmes et la résolution des situations les plus complexes.

Cette évolution ne réduit pas nécessairement les métiers du numérique à un choix binaire entre experts du code et non-techniciens. Elle peut au contraire diversifier les rôles : conception de produit, analyse métier, expérience utilisateur, gouvernance des données, sécurité, qualité ou accompagnement du changement. Les profils capables de relier ces dimensions auront une place importante dans les équipes.

Ce qu’il faut surveiller

Les entreprises ont intérêt à intégrer l’IA et les plateformes de création simplifiée avec méthode, plutôt qu’en laissant chaque équipe adopter ses propres outils sans cadre. La publication d’origine cite notamment Microsoft et Samsung parmi les grands acteurs engagés dans cette dynamique technologique. Au-delà des annonces et des investissements, la question concrète est celle de l’organisation : qui valide les outils créés, comment les données sont-elles protégées et comment évite-t-on la multiplication d’applications impossibles à maintenir ?

La promesse du no-code et de l’IA est celle d’une innovation plus proche des besoins réels. Une personne qui connaît un problème peut rapidement tester une solution, puis la soumettre à ses collègues et aux spécialistes techniques. Cette proximité peut accélérer l’amélioration des services et mieux répartir la capacité d’innovation dans une organisation.

Le risque serait de confondre vitesse de production et qualité. Dans la nouvelle répartition des tâches esquissée par John Naughton, l’expertise humaine ne disparaît pas derrière la machine. Elle devient la condition qui permet de décider quoi construire, pour qui, avec quelles données et sous quelles règles. Le code reste une compétence essentielle pour de nombreux projets. Mais savoir poser les bonnes questions, contrôler les réponses et collaborer avec les bons interlocuteurs devient tout aussi déterminant.