Lorsqu’on utilise sérieusement un agent de programmation IA, la première surprise n’est pas son intelligence.
C’est plutôt :
« À quel moment est-ce qu’il rentre chez lui ? »
Recherche la journée, implémentation le soir, tests la nuit, bug ajouté après minuit. Le lendemain matin, l’agent corrige encore quelque chose.
Une équipe humaine devrait gérer travail de nuit, heures supplémentaires, relais, fatigue et planning. Pour l’IA, les contraintes deviennent le forfait, le quota, le contexte, les outils et la fiabilité.
Puis apparaît un phénomène étrange :
un quota prévu pour une semaine peut disparaître en quelques jours.
Au début il semble immense. Peu après, le système dit en pratique : « Vous l’avez déjà beaucoup trop fait travailler cette semaine. »
Le droit du travail a disparu pour réapparaître sous forme de rate limit.
0. Il faut mesurer le débit, pas les heures
Dire « l’IA a travaillé 12 heures » pousse à comparer avec une journée humaine.
Mais il vaut mieux mesurer :
- les analyses terminées
- les fichiers modifiés
- les tests exécutés
- les incidents résolus
- les résultats arrivés en production
- les résultats bloqués
L’IA peut répéter recherche, comparaison, modification et test très rapidement. L’indicateur utile est donc la quantité de travail qui traverse réellement tout le pipeline.
1. L’étrangeté du 24/7 ne vient pas d’un travail de nuit bon marché
Une organisation humaine 24/7 nécessite équipes, majorations, relais et couverture.
L’IA fonctionne généralement sous les mêmes contraintes produit le jour et la nuit.
Le plus étrange n’est pas qu’elle travaille la nuit.
C’est que la même unité puisse continuer sans changement d’équipe.
Ses erreurs viennent plutôt d’un contexte insuffisant, d’hypothèses incorrectes, d’outils défaillants ou de spécifications mal comprises.
2. Plus de quota crée plus de demande
Quand la limite augmente, l’utilisateur cesse d’économiser.
Il délègue aussi ce qu’il faisait auparavant lui-même.
Une simple recherche devient :
recherche→implémentation→test→correction→nouveau test→lecture des logs→nouvelle correction.
Même une très grosse augmentation peut donc être consommée rapidement.
Ce n’est pas forcément un manque de capacité.
L’offre supplémentaire génère une demande supplémentaire de travail IA.
3. Une récupération périodique transforme l’attente en buffer
Pendant l’attente, on peut :
- enregistrer de nouveaux incidents
- préparer les étapes de reproduction
- accumuler les logs
- classer les causes probables
- prioriser le prochain lot
Quand la capacité revient, tout est traité en batch.
Le système passe d’une conversation temps réel à une usine par lots.
4. Le mode premium est surtout utile comme niveau d’escalade
Les modes de raisonnement haut de gamme peuvent consommer beaucoup de quota.
Mais ils sont précieux lorsque le système est réellement bloqué.
Utilisez-les pour :
- énumérer les causes racines
- cartographier les dépendances
- définir l’ordre des réparations
- prévenir les récidives
- choisir les indicateurs de surveillance
Autrement dit : pour planifier sous incertitude.
Routine : mode normal. Blocage sérieux : escalade. Diagnostic et plan : premium. Exécution : retour au mode normal.
5. Plus l’IA accélère, plus le goulot d’étranglement se déplace
Un pipeline typique :
génération → stockage → transformation → publication → production → vérification.
Une seule étape fragile peut annuler tout le gain de vitesse en amont.
Créer 100 éléments mais n’en publier que 99 crée du stock.
Si cela se répète, c’est un problème de rendement.
6. « L’article n’est pas sorti » ne signifie pas forcément échec de génération
Le problème peut venir de :
- stockage
- métadonnées
- localisation
- file de publication
- déploiement
- vérification
- page de liste
Il faut donc des compteurs à chaque étape.
Générés 120 → stockés 120 → en file 118 → vérifiés 116
Les quatre disparus deviennent visibles.
L’échec est acceptable ; la disparition silencieuse ne l’est pas.
7. Une usine IA 24/7 a besoin d’auto-récupération
Flux idéal :
- détecter l’élément manquant
- isoler son ID
- classifier l’erreur
- réessayer si c’est sûr
- n’escalader que les échecs répétés
Ne relancez pas tout.
Retraitez uniquement ce qui est cassé.
8. Le rôle humain diminue sans disparaître
L’humain décide encore :
- ce qui compte
- quel taux d’erreur est acceptable
- ce qui ne doit pas être automatisé
- quand privilégier qualité ou vitesse
- quels problèmes méritent le mode premium
Il devient concepteur de la ligne.
9. Le vrai danger n’est pas que l’IA travaille trop
Le gaspillage réel consiste à consommer beaucoup de quota pour des résultats qui :
- disparaissent dans le pipeline
- n’arrivent jamais en production
- échouent sans visibilité
- répètent le même bug
- utilisent le premium pour des tâches banales
Principe simple :
rapide et peu coûteux pour la routine ; premium pour les blocages ; erreurs visibles ; récupération automatique si possible.
À ce stade, vous n’utilisez plus seulement une IA.
Vous concevez une usine dans laquelle l’IA peut travailler.
