Note de la rédaction : Alors que l'IA commence à écrire du code, à l'optimiser, et même à prendre progressivement en charge le processus de production logicielle, un changement structurel plus profond se profile : la division professionnelle du travail, l'organisation des entreprises et même les barrières de connaissances pourraient être redéfinies.
L'auteur de cet article a dirigé une équipe de près de 20 personnes dans un fonds de couverture avant de choisir de démissionner en pleine ascension professionnelle pour se lancer dans l'entrepreneuriat. Selon lui, le véritable signal n'est pas l'humeur du marché, mais le bond en avant des capacités techniques. Lorsque les modèles peuvent générer de manière stable du code utilisable et possèdent une capacité d'amélioration récursive, la logique du développement logiciel et de la production de connaissances a déjà commencé à changer.
L'article, adoptant la perspective de la finance quantitative, analyse plusieurs types d'« avantages concurrentiels » (ou « fossés ») potentiellement encore existants à court terme à l'ère de l'IA, notamment les données exclusives, les frictions réglementaires, l'approbation par une autorité reconnue et le décalage du monde physique. Il avance également un jugement central : dans une ère de grande incertitude, il est plus important de prédire avec précision l'avenir que d'identifier une direction et d'agir avant que la fenêtre d'opportunité ne se referme.
Voici le texte original :
Lorsque les modèles commencent à écrire du code, le changement est déjà irréversible
J'ai réalisé pour la première fois que l'industrie approchait d'un point de basculement lors de mon précédent emploi. C'était comme si la musique de fond ralentissait, tandis que les gens autour de moi faisaient semblant que rien ne changerait.
À l'époque, je gérais une équipe de près de 20 personnes dans un fonds de couverture, faisant ce que je faisais depuis des années. De l'extérieur, cela ressemblait presque à une trajectoire professionnelle régulièrement ascendante. Si j'étais resté, j'aurais probablement obtenu de plus grandes réalisations. Mais finalement, j'ai choisi de quitter cette position que beaucoup rêvaient d'avoir, pour recommencer à zéro avec une startup, avec une équipe de seulement quelques personnes. Cette décision était incomprise à l'époque, même considérée comme un « suicide professionnel ».
Mais ces derniers mois, les licenciements massifs, les démissions volontaires pour entreprendre, et le nombre croissant de personnes travaillant le jour et codant discrètement sur des projets le soir, ont rendu cette décision qui semblait « folle » à l'époque, beaucoup moins farfelue.
Durant cette période, beaucoup m'ont demandé : où tout cela va-t-il mener ? Cet article est la réponse que je peux donner pour le moment.
Honnêtement, je ne suis pas certain de l'ampleur finale du changement. Mais la finance quantitative m'a appris une chose : avoir la bonne direction est souvent suffisant.
Ce qui m'a vraiment fait réaliser que le changement était irréversible, c'est le modèle o1 de ChatGPT.
Avant cela, j'appelais ces systèmes des « LLM » (Modèles de Langage Étendus), et non de l'« IA ». Je ne pensais pas qu'ils possédaient réellement une capacité proche de l'intelligence. Mais lorsque o1 est apparu, une chose a changé : ces modèles pouvaient pour la première fois, via des invites structurées, générer du code de manière stable.
Le code n'était toujours pas parfait, il pouvait présenter des hallucinations ou des erreurs de compréhension. Mais le point clé était : il pouvait déjà écrire du code utile.
Mon jugement était simple. Une fois que l'IA peut générer du code utilisable, elle commencera à s'améliorer de manière récursive et à faire avancer le développement logiciel à une vitesse que nous imaginons difficilement.
Chaque fois que je soulève ce point, on me rétorque que « ce code contient encore des bugs, il est loin d'être prêt pour la production ». Mais cela ignore précisément un fait : le code écrit par les humains contient aussi des bugs. Nous n'avons pas besoin que l'IA écrive un code parfait pour arrêter d'en écrire nous-mêmes.
Le véritable point de basculement est lorsque le taux d'erreur de l'IA pour écrire du code devient inférieur à celui des humains, tout en étant beaucoup plus rapide. À ce moment-là, l'écriture de code sera complètement externalisée à la machine.
Après avoir vu de mes yeux les capacités d'o1, je pouvais presque être certain : des changements très radicaux allaient se produire.
Les avantages concurrentiels qui subsistent à l'ère de l'IA
Initialement, je pensais que l'IA éroderait progressivement l'industrie de la finance quantitative, mais que ce processus serait relativement lent. La raison était simple : le code de niveau institutionnel n'a presque pas de données publiques disponibles pour l'entraînement.
À l'époque, j'imaginais le génie logiciel comme une pyramide : à la base, le travail de codage fondamental ; au-dessus, les ingénieurs seniors capables de concevoir l'architecture ; encore au-dessus, les développeurs spécialisés, comme les data scientists, les développeurs quant, les experts sectoriels divers. En théorie, plus l'expertise est profonde, plus la carrière est sûre.
Mon jugement à l'époque était : dans les deux ans, les programmeurs de base seraient les premiers à être remplacés ; suivraient ensuite les ingénieurs seniors ; et plus tard, à mesure que les modèles absorberaient progressivement l'expertise spécialisée, les postes plus élevés seraient également touchés.
Mais j'ai rapidement réalisé autre chose : les entreprises de modèles de pointe finiraient par embaucher directement des experts du secteur pour intégrer leurs connaissances spécialisées dans les modèles. En d'autres termes, l'expertise spécialisée constituerait bien un avantage à court terme, mais à long terme, elle serait également digérée progressivement par les modèles.
Dans mon analyse de l'époque, plusieurs types d'activités semblaient peu susceptibles d'être facilement disruptées dans les cinq années à venir.
Première catégorie : Les données exclusives (propriétaires)
Les entreprises disposant de vastes quantités de données exclusives sont plus difficiles à remplacer.
Par exemple, les grands fonds de couverture multi-stratégies (pod shops), comme Millennium, génèrent quotidiennement des masses de données : recherches des analystes, recommandations d'investissement, jugements de marché, résultats réels des transactions.
Ces données peuvent être utilisées pour affiner continuellement les modèles, créant ainsi un avantage difficile à reproduire de l'extérieur. Tant que la source de données d'une entreprise n'est pas facilement accessible pour un modèle, elle conserve un avantage concurrentiel pour un certain temps.
Deuxième catégorie : Les frictions réglementaires
Toute industrie nécessitant de nombreuses approbations humaines n'est pas facilement disruptable rapidement. Par exemple, les marchés financiers traditionnels.
Pour accéder à ces marchés, vous avez besoin : d'ouvrir un compte chez un courtier, d'obtenir des licences, de signer des documents juridiques transfrontaliers. Il est facile de trader des crypto-actifs, mais pour une entreprise étrangère souhaitant trader le minerai de fer en Chine, c'est beaucoup moins simple.
Tant qu'une industrie nécessite encore une signature humaine pour approbation, son développement sera nécessairement limité par les processus de validation.
Troisième catégorie : L'autorité en tant que service
Aujourd'hui, il n'est plus très difficile de faire écrire un avis juridique par une IA. Mais la réalité est que les gens sont encore prêts à payer des dizaines de milliers de dollars pour qu'un avocat produise un avis juridique. La raison est simple : l'avis de l'IA n'a actuellement aucune autorité.
L'audit de smart contracts (contrats intelligents) suit la même logique. D'un point de vue technique, l'IA pourrait déjà atteindre ou dépasser le niveau des meilleurs auditeurs. Mais le marché préfère toujours acheter le « cachet » d'une société d'audit renommée.
Parce que ce que le client achète vraiment, ce n'est pas l'avis en soi, mais l'autorité qui se cache derrière.
Quatrième catégorie : Le monde physique
Les progrès matériels (hardware) sont beaucoup plus lents que ceux des logiciels, et les problèmes matériels sont aussi plus difficiles à corriger.
Par conséquent, les industries physiques interagissant directement avec le monde réel sont peu susceptibles d'être rapidement disruptées par l'IA à court terme. Cependant, une fois que les capacités matérielles auront suivi, la même logique s'appliquera : les postes de bas niveau disparaîtront d'abord, puis les postes de niveau supérieur.
Ces avantages concurrentiels existent bel et bien. Mais il faut admettre qu'ils ne font que retarder le changement, pas l'arrêter.
Agir sur la base des signaux, plutôt que d'attendre la certitude
Lorsque l'avenir est très incertain et que le rythme du changement est rapide, les gens commettent généralement deux types d'erreurs.
La première est d'attendre que la certitude apparaisse avant d'agir. La seconde est d'appliquer simplement des analogies historiques, comme : « C'est comme la bulle Internet. »
Les deux approches peuvent conduire à des erreurs de jugement.
Dans une situation d'information incomplète, une méthode plus raisonnable est de raisonner à partir des principes premiers.
Vous n'avez pas besoin de connaître chaque détail du futur. Vous avez seulement besoin de juger approximativement la direction, et de concevoir des paris asymétriques – c'est-à-dire que si vous vous trompez, la perte est contrôlable ; si vous avez raison, le gain est énorme.
Dans un avenir incertain, l'asymétrie est tout.
Une méthode de réflexion pratique est de se demander d'abord « quelles conditions préalables doivent être remplies pour qu'un certain résultat se produise ? », puis de se demander si ces conditions préalables sont déjà apparues.
En regardant en arrière ce point de basculement de l'IA, il n'était en fait pas difficile de le prévoir. Parce que les intrants clés existaient déjà : du code capable d'écrire du code, des modèles pouvant s'améliorer récursivement, des connaissances institutionnelles qui peuvent être achetées plutôt que cultivées.
En observant attentivement ces signaux, on pouvait juger approximativement de la direction future.
On peut même continuer à extrapoler.
Nous n'avons probablement pas encore vraiment assisté aux scénarios suivants : l'IA peut s'entraîner elle-même, l'IA peut se répliquer elle-même, l'IA fonctionne de manière totalement autonome.
Si une IA peut, par une série d'actions, améliorer ses propres capacités de 0,1 %, cela semble faible. Mais tant que ce nombre n'est pas zéro, il s'amplifiera. Derrière cela se cache un effet de loi de puissance (power law) typique.
Sur les marchés financiers, une fois que le signal devient évident, le trade est souvent déjà bondé.
Dans l'investissement, vous échangez de l'incertitude contre une conviction précoce. Dans la carrière et l'entrepreneuriat, c'est essentiellement la même chose.
Donc la vraie question n'est pas : que va-t-il se passer ? Mais plutôt : que sais-je déjà ? Vers quelle direction ces informations pointent-elles ? Quelle est la différence de coût entre agir maintenant et attendre ?
Il y a aussi un fait souvent négligé : l'action elle-même crée de l'information.
L'action ne se produit pas dans le vide. Lorsque vous agissez sur le monde, le monde donne une réponse. Ces retours apportent de nouvelles informations. L'information pousse l'itération. L'itération produit de meilleures actions. C'est le mécanisme de base du progrès.
Rester immobile dans l'incertitude est une lente régression. Agir, c'est explorer.
Si je voulais juste continuer à profiter des bénéfices du système existant, je pourrais probablement tenir encore quelques années. Mais j'ai toujours voulu faire quelque chose qui m'appartienne vraiment, et j'ai senti que cette fenêtre se refermait rapidement.
Bien sûr, les plus grands fonds de couverture au monde continueront de bien se porter, ils disposent de données exclusives, extrêmement difficiles à reproduire. Les marchés financiers traditionnels sont également encore limités par la réglementation et les processus manuels.
Mais je crois que ces institutions finiront également par utiliser l'IA pour remplacer la grande majorité de leurs employés, y compris les gestionnaires de portefeuille.
Ça n'arrivera pas immédiatement, mais ça finira par arriver.
Mon jugement à l'époque était que j'avais probablement une fenêtre de 4 à 5 ans. Le temps que les entreprises de modèles de base absorbent suffisamment de talents du secteur, il sera difficile pour les nouvelles startups d'entrer sur ce terrain. Dans certains marchés, comme le marché boursier américain, cette tendance est déjà très visible. Dans quelques années, il est presque inimaginable de savoir à quel point l'efficacité sera élevée.
Bientôt, ce monde n'aura plus de place pour les « deuxièmes ». Je pourrais continuer à travailler pour les institutions les plus prestigieuses, mais je préfère agir dans des domaines où j'ai encore un avantage.
J'ai donc démissionné et me suis lancé à fond (All in) dans l'entrepreneuriat. Plus tard, cette entreprise est devenue OpenForage.
Maintenant, la fenêtre se rétrécit visiblement. La vitesse du changement n'est plus progressive. Les progrès qui prenaient des mois auparavant ne prennent plus que quelques semaines.
Je ne pense pas que le travail va complètement disparaître dans les prochaines années. Les humains auront encore besoin des humains. L'être humain est un animal social, et les humains ne font actuellement pas encore confiance à l'IA. La certification par une autorité doit encore venir des humains.
Dans les prochaines années, nous pourrions même voir des PDG IA, mais il faudra probablement encore un PDG humain pour approuver les décisions de l'IA. Cette « certification humaine » se transmettra couche par couche le long de la structure organisationnelle. Les managers humains géreront un groupe d'agents IA.
Mais la logique du recrutement changera. Si c'est plus facile pour un PDG de donner des instructions à une IA qu'à vous, il est probable que vous ne serez pas embauché. Le travail de codage de base sera de plus en plus difficile à trouver.
Si vous voulez vous rendre indispensable, vous devez faire deux choses. Premièrement, dépasser l'IA sur l'échelle de temps. Par exemple, la planification stratégique à long terme, la prise de décision complexe, la gestion de cycles pluriannuels. Deuxièmement, dépasser l'IA sur l'étendue du système. Le contexte de l'IA est encore limité ; elles connaissent beaucoup de faits, mais ont du mal à comprendre les réactions en chaîne des systèmes complexes.
Si vous êtes capable de penser à long terme, d'absorber rapidement l'information, de prendre des décisions à long terme et d'avoir de bonnes capacités de collaboration, alors, dans un avenir prévisible, vous aurez encore du travail.
Avant l'arrivée d'un point de basculement, les signaux sont en fait visibles. Mais la plupart des gens ne les regardent pas, ou les voient sans agir, ou ne réagissent que lorsque les signaux deviennent assourdissants. Mais à ce moment-là, les opportunités ont souvent déjà été intégrées dans les prix du marché.
N'ignorez pas le sol qui bouge, ne restez pas dans une position qui perd son avantage en vous disant d'attendre un moment plus propice pour agir. Le véritable moment propice avertit rarement à l'avance. Lorsque tout le monde s'en rend compte, la fenêtre est souvent déjà fermée.
J'ai vu les signaux, j'ai fait un pari. Maintenant, je vis le résultat de ce pari – pour le meilleur ou pour le pire.
