Vibe coding : reprendre la main sur son code

Introduction

Vibe Coding. De l’expression inventée par le chercheur Andrej Karpathy début 2025, les fournisseurs de LLM en avaient fait une promesse. Certains s’imaginaient déjà que les entreprises remplaceraient des pans entiers de leur SI. Il suffirait de demander, en langage naturel, à un modèle d’IA de générer le code à la place des développeurs.

Du fait des contre-performances des LLM, des échecs comme la panne d’AWS en octobre 2025 et des enjeux de cybersécurité, la majorité des éditeurs ont presque banni l’expression de leur vocabulaire. SAP, ServiceNow, Snowflake, Databricks, Google Cloud, Informatica, Tableau sont quelques-uns des acteurs qui prônent la mise sous contrôle du code généré par les grands modèles de langage et les agents IA.

Ce phénomène va de pair avec la dénonciation du tokenmaxxing. Pour pousser l’adoption, les développeurs et les métiers ont été encouragés à générer un maximum de résultats… donc à utiliser un maximum tokens. La pratique a été poussée par les fournisseurs de LLM et par Nvidia. Vous souvenez-vous de ces trophées que donnait OpenAI à ses clients ayant consommé un certain volume de tokens ? « Si un ingénieur qui gagne 500 000 dollars à l’année n’a pas dépensé au moins 250 000 dollars de tokens, alors je serais très inquiet », affirmait pour sa part Jensen Huang, CEO de Nvidia, en mars dernier. Alexis Gendronneau, directeur de l’IA chez Numspot, ne semblait pas choqué qu’un développeur consomme en interne 1 milliard de tokens par semaine.

Or, d’autres phénomènes obligent à la retenue.

Parce qu’ils doivent couvrir des coûts en hausse du fait de l’adoption massive et d’une pénurie de composants, les fournisseurs de LLM ont augmenté les prix de leurs abonnements ou changé de modèle tarifaire. Les éditeurs sont désormais en train de répercuter cette charge à leurs clients : l’exemple de GitHub Copilot, passé à la facturation au token, est symptomatique.

À cela s’ajoute un phénomène pervers, plus subtil. L’approche qui permet d’améliorer les performances des LLM infusés dans des cycles de développement agentique est gourmande en puissance de calcul et en tokens.

En réalité, le tokenmaxxing n’est qu’un dérivé d’une méthode d’entraînement et d’inférence : le « test-time computing ». À gros traits, elle consiste à dépenser davantage de ressources de calcul pour obtenir de meilleurs résultats. Le test time computing s’est avéré crucial dans l’avènement des modèles de raisonnement, mais à tâche équivalente, les modèles consomment plus de tokens.

Les entreprises ne s’attendaient pas à payer une facture à six chiffres en un week-end à cause d’une boucle de génération de code infinie ni à dépenser la totalité de leur budget annuel pour l’IA générative en quatre mois. Si le deuxième exemple, celui d’Uber, a largement circulé, le premier n’en est pas moins véridique. Et édifiant.

L’intérêt de l’IA générative appliquée au développement n’est toutefois pas remis en cause. En six mois et avec 30 développeurs, AWS a refondu SageMaker, alors qu’il anticipait un chantier de deux ans pour 150 développeurs. Chez Ardian, le développement du front-end applicatif est « pratiquement automatisé ». Même les experts des cycles en V, comme Valeo et SLB, infusent le code généré dans des systèmes critiques et s’appuient sur les assistants IA pour créer des tests unitaires.

Mais ces gains découlent d’une mise sous contrôle des modèles et des pratiques de développement. Cela nécessite de maîtriser les composants qui entourent le LLM : l’IDE agentique, les « skills », le découpage de la documentation en fichier Markdown, les sandbox, les serveurs MCP, les passerelles API « garde-fous », l’approche du « monorepo », la gestion du contexte, sa diffusion progressive, l’harness engineering, etc. Et surtout, la bonne intégration de la révision et la supervision humaine.

Il convient également de fixer des limites de budget au sein des outils ou via des API, comme le font Uber (depuis sa mésaventure) ou Oracle. Et Datadog de rappeler le nécessaire apprentissage de la mise en cache du contexte, qui permet de diminuer jusqu’à 90 % les coûts des tokens en entrée.

Mais à plus large échelle, il est crucial de réorganiser le cycle de développement, afin « d’aligner les personnes, les processus et la technologie », comme le veut le fameux cadre de gestion hérité des travaux d’Harold Leavitt.

Cette réorganisation n’affecte pas que les départements IT. Il serait malvenu de freiner les élans créateurs des métiers qui, avec les assistants et les agents IA, peuvent illustrer rapidement leur idée d’applications, voire lancer des POC.

« Pour tirer parti de cette nouvelle technologie et encourager l’innovation, nous devons accepter la prise de risque », affirme Matt Luizi, vice-président de l’analytique chez Whoop, un fabricant d’objets connectés. « Nous avons mis en place des garde-fous et des outils de surveillance, mais notre priorité est d’accompagner les équipes pour optimiser leurs méthodes. La question essentielle reste : “quel est votre objectif ?” »

Il faut alors trouver le juste équilibre entre contrôle et liberté accordée aux métiers. C’est tout le programme de ce guide.

1Contexte-

La menace du « vibe coding » sans garde-fous

2Mise sous contrôle-

Une démarche à différencier pour les développeurs et les métiers

3Budget-

Une gestion fine des coûts nécessaire

4Retour d’expériences-

Contrôle et réorganisation du cycle de développement