LLMs érodent ma carrière d'ingénieur logiciel et je ne sais pas quoi faire

LLMs érodent ma carrière d'ingénieur logiciel et je ne sais pas quoi faire

Je suis un ingénieur logiciel, qui termine 10 ans d'expérience professionnelle cette année. J'ai commencé ma carrière en tant qu'ingénieur frontend web (c'était plus facile pour moi de déboguer le code frontend alors, donc j'ai choisi cette voie), mais j'ai rapidement passé à la programmation backend et n'ai jamais regardé en arrière.

À travers une série de coïncidences, une fois que j'ai entré dans le domaine backend, j'ai travaillé dans des rôles de développement de logiciels dans les domaines de la finance, de la comptabilité et du traitement des paiements, où j'avais une grande autonomie et une relation ouverte et sincère avec les managers de produits et les parties prenantes.

J'ai appris beaucoup sur le domaine et comment écrire des programmes efficaces pour lui : PCI conformité, comptabilité à double entrée, escrow, réconciliation, cycles de paiement, idempotenz des transferts bancaires, etc.

Il était clair que je devais concentrer ma carrière sur devenir un expert dans ce domaine pour me démarquer en tant que professionnel et me différencier dans un domaine qui montrait des signes d'une demande croissante de spécialistes du domaine.

Le premier pilier à éroder : la connaissance domain-specific

L'année dernière, j'ai été embauché par une entreprise dans le domaine de la finance. Jusqu'alors, j'avais travaillé dans des entreprises qui avaient un fort composant de paiement et de finance dans leurs opérations/offres, mais qui n'étaient pas des entreprises axées exclusivement sur la finance.

Cette entreprise a adopté avec enthousiasme l'intelligence artificielle (IA), donc j'ai eu accès à ChatGPT et à Claude Enterprise dès le premier jour et j'ai été encouragé à les utiliser pour ma recherche, mon exploration et même le code, bien que je sois averti que je devais encore examiner et posséder chaque ligne qui entrait en production.

L'un de mes premiers projets a consisté à restructurer le système de paiement en ligne de vieux, qui était un désastre. J'ai été embauché (entre autres choses) pour mon expérience précédente dans la construction de ce système et j'ai été confié le projet.

Différent des autres entreprises que j'avais travaillé jusqu'alors, ils voulaient que les "Documents de conception" que j'écris avant de coder soient lisibles par les ingénieurs et les managers de produits - donc ils ne devraient pas être une exploration technique approfondie et devraient être plus une vision architecturale. J'ai écrit mon premier avec un minimum d'aide de l'IA - j'ai même appelé les LLM "papillons stochastiques" à l'époque, une vision que je ne soutiens plus - et j'ai livré.

J'ai évalué mes connaissances et j'ai pensé que aucun LLM ne pourrait les remplacer.

Puis mon manager m'a contacté : même si vous livrez le code à un bon rythme, vous prenez trop de temps à livrer ces Documents de conception. Utilisez-vous l'IA ? Vous devriez utiliser plus d'IA.

"Cela ne fonctionnera jamais", j'ai pensé en moi-même, mais j'ai accepté. Les modèles à l'époque n'étaient pas aussi bons que les modèles que nous avons maintenant, mais ils ont fourni un bon accélérateur pour ma écriture et même la prise de décision.

Et puis j'ai commencé à me rendre compte : toutes mes connaissances que j'ai accumulées en années : les trade-offs entre les implémentations, comment fonctionne l'acquisition, comment structurer l'idempotenz pour éviter les doubles charges, tout, est devenu inutile. Même si les modèles avaient encore besoin d'un peu de guidance, ils pouvaient relier les points entre eux sur comment structurer tels systèmes, ce qui est la partie la plus difficile que l'on développe dans son esprit après des années d'expérience pratique.

C'était mon premier choc

.

Mais sûr, j'ai pensé, ils peuvent faire cela parce qu'il y a beaucoup d'articles sur le web qui expliquent comment cela fonctionne, ensemble avec la documentation technique, et nous avons des billets de blog qui expliquent comment appliquer les outils techniques au domaine. Pour les humains, cela peut prendre beaucoup de temps pour apprendre tout cela, mais c'est des données d'entraînement pour les modèles qui peuvent apprendre.

Ce que les modèles ne seront jamais capables de faire bien, et où les humains brillent, est le débogage ! J'ai accumulé une bonne expérience dans le débogage des conditions de course et des systèmes distribués en production. C'était mon ticket pour l'emploi à long terme.

Le deuxième pilier à éroder : le débogage et les systèmes distribués

Donc, après les LLM sont devenus bons dans l'écriture de documents et l'aide à la planification des implémentations réelles, ils sont devenus bons dans le code. C'est commencé en deuxième moitié de 2025 avec l'hypothèse Claude Code, puis Codex est arrivé