L'IA et la R&D : où se situe la vraie valeur ajoutée humaine ?

Retour d'expérience 8/11 sur Cursor après 15 ans de software

Par défaut, l'IA est douée dans ce qu'elle connaît. Le processus d'entraînement conditionne les LLM à compresser les informations contenues dans le dataset, et donc à retenir facilement tout ce qui y est souvent présent : les Hello World, les design patterns fréquents, etc.

Le corollaire, c'est que les résultats ne seront pas forcément très bons dans tout ce qui est novateur.

Et c'est plutôt une bonne nouvelle

Le travail de R&D peut se découper grossièrement en :

Récupération de l'état de l'art
Implémentation de la solution existante
Implémentation des données et métriques associées
Amélioration ou réinvention de la solution (la partie novatrice)
Comparaison des métriques obtenues sur les mêmes données

Presque toutes ces étapes peuvent être accélérées en utilisant l'IA. La partie novatrice de la R&D doit être faite à la main, mais le gain de temps sur tout ce qui est préparation et évaluation est considérable.

Ce que ça signifie concrètement

L'IA ne va pas remplacer l'innovation. Elle va libérer du temps pour innover.

Aujourd'hui, un chercheur ou un développeur passe une part énorme de son temps sur des tâches répétitives : lire de la documentation, implémenter des baselines connues, mettre en place des pipelines de données, écrire du code de mesure. Ce temps-là, l'IA peut le réduire drastiquement.

Ce qui reste — la capacité à poser les bonnes questions, à imaginer de nouvelles approches, à faire des connexions inattendues — c'est précisément ce qui fait la valeur d'un expert. Et l'IA, par nature, ne sait pas faire ce qui n'existe pas encore dans ses données d'entraînement.

La vraie compétence, ce n'est plus de savoir implémenter, c'est de savoir quoi implémenter.

Initialement publié sur LinkedIn.