L'IA va transformer la façon dont on enseigne l'informatique — voici comment

Les outils de codage propulsés par l'IA automatisent de plus en plus la programmation de routine, ce qui pourrait amener l'enseignement de l'informatique à délaisser la mémorisation de la syntaxe au profit d'une résolution de problèmes plus approfondie. Le PDG de Perplexity, Aravind Srinivas, a appuyé cette vision en mars 2026, suggérant que la formation en informatique pourrait se rapprocher de ses racines en mathématiques, en physique et en raisonnement au niveau des systèmes.

Pendant des années, la formation en informatique a été dictée par une contrainte bien pratique : les étudiants devaient maîtriser suffisamment de syntaxe pour transformer leurs idées en code fonctionnel.

Mais à mesure que les grands modèles de langage (LLM) deviennent efficaces pour générer du code standard, corriger des bogues et naviguer dans les bases de code, la donne change. En mars 2026, le PDG de Perplexity AI, Aravind Srinivas, a approuvé une publication affirmant que les LLM automatisent de plus en plus le codage répétitif, ce qui pourrait transformer la manière d'enseigner l'informatique — en revenant à des bases plus solides en mathématiques, en physique et en raisonnement logique. (ndtv.com)

Il ne s'agit pas d'arrêter d'enseigner le code. C'est plutôt le signe que la véritable valeur ajoutée se déplace vers l'amont : plutôt que de simplement taper du code sans faute de syntaxe, l'accent est mis sur la définition des problèmes, la modélisation des systèmes et les bons choix de conception.

Ce qu'Aravind Srinivas a appuyé

NDTV rapporte que M. Srinivas a partagé sur X la publication d'un étudiant en physique et en IA/apprentissage automatique, en commentant simplement : « Bien dit ». L'argument de l'étudiant était le suivant : à mesure que l'IA prend en charge la programmation répétitive, le génie logiciel reposera beaucoup plus sur le raisonnement fondamental, la résolution de problèmes et la pensée systémique que sur l'apprentissage par cœur de la syntaxe. (ndtv.com)

Le message décrivait cette transition comme un déplacement du « centre de gravité » : on s'éloigne de l'écriture manuelle du code pour se diriger vers la pensée théorique et la logique mathématique. (ndtv.com)

Pourquoi c'est important aujourd'hui pour votre entreprise

La plupart des débats sur l'IA générative dans l'éducation tournent autour de l'évaluation et de la triche. C'est important, bien sûr, mais ce n'est que la pointe de l'iceberg.

Le véritable enjeu réside dans la pertinence des compétences : si les employeurs s'attendent de plus en plus à ce que leurs équipes collaborent avec des copilotes d'IA, les diplômés doivent exceller pour :

• définir clairement les besoins d'affaires et les exigences techniques

• évaluer les résultats de l'IA avec un esprit critique

• comprendre les algorithmes, la complexité et les contraintes techniques

• concevoir des architectures et des interfaces robustes

• anticiper les cas limites, la sécurité et la performance

Et ça, c'est pas mal plus difficile à générer en un simple clic qu'un bout de code générique.

Comment moderniser les programmes d'informatique?

1) Enseigner la programmation, mais miser sur le raisonnement et la conception

Les étudiants doivent toujours comprendre comment fonctionne le code, mais les critères d'évaluation peuvent évoluer. Au lieu d'exiger d'écrire une liste chaînée de mémoire, on leur demandera plutôt de :

• choisir une approche technique et la justifier

• repérer les points de défaillance potentiels et évaluer les compromis

• analyser la complexité en temps et en mémoire

• rédiger des tests et expliquer la couverture

• interpréter et optimiser le code généré par l'IA

2) Faire de la révision de code une compétence de premier plan

Si l'IA peut rédiger du code, les étudiants doivent impérativement apprendre à le réviser : vérifier son exactitude, sa sécurité, sa maintenabilité et sa performance.

Des exercices pratiques et concrets :

• « L'IA a généré cette fonction — trouvez le bogue. »

• « Cette solution fonctionne, mais elle est fragile — refactorisez-la. »

• « Ajoutez des tests pour éviter toute régression. »

3) Repenser les évaluations à l'ère de l'IA

Plutôt que d'interdire les outils en espérant que tout le monde respecte la consigne, concevons des évaluations qui intègrent l'existence de l'IA :

• présentations orales (défendre et expliquer ses choix architecturaux)

• exercices de raisonnement chronométrés (résoudre un nouveau problème en direct)

• projets avec suivi de versions et réflexion (expliquer la démarche derrière chaque modification)

• accent mis sur l'évaluation critique plutôt que sur le volume de code produit

4) Renforcer les maths, la modélisation et la pensée systémique

Ce que Srinivas souligne avec ce retour aux maths et à la physique, c'est l'importance de la modélisation et des contraintes : optimisation, probabilités, algèbre linéaire, mathématiques discrètes et architecture de systèmes.

L'objectif n'est pas de transformer chaque finissant en théoricien pur, mais de s'assurer que vos futures recrues comprennent réellement pourquoi un système réagit d'une certaine façon.

Ce que ça signifie pour vos embauches et le développement de vos équipes

Si vous recrutez ou formez des développeurs en 2026, cette évolution de la formation n'est pas qu'un débat académique : c'est un enjeu direct de planification de la main-d'œuvre pour votre entreprise.

Voici les compétences clés à rechercher (et à développer) :

• une excellente capacité à formuler les problèmes et à communiquer clairement

• des compétences solides en conception de systèmes

• une rigueur exemplaire en révision de code et en tests

• le réflexe d'intégrer la sécurité dès la conception (« security by design »)

• l'aisance à collaborer avec les outils d'IA, tout en restant pleinement imputable des résultats

Prochaines étapes pour votre organisation

Si vous adaptez vos référentiels de compétences ou intégrez l'IA de manière sécuritaire dans vos processus de développement :

• Évaluez votre état de préparation : identifiez vos écarts en matière de gouvernance, de compétences et de modèle opérationnel : https://www.gend.co/ai-readiness-execution-pack

• Bâtissez un modèle de livraison adapté : mettez en place des contrôles, des processus d'évaluation et du soutien à l'adoption pour le travail assisté par l'IA : https://www.gend.co/ai-services

• Établissez une gouvernance sans tarder : définissez des politiques claires pour les outils approuvés, la gestion des données et la responsabilité : https://www.gend.co/blog/ai-governance-evolving-board-strategies

Foire aux questions (FAQ)

Q1. L'IA va-t-elle éliminer le besoin d'apprendre à programmer?
Non. Il est toujours essentiel de comprendre comment fonctionne un logiciel. Ce qui change, c'est que la valeur se déplace vers la formulation des problèmes, la conception de systèmes et l'évaluation critique du code produit par l'IA.

Q2. Sur quoi les étudiants en informatique devraient-ils se concentrer si l'IA écrit le code?
Sur les compétences fondamentales de raisonnement : les algorithmes, la complexité, les tests, la cybersécurité, l'architecture logicielle et la capacité à réviser et bonifier les résultats générés par l'IA.

Q3. Comment évaluer équitablement les étudiants qui utilisent l'IA?
En misant sur des formats qui exigent des explications et un raisonnement clair (évaluations orales, résolution de problèmes en temps réel, analyses réflexives et exercices de révision de code).

Q4. Qu'est-ce que la « pensée informatique » à l'ère de l'IA?
C'est la capacité à modéliser des problèmes, à choisir le bon niveau d'abstraction, à analyser les contraintes et les risques de panne, et à valider les solutions — peu importe qui (ou quoi) a rédigé la première version du code.

Q5. Quel est le plus grand risque du codage assisté par l'IA pour ceux qui apprennent?
La confiance aveugle envers les résultats. Sans bases solides, un développeur risque d'accepter du code erroné ou vulnérable et aura beaucoup de difficulté à déboguer ou à comprendre le comportement global de ses systèmes.