Ce que cela oublie complètement, c’est la valeur massive du travail d’IA « non codé ». Certaines des interactions les plus rentables avec un assistant IA impliquent le débogage des traces de pile, l’analyse des exigences métier floues ou la compréhension des cas extrêmes. Un ingénieur peut passer une heure à discuter avec un LLM pour identifier une cause profonde, ce qui aboutit finalement à une solution claire en trois lignes. C’est une ingénierie brillante et efficace. Pourtant, sous un régime de tokenmaxxing, cet ingénieur semble moins productif sur le tableau de bord du manager que celui qui vient de demander à l’agent de cracher 500 lignes de code spaghetti.
Certaines des meilleures utilisations de l’IA concernent l’apprentissage, la découverte et la conception réfléchis. À l’instar du brainstorming, du tableau blanc et des conversations qui ont toujours constitué le substrat de la création de logiciels, la valeur de ce type d’utilisation de l’IA est presque impossible à estimer ou à synthétiser en une mesure.
L’économie des déchets
Lorsque les mesures que nous utilisons pour comprendre la santé du génie logiciel s’éloignent à ce point de la réalité, les mécanismes financiers se retournent violemment contre l’entreprise. D’un point de vue économique, les jetons représentent un coût d’entrée et non une valeur de sortie. Pire encore, les jetons de sortie peuvent coûter jusqu’à cinq fois plus cher que les jetons d’entrée dans les modèles frontières de premier plan. Lorsque vous encouragez la génération de code, vous exploitez une partie incroyablement exploitée du budget informatique.
