L'adoption des outils d'IA générative de programmation a été l'une des transitions les plus rapides de l'histoire de l'ingénierie logicielle. GitHub Copilot, lancé en disponibilité générale en juin 2022, atteint 1,3 million d'abonnés payants en 2023 et 55 000 organisations utilisatrices. Le Stack Overflow Developer Survey 2024 révèle que 76% des développeurs utilisent ou envisagent d'utiliser des outils d'IA dans leur workflow quotidien. La catégorie est passée de zéro à omniprésente en moins de 36 mois.

Cette adoption massive s'est produite sans précédent historique direct. Les transitions précédentes vers de nouveaux paradigmes de développement (passage aux langages de haut niveau dans les années 1960 · adoption des IDE dans les années 1990 · généralisation des frameworks dans les années 2000) se sont produites sur des décennies, laissant le temps à la communauté académique de documenter leurs effets sur les compétences. L'IA générative de programmation n'a pas bénéficié de ce délai.

Les études publiées convergent sur les gains de productivité immédiate. Peng et al. (2023)¹ documentent une augmentation de 55,8% de la vitesse sur les tâches de programmation définies dans leur protocole expérimental. GitHub Research (2023)² mesure une augmentation de 56% des tâches complétées par heure sur des tâches de développement standardisées. Ces mesures sont méthodologiquement solides dans leur périmètre — elles capturent un effet réel et significatif à court terme.

Ce que ces études ne capturent pas est également significatif : aucune ne mesure l'effet sur la capacité de raisonnement autonome à 12, 18 ou 24 mois d'usage intensif. L'horizon temporel des études disponibles s'arrête généralement à 4–8 semaines. C'est suffisant pour mesurer la productivité immédiate. C'est insuffisant pour détecter une atrophie progressive de la capacité de raisonnement.

Trois questions restent sans réponse formalisée dans la littérature existante : (a) Comment distinguer empiriquement un usage amplificateur d'un usage substitutif ? (b) Existe-t-il un basculement identifiable — un moment où la relation à l'outil change qualitativement ? (c) La capacité de raisonnement autonome sur le code est-elle récupérable après une période de dépendance structurelle, et à quel coût ?

La Section 2 établit le cadre théorique et distingue le verrouillage cognitif individuel de la spécialisation légitime. La Section 3 présente le modèle en quatre phases. La Section 4 examine la base de preuve disponible et ses limites. La Section 5 formule les implications pour les organisations, les formateurs et les éditeurs d'outils. La Section 6 propose un agenda de recherche.

Un développeur frontend qui ne maîtrise pas le noyau Linux est spécialisé. Cette spécialisation est légitime : il a fait un choix rationnel de concentrer son attention sur un domaine, et la capacité de raisonnement sur les couches inférieures est latente — disponible si la situation l'exige, non exercée par choix. Le critère opérationnel de la spécialisation est la réversibilité : si le développeur décide d'apprendre le noyau Linux, il peut le faire à travers un effort d'apprentissage standard. La capacité d'apprentissage elle-même n'est pas atrophiée.

La théorie de la cognition distribuée (Hutchins, 1995³) et le concept d'extended mind (Clark & Chalmers, 1998⁴) offrent un cadre pour penser l'intégration d'outils externes dans le système cognitif d'un individu. Clark & Chalmers soutiennent qu'un carnet de notes peut faire partie du système cognitif d'une personne au même titre que sa mémoire interne. Cette extension est cognitive mais non atrophiante — retirer le carnet de notes réduit les performances sans dégrader la capacité de raisonnement interne.

La théorie de l'atrophie cognitive par disuse (Salthouse, 1991⁵) documente la dégradation des capacités cognitives non exercées. Appliquée au raisonnement sur le code, elle prédit que la capacité de raisonnement algorithmique décline si elle n'est pas régulièrement sollicitée de façon indépendante de l'outil. Le concept de cognitive offloading (Risko & Gilbert, 2016⁶) — délégation de tâches cognitives à des artefacts externes — est pertinent mais incomplet : il ne modélise pas la dégradation irréversible de la capacité délégée, seulement sa désactivation temporaire.

Le verrouillage cognitif individuel est le cas où le cognitive offloading devient irréversible — où la capacité déléguée à l'outil ne peut plus être récupérée par simple désactivation de l'outil, mais requiert un effort de réapprentissage dont le coût dépasse la motivation disponible sous contrainte de production continue.

La structure du VCI est analogue à celle du vendor lock-in cloud (Opara-Martins et al., 2016⁷) : un outil excellent dans les cas nominaux · une dépendance qui se construit progressivement sans signal d'alarme · un point de non-retour qui rend le coût de sortie supérieur à la motivation disponible. L'analogie s'arrête là : la responsabilité dans le VCI est tripartite (éditeur · organisation · individu) alors que le vendor lock-in cloud a une responsabilité principalement du côté du fournisseur.

Plusieurs sources convergent vers des signaux cohérents avec le modèle proposé, sans en constituer une preuve directe.

Ce working paper propose un cadre théorique en avance sur la base empirique disponible. Cette position est académiquement assumée et non dissimulée. Elle est cohérente avec la pratique des working papers en sciences cognitives et en économie de l'innovation, où la théorisation précède souvent les données longitudinales par nécessité : les phénomènes à effet différé ne peuvent pas attendre 24 mois de collecte avant d'être théorisés.

La valeur du modèle proposé est sa falsifiabilité : les quatre phases, les indicateurs associés et le PNR-i constituent des hypothèses testables par un protocole longitudinal. Si les données futures contredisent le modèle, le modèle doit être révisé. C'est la condition d'un working paper honnête.

Les fondamentaux algorithmiques doivent être maintenus comme base non négociable, indépendamment des outils disponibles. L'IA générative devrait être introduite comme outil de second niveau — après la maîtrise des fondamentaux — et non comme premier accès au code. L'analogie pédagogique est celle des mathématiques : on n'apprend pas l'arithmétique avec une calculatrice avant de comprendre les opérations. La calculatrice amplifie une compétence déjà là. Elle ne peut pas créer une compétence absente.

Une piste de recherche pédagogique : concevoir des évaluations qui testent délibérément la capacité de raisonnement sans outil IA, de façon régulière et sur la durée de la formation. Non comme sanction de l'outil, mais comme mesure de la capacité latente.

Les mécanismes de conception qui favorisent la compréhension plutôt que la simple acceptation du code généré sont à la fois éthiquement justifiés et commercialement rationnels à long terme — un développeur qui comprend le code qu'il génère avec l'outil est un utilisateur plus durable et plus fidèle qu'un développeur qui en dépend structurellement sans comprendre.

La dépendance cognitive structurelle à un outil propriétaire soulève une question juridique non résolue : tombe-t-elle sous le champ du droit du travail (compétences requises pour le poste) · du droit de la concurrence (barrières à l'entrée créées par la dépendance à un outil) · ou du droit de la formation professionnelle ? Aucun cadre existant ne couvre explicitement ce cas. C'est un terrain de recherche juridique ouvert qui dépasse le périmètre de ce working paper.

Ce working paper propose le premier cadre théorique formalisé pour le verrouillage cognitif individuel par les outils d'IA générative de programmation. Il distingue ce phénomène de la spécialisation légitime par le critère de la réversibilité de la capacité de raisonnement. Il modélise quatre phases avec des indicateurs opérationnels pour chacune. Il formalise un point de non-retour individuel (PNR-i) analogue au point de non-retour économique du vendor lock-in cloud.

La contribution principale n'est pas empirique — la base empirique est explicitement limitée — mais théorique : fournir un cadre qui rende le phénomène observable, mesurable et donc falsifiable. Sans cadre, les signaux précoces du glissement restent invisibles. Avec un cadre, les organisations et les chercheurs peuvent concevoir des indicateurs, des protocoles de mesure et des interventions préventives.