Discussion :

[Stéphane le calme]

L'IA abaisse les barrières mais amplifie les mauvais patterns : les données Octoverse de GitHub révèlent la mécanique silencieuse
qui redistribue les parts de marché entre langages de programmation

TypeScript au sommet de GitHub, Bash en plein renouveau, Python contesté : les données Octoverse 2025 révèlent qu'au-delà de l'accélération du code, l'IA générative modifie en profondeur les arbitrages technologiques des développeurs. Un phénomène de fond, silencieux mais massif, qui redessine les écosystèmes à une vitesse inédite.

En août 2025, TypeScript a dépassé Python et JavaScript pour s'imposer comme le langage le plus utilisé sur GitHub. C'est la première fois dans l'histoire de la plateforme qu'un langage autre que ces deux mastodontes accède à la première place. Les chiffres sont nets : TypeScript a enregistré une croissance de 66 % en glissement annuel, contre 24 % pour JavaScript. Mais ces statistiques ne font que décrire un symptôme. La vraie question est de comprendre le mécanisme qui les produit.

La thèse avancée par GitHub dans son rapport Octoverse 2025 est que l'IA générative n'accélère pas seulement le travail des développeurs — elle reconfigure leurs préférences technologiques. Le concept central est celui de « boucle de confort » : lorsqu'une expérience de développement se déroule sans friction, le cerveau en retient une association positive qui oriente les choix futurs. L'IA, en absorbant la complexité syntaxique et la corvée du code répétitif, rend certains langages subjectivement plus agréables à utiliser. Et ces associations finissent par façonner des réflexes collectifs à l'échelle de l'industrie.

TypeScript bénéficie d'un avantage structurel dans cet environnement : son typage statique fort offre à l'IA des contraintes précises qui réduisent l'espace des erreurs. Là où une variable JavaScript peut être n'importe quoi, une déclaration TypeScript délimite immédiatement le champ du possible. Les modèles de langage génèrent donc du code TypeScript plus cohérent, plus prévisible, plus correct. Ce cercle vertueux entre qualité de génération et adoption humaine explique en partie la montée en puissance du langage.

Le retour inattendu du shell scripting

L'un des chiffres les plus frappants du rapport Octoverse concerne les scripts shell : leur usage dans les projets générés par IA a bondi de 206 % en un an. Ce n'est pas Bash qui est devenu glamour. C'est l'IA qui a neutralisé les frictions qui le rendaient rebutant.

La syntaxe de Bash est notoire pour ses pièges : guillemets imbriqués, gestion des espaces dans les chemins, substitutions de commandes, comportements subtils selon la version du shell. Des développeurs compétents perdaient du temps à déboguer des scripts dont la logique était pourtant simple. Avec un assistant IA capable de générer le bon idiome du premier coup, ce coût cognitif s'effondre. Résultat : les équipes choisissent à nouveau l'outil le plus adapté au problème — un script d'automatisation d'infrastructure, de CI/CD, de déploiement — sans se priver pour des raisons d'inconfort syntaxique.

Ce phénomène illustre une mécanique plus générale : l'IA ne rend pas les mauvais outils bons, mais elle abaisse le seuil d'accès aux outils dont le rapport puissance/complexité était défavorable. Elle redistribue les cartes de l'efficacité perçue.

« Très peu de développeurs aiment écrire en Bash », explique Idan Gazit, qui dirige GitHub Next, l'équipe à l'origine de Copilot et de la R&D à long terme de GitHub. « Mais tout le monde en a besoin. C'est le ruban adhésif des logiciels. Et maintenant que je peux demander à un agent d'écrire les parties désagréables à ma place, je peux utiliser l'outil adapté à la tâche sans avoir à peser le pour et le contre. »

80 % des nouveaux développeurs sous Copilot dès la première semaine

Le rapport affirme que 80 % des nouveaux développeurs qui rejoignent GitHub utilisent Copilot au cours de leur première semaine. Ce chiffre, pour le moins saisissant, a suscité des interrogations légitimes dans la communauté : comment définit-on « utiliser Copilot » ? Une suggestion ignorée compte-t-elle ? La statistique est produite par GitHub lui-même, dont on peut légitimement questionner la neutralité — Microsoft a tout intérêt à présenter l'adoption de son assistant IA comme massive et naturelle.

Mais même en admettant une définition généreuse, l'ordre de grandeur signale quelque chose de réel : les nouveaux entrants dans l'industrie du développement logiciel arrivent désormais avec l'IA comme environnement par défaut. Ils ne connaissent pas l'époque où il fallait chercher pendant une heure sur Stack Overflow pour comprendre comment lire un fichier en Python. Pour eux, l'autocomplétion intelligente n'est pas une fonctionnalité — c'est la norme. Ce fait a des implications profondes sur la façon dont cette génération va apprendre, progresser, et éventuellement décider quelles technologies méritent d'être maîtrisées.

La question épineuse du typage et de la sécurité

L'argument selon lequel l'IA « fonctionne mieux avec les langages à typage fort » est intellectuellement séduisant, mais mérite d'être nuancé. Si TypeScript donne des contraintes claires aux modèles de langage, JavaScript et Bash — tous deux à typage faible ou inexistant — connaissent eux aussi une adoption croissante selon les mêmes données. Cette contradiction partielle dans l'argumentaire de GitHub n'est pas triviale.

Une explication possible : la qualité de génération dépend moins du système de types que de la densité de la documentation et des exemples disponibles en ligne. JavaScript et Bash sont parmi les langages les mieux documentés au monde, avec des décennies de code ouvert disponible pour entraîner les modèles. L'IA s'y retrouve parce qu'elle a vu des millions d'exemples, pas parce que le langage est intrinsèquement favorable à l'inférence.

Reste la question de la sécurité. Les développeurs ont été nombreux à soulever ce point : l'IA génère du code qui compile, passe les linters, mais recèle parfois des vulnérabilités que seule une revue attentive permet de détecter. La vitesse de génération peut créer un faux sentiment de confiance. Plus le code est produit vite, plus la dette de sécurité peut s'accumuler discrètement. Le rapport Octoverse recommande d'ailleurs explicitement de tester le code généré par IA plus rigoureusement, et non moins — ce qui suggère que le problème est reconnu, même dans les cercles qui promeuvent ces outils.

L'effet de miroir architectural

L'une des recommandations les plus importantes du rapport de GitHub mérite d'être mise en avant : « Standardisez avant de scaler. Documentez vos patterns. Publiez des dépôts de templates. Rendez vos décisions architecturales explicites. Les outils IA reproduiront les structures qu'ils observent. »

Ce conseil contient une mise en garde implicite de première importance. Si les modèles de langage apprennent à reproduire les patterns existants dans votre base de code, ils vont aussi reproduire les mauvais patterns — la dette technique, les raccourcis, les conventions bancales héritées d'une époque révolue. L'IA est un miroir architectural d'une fidélité redoutable. Elle amplifie l'existant. Une codebase saine donnera des suggestions cohérentes et solides. Une codebase chaotique produira du chaos généré à vitesse industrielle.

Pour les équipes d'ingénierie, l'enjeu n'est plus seulement de maîtriser les outils IA, mais d'investir en amont dans la qualité structurelle de leur environnement. Les ADRs (Architecture Decision Records), les README exhaustifs, les templates bien construits ne sont plus de la documentation optionnelle — ils deviennent des leviers d'alignement pour les assistants IA.

Vers une nouvelle sélection naturelle des langages ?

Avec plus de 1,1 million de dépôts publics intégrant des SDK de modèles de langage, l'IA n'est plus un cas marginal dans l'écosystème GitHub — c'est une composante centrale du développement logiciel contemporain. Cette adoption massive pose une question prospective : à mesure que la compatibilité avec les outils IA devient un critère de sélection technologique, les langages ou frameworks qui n'auront pas suffisamment d'exemples en ligne, de documentation accessible aux modèles, ou de typage clair, risquent-ils d'être progressivement marginalisés ?

Des langages comme Rust, Go ou Kotlin — bien typés, bien documentés, avec une communauté active — semblent bien positionnés dans ce nouveau paradigme. D'autres, plus confidentiels ou à la syntaxe plus ésotérique, pourraient voir leur base d'utilisateurs s'éroder non pas parce qu'ils sont techniquement inférieurs, mais parce que l'IA les supporte moins bien. C'est une forme de pression sélective nouvelle, qui s'ajoute aux critères classiques de performance, d'écosystème et d'employabilité.

La question n'est donc plus seulement « quel langage dois-je apprendre ? » mais « quel langage l'IA va-t-elle m'aider à utiliser efficacement ? ». Et la réponse à cette question est en train de remodeler, silencieusement mais durablement, la topographie de l'industrie logicielle.

Source : GitHub

Et vous ?

Si l'IA favorise les langages à typage fort, comment expliquer que JavaScript et Bash connaissent eux aussi une forte croissance dans les projets IA — n'y a-t-il pas une contradiction dans la thèse de GitHub ?

Le fait que 80 % des nouveaux développeurs utilisent Copilot dès leur première semaine signifie-t-il qu'une génération entière apprend à coder avec un assistant permanent — et quelles compétences fondamentales risquent-ils de ne jamais vraiment développer ?

Puisque l'IA amplifie les patterns existants dans une base de code, les équipes qui ont accumulé de la dette technique ne risquent-elles pas de la propager plus vite qu'elles ne la corrigent ?

La domination de TypeScript est-elle durable, ou s'agit-il d'une bulle liée à une fenêtre de compatibilité temporaire avec les modèles actuels ?

Les langages spécialisés à faible documentation en ligne (DSL industriels, langages académiques, outils internes) sont-ils condamnés à une marginalisation accélérée dans un monde où la valeur d'un outil dépend de son « assimilabilité » par les LLMs ?