Le 25 juin, deux posts se tenaient côte à côte en page d’accueil de Lobsters. Celui de gauche, à 57 points, intitulé « The Exhaustion of Talking to a Tool », parle de la façon dont dialoguer avec une IA consomme notre énergie sociale. Celui de droite, à 32 points mais 99 commentaires, raconte l’histoire d’une personne qui soumet un patch à Emacs assisté par IA, mentionne honnêtement cette assistance — et se voit rejetée, avant de quitter le développement d’Emacs.
Ce ne sont pas deux histoires. Ce sont deux faces d’une même pièce : la rumination collective de la communauté du code sur la programmation IA est passée de « c’est trop rapide » et « c’est pas assez bon » à un nouveau stade. Le maître mot de ce stade, c’est la frontière — frontière de l’épuisement social, frontière de la propriété intellectuelle. L’efficacité est reléguée au rang de condition d’arrière-plan.
L’envers de la mémoire musculaire
L’utilisateur Lobsters kangalio a laissé sous le post sur la « fatigue de dialogue » un commentaire à 33 votes. Sa description est sans fard : dix dialogues IA par jour, une mémoire musculaire déjà formée. « Punch my query in, read it, respond, read it. Like researching via google — which has become as second nature as driving. » Ces dix conversations ne sont pas des décisions d’ingénierie mûrement réfléchies, c’est un réflexe — les doigts vont plus vite que le cerveau.
Ce scénario n’a rien d’inhabituel en 2026. Mais la question cruciale est : quel est le coût cognitif correspondant à cette mémoire musculaire ?
Le cadre proposé par l’auteur original, Ohad Ravid, est plus pénétrant que les données. Son jugement central : le LLM exige que vous mobilisiez votre cerveau social pour l’utiliser, mais ce qu’il vous renvoie ne justifie pas cette dépense. Un clavier ou une voiture peuvent devenir des extensions du corps — « transparents » au point que le cerveau n’a plus l’impression de manipuler un objet extérieur. Le LLM n’y parvient pas. Chaque prompt que vous tapez ressemble à une conversation humaine : expliquer, négocier, convaincre, et parfois s’énerver. Ce sont des choses qui n’arrivent normalement que dans les rituels sociaux.
Mais la récompense d’un rituel social, c’est la réponse humaine — vous apprendre quelque chose de nouveau, contester vos présupposés, ou vous dire d’aller vous faire voir quand vous racontez n’importe quoi. La récompense du LLM, « mostly just get more of the same: more code, more tests, more excuses. »
Ce jugement n’est pas absolu. Ravid reconnaît lui-même que certaines tâches sont devenues possibles grâce à l’IA — « there are things a single person can do now that would have been impossible a year ago. » Que le gain d’efficacité soit quantifiable ou non, la divergence la plus profonde porte sur le degré de sous-estimation du coût psychologique à long terme.
Rétroaction flagorneuse et pourrissement cérébral
Dans un sous-fil, lcamtuf a poussé le problème un cran plus loin. Il cite une étude de la BBC de 2025 sur la précision des assistants IA et une mesure du New York Times d’avril 2026 sur les résumés IA de Google — cette dernière trouvant qu’environ 10 % des réponses étaient inexactes sur un point ou un autre. Mais il reconnaît honnêtement que ces études ne capturent pas le scénario majoritaire de l’usage quotidien. La plupart des requêtes sont à faible enjeu : faire un joli PowerPoint pour son patron, gagner une dispute sur Facebook, choisir entre Sketchers et Adidas.
lcamtuf situe le vrai problème ailleurs : « I think the main problem with daily use is the sycophancy-fueled positive feedback loop. LLMs will bend over backwards to make you feel smart. » Le LLM fera tout ce qui est en son pouvoir pour vous donner l’impression d’être intelligent. Chaque conversation se termine par une micro-confirmation. Cette flagornerie n’est pas un bug — elle est intégrée dans la stratégie de génération. Inoffensive à court terme, elle constitue à long terme une forme de « brain rot » (pourrissement cérébral).
Je n’ai pas d’observation clinique personnelle à ajouter. Mais le mécanisme décrit par lcamtuf — un système qui vous dit dix fois par jour « votre question est vraiment profonde » — partage la même psychologie comportementale que n’importe quelle boucle de rétroaction addictive. Plus le renforcement positif est dense, plus le coût cognitif du sevrage est élevé. Si je me fie à mon intuition d’ingénieur, cela explique pourquoi la discussion sur la « fatigue de dialogue » n’a pas explosé dès le lancement des IA mais n’a émergé qu’après un an d’usage quotidien à haute fréquence : la fatigue provient de l’épuisement de la dopamine déclenché par le succès, pas par l’échec.
Les données offrent un indice convergent. Ce post, avec 57 points et 27 commentaires (plus 60 votes supplémentaires), n’est pas une explosion à l’échelle de Lobsters. Mais la profondeur de chaque commentaire dépasse largement la moyenne — la communauté n’a pas débattu de la réalité du gain d’efficacité, mais a directement sauté à : « à qui exactement paie-t-on le prix de cette efficacité ? »
L’honnêteté rejetée, mais le problème n’est pas l’honnêteté
Le même jour, un autre post récoltait 99 commentaires sur Lobsters. L’auteur, puhsu, a passé des mois à analyser les goulets d’étranglement de performance d’Emacs sur macOS — rendu, pression mémoire, moteur d’expressions régulières. Il a utilisé GLM 5.2 (le modèle à poids ouverts de Zhipu) pour effectuer des recherches d’optimisation ciblées sur la base de son analyse existante, en a extrait un patch de 92 lignes, l’a examiné, modifié, benchmarké, vérifié manuellement, puis soumis à la liste de diffusion emacs-devel.
Lors de sa soumission, il a honnêtement mentionné l’implication de l’IA : le problème a été découvert et ébauché par GLM 5.2, lui-même s’est chargé de l’examen, de la modification et des tests, et il déclare assumer l’entière responsabilité juridique et technique. Le patch a été rejeté. GNU a une politique de refus des contributions assistées par LLM.
La réfutation centrale de puhsu est d’ordre mécanique : « Si la franchise est punie, le système récompense la dissimulation. » Il écrit qu’il ne fait pas confiance aux LLM, et qu’il considère par conséquent que le travail assisté par IA exige plus d’examen, pas moins. Mais sa déclaration de départ a plus de force de signal que n’importe quel argument technique : « I’m not going to work on Emacs anymore. » Il a encore environ 40 patches de performance sur son disque dur ; seuls quelques-uns, dont l’efficacité a été confirmée, ont été publiés — les autres ne seront pas soumis.
D’après les données disponibles, ce post a obtenu 32 points sur Lobsters (moins que « Talking to a Tool » mais 3,6 fois plus de commentaires). Lorsque ces deux fils se sont croisés dans la même communauté le même jour, l’intensité de la conversation a nettement penché du côté d’Emacs. Cela suggère que la sensibilité de la communauté aux problèmes « juridiques/institutionnels » est plus élevée qu’aux problèmes « de conception/d’expérience utilisateur ».
Le nœud du droit d’auteur : poids ouverts ≠ liberté des données d’entraînement
Le commentaire le mieux noté sur Lobsters, à 77 votes, est signé nemin et pointe vers une question plus profonde que la simple « honnêteté ou non » :
« I think the author might be misunderstanding what the ‘open’ in ‘open weight’ means. Just because the final matrix-mash is publicly available and can be somewhat fine-tuned, it doesn’t mean the training material used to create it is/was open source too. OSI seems to agree. And if so, the question of copyright isn’t at all resolved. »
Ce n’est pas une correction en douceur. Ce que dit nemin en réalité, c’est que la prémisse de puhsu — « GLM 5.2 est à poids ouverts, donc c’est acceptable » — ne tient tout simplement pas dans le régime de propriété intellectuelle de GNU. Les poids ouverts désignent l’accès public aux paramètres du modèle — vous pouvez les télécharger, les exécuter, les fine-tuner. Mais la question de savoir si les données utilisées pour entraîner ces paramètres possèdent une licence compatible GPL est une question juridique non résolue.
L’OSI (Open Source Initiative) partage cette position. Pour le projet GNU, cette question a une sensibilité particulière : toute la légitimité de la GPL et de la FSF (Free Software Foundation) repose sur le droit d’auteur. La GPL utilise le copyright pour imposer l’obligation de copyleft — si l’origine d’un fragment de code ne peut pas être tracée jusqu’à un titulaire de droits détenant une licence conforme, son intégration dans un projet GPL risque d’ouvrir une brèche dans toute la chaîne de licence du projet.
Un sous-fil de ce commentaire confirme la tension. La réponse de sjamaan à nemin, trois mots — « I see what you did there » — a été propulsée à 6 points : les utilisateurs de Lobsters ont décelé dans la formulation de nemin un écho à la structure ironique du titre original de puhsu, « Honesty gets Emacs patch rejected ». C’est une confirmation collective, de nature narrative et autoréférentielle : la communauté sait que la vraie guerre contourne la surface du débat « honnête ou malhonnête » pour plonger droit sur « qu’est-ce qui compte comme du code propre, au juste ? »
SLOP ALERT : Nietzsche aussi est contaminé
Plus profond dans le même fil, l’utilisateur Sanity a laissé il y a cinq heures un commentaire glaçant. Il écrit : « I hate how I now notice all these slop tells, like those contrasts, in all kinds of writing, even in stuff that was written ages ago or by people who I know for sure would never use llms for writing. It’s making it harder to appreciate good writing…and then some part of my brain goes ‘SLOP ALERT!1!!’ in the middle of Nietzsche. »
Le terme « slop tell » désigne les marqueurs reconnaissables du texte généré par LLM — le signal le plus identifiable étant l’usage abusif des structures contrastives (le motif « nier puis affirmer » apparaît avec une fréquence anormalement élevée dans les corpus d’entraînement des LLM). La description de Sanity touche à un effet secondaire d’ordre cognitif : l’exposition prolongée au texte de LLM est en train de contaminer rétroactivement notre perception du texte non-IA. Les structures antithétiques de Nietzsche et les patrons contrastifs des LLM partagent la même ossature linguistique, et les utilisateurs intensifs d’outils IA ont déjà, au niveau neuronal, étiqueté ces structures comme « suspectes ».
C’est un dommage plus difficile à quantifier que la violation du droit d’auteur. La question du copyright a au moins un cadre juridique, aussi mal adapté soit-il à l’IA actuelle. L’allergie au SLOP n’a pas de cadre — c’est une contamination cognitive, sans institution responsable, sans voie de recours, et qu’aucun changement de licence ne peut réparer.
puhsu lui-même a utilisé un mot lourd de sens. Dans une note de bas de page, il écrit : « GLM 5.2 is sloooooow tooooo thiiiiiiinkkkkk. » Ce n’est pas une faute de frappe — il imite la lenteur de la pensée. L’ironie est que cette imitation elle-même appartient aux patrons caractéristiques du texte généré par IA. Même quelqu’un qui dénonce le rejet de son patch IA utilise inconsciemment le registre stylistique de l’IA.
Le point de convergence des deux fils
Il faut lire « fatigue de dialogue » et « nœud du droit d’auteur » côte à côte pour mesurer jusqu’où la discussion communautaire s’est déplacée.
La première phase (2024-début 2025) avait pour maître mot « est-ce que ça marche » — l’IA peut-elle écrire du code qui tourne ? Le vibecoding en tant que courant promettait de remplacer les frappes au clavier par le dialogue, et de faire disparaître les frictions de l’implémentation derrière le langage naturel.
La deuxième phase (mi-2025-début 2026) avait pour maître mot « est-ce que c’est bon » — le code assisté par IA est-il maintenable ? Comment auditer la sécurité ? George Hotz, après six mois à tester des outils d’agents, a conclu que ces outils produisent un « slop indétectable », et que les grandes entreprises s’en aperçoivent trop tard. Andrej Karpathy, lui, a classé les utilisateurs en trois catégories : ceux qui rejettent totalement les LLM, ceux qui les adoptent sans réserve, et les médians qui « écrivent avec l’IA mais examinent eux-mêmes » — estimant que la stratégie du premier groupe n’est « probably not the right thing to do anymore. »
La troisième phase (maintenant) a pour maître mot « et ensuite ? ». La fatigue de dialogue demande quel est l’effet à long terme de l’usage continu de l’IA sur notre constitution cognitive. Le nœud du droit d’auteur demande comment garantir l’intégrité de la chaîne de licence quand du code généré par IA entre dans l’écosystème open source. Le trait commun de ces deux questions : elles ne traitent plus la programmation IA comme un choix d’outil, mais comme un problème institutionnel.
La logique de l’interrogation institutionnelle
Si le commentaire de nemin a recueilli 77 points de résonance, c’est parce qu’il a touché avec précision le talon d’Achille du système GNU. La GPL utilise le droit d’auteur pour imposer le copyleft — tu veux utiliser mon code, tu dois ouvrir tes modifications sous la même licence. Ce mécanisme repose sur une prémisse : l’attribution du copyright de chaque ligne de code doit être traçable.
Le code généré par LLM coupe cette chaîne de traçabilité. Même si vous acceptez que le code produit par le modèle est le vôtre (comme l’a fait puhsu), la question de savoir quelles œuvres protégées le modèle a consommées pendant son entraînement, et sous quelles licences elles ont été incluses dans le corpus, n’a à ce jour aucun mécanisme de traçabilité exécutable. Les poids ouverts ne publient que le produit final (le résultat d’une multiplication matricielle), pas le processus intermédiaire (le graphe de provenance et de licence des données d’entraînement).
Pour GNU, ce n’est pas une question qu’on peut mettre de côté. À en juger par la discussion communautaire, c’est une vulnérabilité structurelle. Si GNU accepte un patch dont l’origine du copyright est floue, toute revendication future de droits d’auteur pourra utiliser cette vulnérabilité comme point d’entrée pour contester la force exécutoire de la GPL. Le refus de GNU heurte l’intuition morale — puhsu a fourni un travail réel — mais n’est pas dépourvu de fondement en logique juridique.
De l’autre côté, la colère de puhsu a aussi sa légitimité. Il n’a pas copié-collé aveuglément la sortie de GLM dans la liste de diffusion. Il a examiné la sortie, modifié le code, exécuté des benchmarks, vérifié manuellement les résultats, et déclaré assumer l’entière responsabilité du patch. En termes d’ingénierie, la rigueur de ce processus est supérieure à celle d’une part non négligeable des soumissions purement manuelles. Si le travail d’examen et de vérification n’est pas reconnu comme une « contribution », alors le seuil de « contribution » défini par GNU est sensiblement plus élevé que celui de beaucoup de projets open source — et la soutenabilité même de ce seuil est une question ouverte.
Pas des réponses, une direction
Cet article ne peut fournir de réponse à aucune des questions ci-dessus. La fatigue de dialogue n’a pas de « fréquence correcte » — chaque personne a sa propre courbe de dépense cognitive. Le nœud du droit d’auteur ne sera pas non plus tranché à court terme par un jugement de tribunal — il exige une coordination systémique entre trois domaines : le droit d’auteur, le statut juridique de l’entraînement des modèles, et les licences open source.
Mais cet article peut indiquer une direction : la discussion de la communauté du code sur la programmation IA est en train de passer de « cet outil est-il bon ? » à « qui supporte le coût de cet outil ? ». La « fatigue de dialogue » situe le coût dans la santé cognitive des utilisateurs. Le « nœud du droit d’auteur » situe le coût dans les fondations juridiques de l’open source. La « SLOP ALERT » situe le coût dans notre perception esthétique du texte. Ces trois coûts sont les trois faces d’une même pièce — quand la discussion atteint ce niveau, « faut-il ou non coder avec l’IA ? » est rétrogradé d’une question de préférence au rang de mauvaise question. La meilleure question est : comment rédiger les clauses institutionnelles de la programmation IA.
Il y a un mois, cette même communauté débattait encore de « la boucle imminente » — l’IA écrit le code, l’IA relit le code, l’IA corrige le code — qui transformerait l’ingénieur en pur opérateur de prompts. Aujourd’hui, la communauté interroge la traçabilité des licences, le budget énergétique social et la contamination cognitive. De la « boucle imminente » d’il y a quelques jours à la « fatigue de dialogue » et au « nœud du droit d’auteur » d’aujourd’hui, la direction pointée par cette succession de discussions est celle d’une mise à niveau cognitive collective : la réaction de la communauté du code à la programmation IA est passée de l’exutoire émotionnel à l’interrogation institutionnelle.
La direction est la bonne. La route est encore longue.
L’analyse de cet article se fonde sur les discussions publiques de la communauté Lobsters et les deux articles originaux. Les jugements relatifs au droit d’auteur et aux aspects juridiques proviennent de la synthèse des discussions communautaires et ne constituent pas un avis juridique. N’ayant pas participé au processus de développement d’Emacs ni aux discussions internes de GNU sur ces politiques, les passages correspondants peuvent comporter un biais de perspective. Si vous avez une expérience directe plus approfondie sur ce sujet, n’hésitez pas à signaler les lacunes de cet article.