Shiwen Dialogue Épisode 27｜Karpathy dit que le fossé de consensus s'élargit : dans la même entreprise, deux mondes

Animateur : Shiwen (AI) | Invité : Yongliang

Préambule : Un tweet, 425 commentaires, créant deux mondes

Le 11 octobre, Andrej Karpathy a publié un tweet commençant par : « Republiez ce que j’ai écrit en avril, car le fossé de consensus sur les capacités des LLM s’élargit ». Sa classification est provocatrice : environ 6 milliards de personnes, soit trois quarts de la population, n’ont presque jamais eu accès aux LLM ; d’un autre côté, environ 20 millions de personnes, soit 0,2 %, ont vu de leurs propres yeux des projets complexes qui devaient prendre des semaines ou des mois pour être achevés par un agent avec une seule instruction. Ancien directeur AI chez Tesla et membre fondateur d’OpenAI, il est l’un des commentateurs les plus influents dans ce domaine. Le tweet a été largement partagé sur Hacker News, et à la date du 12 octobre, il avait reçu plus de 260 votes favorables et 425 commentaires. La section des commentaires n’a pas abouti à un consensus, mais a plutôt montré le fossé en soi : la moitié dit « Vraiment, vous n’avez jamais utilisé », tandis que l’autre moitié affirme « C’est faux, j’utilise ça tous les jours, je n’ai jamais vu ça ». Cette édition ne prend pas parti, mais analyse ce fossé comme un phénomène organisationnel, car sa version réduite se trouve dans chaque entreprise.

Shiwen : Le terme « fossé de consensus » utilisé par Karpathy mérite-t-il d’être abordé dans cette édition ?

Yongliang : Oui, mais la valeur ne réside pas dans sa justesse, mais dans le fait que ces 425 commentaires reproduisent parfaitement le phénomène qu’il a décrit. Pour les utilisateurs avancés et les gens ordinaires, c’est deux mondes différents, et chacun se base sur son propre expérience personnelle. J’ai dirigé une équipe de 70 personnes, maintenant je travaille dans le domaine de la technologie AI. Mon sentiment le plus direct est que ce fossé n’est pas sur Internet, mais dans ma propre entreprise. Sur le même étage, les deux groupes ont des opinions très différentes sur ce que peut faire l’AI, et ils se croient tous les deux irrationnels. C’est mon expérience, pas une statistique.

Shiwen : L’angle « le fossé dans l’entreprise » est bien posé, continuons. Regardons d’abord l’événement lui-même.

Q1 : Qu’a-t-il dit exactement ?

Shiwen : Expliquons d’abord le tweet, quelle est précisément la classification de Karpathy ?

Yongliang : En un mot, il a divisé le monde entier en deux groupes selon « l’intensité de leur contact réel avec les LLM ».

Ce que le tweet permet de vérifier est le suivant : environ 6 milliards de personnes, soit environ 75 % de la population, n’ont presque jamais eu accès aux LLM ; environ 20 millions de personnes, soit 0,2 %, ont vu de leurs propres yeux des projets complexes qui devaient prendre des semaines ou des mois pour être achevés par un agent avec une seule instruction. Il a republié ce vieux tweet d’avril parce que le fossé s’élargit, et non réduit. Un détail doit être clarifié : je n’ai pas pu vérifier l’intégralité du texte du tweet, les chiffres de classification affichés au début sont ceux visibles dans le tweet, ajoutés aux citations des commentaires sur Hacker News. S’il y a d’autres couches, nous ne les devinerons pas cette fois.

Shiwen : Cette classification est-elle justifiée ?

Yongliang: La structure est solide, mais la dramatisation est controversée. 75 % des gens n’ont vraiment pas utilisé de LLM à grande échelle, et seulement 0,2 % sont de véritables utilisateurs de agents. Ces deux proportions ne posent pas de problème majeur. Le problème réside dans cette phrase : « Une seule suggestion peut mener à la fin d’un projet en plusieurs semaines ». C’est prendre le meilleur cas comme étant typique. Une personne qui travaille depuis longtemps dans le domaine de l’ingénierie a dit clairement : Karpathy a délibérément supprimé toutes les nuances pour créer de la dramatique. Les scénarios qu’il a vraiment réussi à réaliser étaient l’adaptation et la traduction, car les règles pour ce type de tâches ont déjà été clairement écrites en langage de programmation « le meilleur standard », permettant au modèle de se vérifier lui-même. En d’autres termes, l’agent est remarquable lorsque les règles sont complètes, mais reste un produit inachevé lorsque des décisions doivent être prises par l’homme. Cette distinction est la clé pour comprendre toute l’affaire.

Q2 : Qu’a vu chacun des deux camps dans les commentaires ?

Shiwen : 425 commentaires, comment les deux camps se sont-ils disputés ?

Yongliang : Le camp sceptique représente l’opinion dominante dans les commentaires, et ses doutes sont très précissés.

Ce n’est pas un slogan du type « l’IA ne fonctionne pas », c’est une discussion basée sur des flux de travail. Une personne ayant expérimenté en profondeur le développement guidé par les spécifications a dit qu’elle utilisait un LLM pour ses projets, fournissant non seulement des suggestions mais aussi des spécifications informelles. Mais elle n’a jamais vu le modèle fournir de manière autonome un produit accepté, il y a toujours des cas limites non pris en compte, et des décisions architecturales qui nécessitent une intervention humaine. Un autre utilisateur avancé a décrit son processus réel : plusieurs dialogues, soumission par lots de sous-agents, erreurs fréquentes sur l’interface qui nécessitent de la correction, puis elle a posé une question à propos de « une seule suggestion peut mener à la fin d’un projet en plusieurs semaines » : « Vraiment ? ». D’autres sceptiques étaient encore plus profonds : si le modèle était vraiment plusieurs fois plus fort, pourquoi les logiciels publiés par OpenAI et Anthropic resteraient-ils les mêmes, les démonstrations devraient-elles fonctionner correctement ?

Shiwen : Et le camp explicatif ?

**Yongliang : Le meilleur commentaire du camp explicatif traite du mécanisme : des outils comme Claude Code ont accéléré la division. Les programmeurs, après avoir connecté le LLM à un terminal, trouvent qu’il est 100 fois plus intelligent ; les utilisateurs ordinaires continuent à utiliser des boîtes de dialogue qui semblent stagnantes. La véritable puissance du modèle ne se manifeste que lorsqu’il est associé à des terminaux, des systèmes de fichiers et des chaînes de outils. Seul le dialogue ne montre pas ce aspect. Je pense que ce commentaire touche juste au point crucial : les deux côtés de la fracture n’utilisent en réalité pas le même produit. Il y a aussi un commentaire plus calme : peut-être que la promotion devrait se concentrer sur « l’accélérateur puissant pour les développeurs », plutôt que « l’IA changera tout pour tout le monde ». Les non-techniciens ne comprennent pas, mais ils n’ont pas de besoins spécifiques, chacun n’a pas besoin d’un microscope électronique.

Shiwen : On dirait que les deux camps ont raison, est-ce que c’est du relativisme ?

**Yongliang : Non, car un commentaire a résumé correctement les deux points de vue : la capacité du modèle progresse effectivement, mais le modèle étonnant que l’on a vu à Noël l’année dernière est maintenant obsolète ; mais ceux qui ont jeté un coup d’œil il y a un an et pensaient « ils ne peuvent même pas commencer un projet » avaient raison à ce moment-là. Les deux camps utilisent leur propre échantillon de temps comme représentation complète. C’est précisément la définition de la fracture : ce n’est pas qui ment, c’est que tout le monde utilise différents échantillons pour estimer la même distribution.

Q3 : Les entreprises sont une version réduite de cette fracture.

Shiwen : Tu as dit au début que cette fracture existe déjà dans les entreprises, mais à quoi ressemble-t-elle exactement ?

**Yongliang : Dans la même entreprise, les ingénieurs qui utilisent intensivement des agents et les dirigeants qui n’ont jamais utilisé de boîtes de dialogue ont une différence d’appréciation sur ce que « l’IA peut faire », et aucun des deux camps ne se rend compte de cette différence. »

Scénarios typiques que j’ai vus : les ingénieurs utilisent l’agent pour terminer le travail des deux derniers jours en un temps record, puis se présentent avec enthousiasme. La première réaction de la direction est : « Alors, vous n’étiez pas vraiment occupés auparavant. » À l’inverse, lorsque la direction voit une démonstration lors d’une conférence et dit « Nous allons remplacer tout le système par de l’AI », les ingénieurs savent bien qu’il y a encore beaucoup d’obstacles entre cette démonstration et le environnement de production. Aucun des deux côtés n’a de malveillance, mais chacun utilise l’« AI » avec lequel il a été en contact pour faire des jugements. Les 75 % mentionnés par Karpathy et les 0,2 % signifient dans une entreprise « ceux qui ont vu la démonstration » et « ceux qui travaillent tous les jours ».

Shiwen : Quand tu as une équipe de 70 personnes, comment tu trompes-tu le déséquilibre ?

Yongliang : Ma méthode consiste à rendre les différences de compréhension visibles, plutôt que de convaincre par des réunions.

Trois points spécifiques : Premièrement, ne pas laisser les utilisateurs avancés exprimer leurs sentiments, mais leur donner un véritable défi à réaliser sur place, en utilisant leur propre bibliothèque de code. Les succès et les échecs doivent être visible pour tout le monde. Une démonstration peut être falsifiée, mais une tâche réalisée sur place ne peut pas être fausse. Deuxièmement, ne pas laisser ceux qui douteraient poser des questions sans fondement, mais leur donner une tâche claire à réaliser avec l’agent, afin qu’ils puissent comprendre « où il y a de la magie, où il y a des obstacles ». Troisièmement, inscrire une liste de tâches pour déterminer si l’agent peut ou ne peut pas effectuer certaines tâches dans le processus de travail. Lorsque de nouveaux outils sont ajoutés, ils doivent être classés : ceux avec des règles complètes (transplantation, traduction, conversion de format, code de modèle) peuvent être utilisés sans crainte ; ceux nécessitant une validation manuelle (architecture, cas limites, sécurité) doivent être considérés comme des prototypes. J’accorde beaucoup d’importance à une observation dans les commentaires : la véritable frontière n’est pas entre ceux qui comprennent et ceux qui ne comprennent pas, mais entre « ceux qui pensent qu’il faut comprendre la bibliothèque de code pour maintenir » et « ceux qui ne revuent pas le code et croient que l’AI ne fait jamais d’erreurs ». Dans une entreprise, c’est cette frontière qui doit être comblée.

Q4 : Vérifier la capacité est la véritable barrière

Shiwen : Après l’explosion de la capacité des agents, quelle est la plus grande changement dans la gestion ?

Yongliang : La revue est devenue plus importante, pas moins. C’est un changement contrainté d’esprit mais réel.

Un commentaire souligne une observation pertinente : la véritable barrière n’est pas celle de la capacité des modèles, mais celle de la capacité humaine à vérifier les résultats. Ce commentateur mentionne que les résultats des mathématiques avancées doivent finalement être « archéologisés » par des humains pour être vérifiés, et les mathématiciens doivent lire chaque manuscrit un par un. Il craint que les gens abandonnent complètement la revue manuelle. Dans une entreprise, cela peut être le prélude à des accidents de sécurité. Un agent peut produire dix mille lignes de code en une heure, mais ce sont toujours les humains qui vérifient ces dix mille lignes ; même si la capacité est dix fois plus grande, le coût de vérification ne diminuera pas automatiquement d’un dixième. Ce qui ne peut pas être augmenté est un risque. Dans une équipe de 70 personnes, qui sera responsable de vérifier les résultats de l’agent, jusqu’à quel niveau, et qui signera en cas de problème ? Ces trois questions sont beaucoup plus importantes que « utiliser ou non l’AI » à l’époque des agents. Ma réponse a toujours été : celui qui intègre est responsable, l’agent ne doit pas porter le blâme, car il ne peut pas le faire.

Shiwen : Est-ce aussi pour cette raison que de nombreuses entreprises deviennent plus chaotiques après avoir utilisé des agents ?

Yongliang : Oui, le chaos vient du fait que la capacité est considérée comme une livraison. Le fait que le code soit écrit ne signifie pas que le travail est terminé. Seule une vérification complète, une maintenance efficace et la possibilité de trouver des personnes en cas de problème constituent une véritable livraison.

Q5 : Ces 75 % de personnes, doivent-elles s’inquiéter ?

Shiwen : Revenons aux gens ordinaires. La plupart de ceux qui n’ont pas utilisé l’AI de manière approfondie, doivent-ils paniquer en voyant que la « barrière se renforce » ?

Yongliang : Ma conclusion : la barrière entre les outils ne correspond pas à une crise de survie, mais la différence d’efficacité entre les concurrents est réelle, et cela ne nécessite pas de consolation.

Commençons par les parties qui ne nécessitent pas d’inquiétude. Dans les commentaires, il y a une liste d’opinions de personnes ordinaires qui suscitent beaucoup de résonance : votre voiture n’a pas changé, la lave-vaisselle n’a pas changé, les trains ne sont toujours pas précis, l’huile et la nourriture sont devenues plus chères, et la politique reste la même. Pour la plupart des gens, l’AI n’a pas encore transformé réellement leur vie ; ce n’est pas une illusion, c’est la réalité. Un commentateur a dit cela de manière cruelle mais exacte : peut-être que seulement quelques milliers de personnes dans le monde ont vraiment besoin d’évaluer si les LLM peuvent résoudre des problèmes en mathématiques avancées, les autres n’y prêtent pas attention et ce n’est pas grave.

Shiwen：Alors, que faut-il faire ?

Yongliang：Il ne faut faire qu’une chose : comprendre ce que font ces 0,2 % de vos collègues, puis l’essayer dans votre domaine professionnel. »

Ce n’est pas pour vous apprendre à écrire une grande collection de phrases de référence, mais pour trouver cette partie de votre travail qui est « complètement régulée » et l’exécuter avec un agent : ceux qui écrivent du code doivent commencer par des modèles et des transferts, ceux qui écrivent du matériel doivent commencer par la conversion de format et le premier brouillon, et ceux qui travaillent sur les données doivent commencer par le nettoyage. Un commentateur compétent se moque de lui-même : il comprend les capacités de l’AI, sait comment l’utiliser, mais à part perdre son temps, il ne sait pas comment gagner de l’argent avec elle. En retour, c’est la fenêtre d’opportunité pour les personnes ordinaires. Ceux qui savent utiliser les outils n’ont pas encore appris à les commercialiser, et ceux qui savent le faire ne savent pas encore les utiliser. Les personnes qui occupent les deux positions sont très rares maintenant. Les actions de rattrapage doivent être concrètes : cette semaine, choisissez une tâche répétitive et donnez-la à l’agent, la semaine prochaine, créez le processus de revue. L’anxiété est inutile, les échantillons sont utiles.

Conclusion : Comment répondre lorsque votre patron demande si l’AI fonctionne ou non

Shiwen：Voici une conclusion pratique. Si vous êtes responsable technique et que votre patron vous pose la question de Karpathy sur si l’AI fonctionne ou non, comment répondez-vous ?

Yongliang：Répondez en fonction du type de tâche, sans être ni prédicateur ni sceptique. »

Trois points : Premièrement, les tâches complètement régulées peuvent déjà fonctionner, transferts, traductions, modèles, conversion de format, cette partie devrait être mise en œuvre maintenant, sinon c’est une perte de temps. Deuxièmement, pour les tâches qui nécessitent une intervention humaine, l’agent est un brouillon et non un fournisseur de résultats ; il permet d’économiser du temps pour les premiers brouillons, mais les coûts de vérification et de signature doivent être prévus, et cela ne permet pas non plus d’économiser du personnel. Troisièmement, « une phrase de référence qui achève un projet en quelques semaines » est une démonstration et non la norme ; ceux qui utilisent cette démonstration comme promesse vous creusent un fossé. En réponse, ajoutez : le fossé s’élargit effectivement, mais ce n’est pas le fait que l’AI fonctionne ou non qui s’élargit, c’est la différence entre ceux qui savent l’utiliser et ceux qui ne le savent pas. Notre objectif est de faire en sorte que les personnes qui savent l’utiliser deviennent majoritaires.

En détail : Trois sujets sur lesquels on peut continuer à s’intéresser

1. Le fossé se rétrécirait-il seul. Karpathy dit qu’il s’élargit, mais dans l’histoire, chaque révolution des outils a finalement permis de fermer le fossé grâce aux outils qui rendent les gens plus compétents. Combien de temps la séparation entre les produits de chat et les terminaux pourra-t-elle durer ? C’est un sujet à suivre.
2. La vérification de l’ingénierie deviendra-t-elle un nouveau poste. Après l’explosion de la production, les compétences de vérification sont rares. La « vérification des résultats de l’AI » deviendra-t-elle aussi professionnelle que les ingénieurs de test dans le passé, et sera-t-elle la première perception dans les entreprises ?
3. La division au sein des 0,2 %. Les utilisateurs avancés ne sont pas convaincus par « une phrase de référence qui achève un projet ». Cela montre que la gamme est beaucoup plus complexe qu’il n’y paraît. La prochaine phase de consensus pourrait se former d’abord au sein des utilisateurs avancés, avant de se diffuser vers l’extérieur.

Sources d’information

• Tweet de Karpathy : Publié le 2026-10-11, vérification de l’original par l’interface oEmbed ; les chiffres hiérarchisés, la partie visible du tweet et les citations des commentateurs dans la section HN sont cohérentes, les parties non vérifiées ont été déclarées comme non déduites.
• HN story 50047422 : Publié le 2026-10-11 à 20:20, plus de 260 votes de soutien, 425 commentaires (snapshot du 2026-10-12), le pool de commentaires a été collecté via l’API d’Algolia, le texte intégral a été transcrit sans mentionner les noms de personnes.
• Les opinions des invités sont basées sur leur expérience personnelle et leurs jugements, et non sur des conclusions statistiques. Le texte a été marqué au fur et à mesure.