Conseils de carrière pour les jeunes à l’ère de l’IA : ce qui compte encore lorsque des agents peuvent coder

Introduction

À l’ère de l’IA, les jeunes sont confrontés à une question de carrière différente de celle des générations précédentes : si les modèles peuvent résoudre de nombreuses tâches bien définies, quels types de travail auront encore de la valeur ?

Cet article s’appuie sur une publication partagée par Phil Chen, ancien chercheur chez OpenAI, DeepMind et Scale AI. Son idée est simple : les modèles d’IA deviennent extrêmement performants pour les tâches qui peuvent être clairement spécifiées, évaluées et optimisées. Une grande partie de la formation scolaire ressemble précisément à cela — un problème défini, une réponse connue et une règle de notation.

Ainsi, au cours de la prochaine décennie, le travail le plus précieux ne sera peut-être pas celui qui ressemble le plus à des devoirs scolaires. Ce sera souvent le travail qu’il est difficile d’évaluer dans une boucle d’entraînement de modèle : choisir le bon problème, construire des relations, développer son jugement, aller jusqu’au bout de l’exécution et apprendre à transformer des opportunités en résultats concrets.

Vous trouverez ci-dessous la version anglaise réécrite, qui conserve la structure et les idées principales de l’original tout en rendant le style plus fluide pour une publication sur un blog.

Note sur la source

• Source originale : article de BAAI Hub, qui indique que le contenu provenait à l’origine de WeChat.
• L’article a été mis en forme par 夏千斯.
• La page originale comprend une bannière décorative « follow academic headlines » ainsi que des images finales liées à la plateforme et à la promotion. Elles n’ont pas été incluses car elles ne sont pas nécessaires à la compréhension de l’article.
• Un dernier lien d’image sur la page source n’a pas pu être chargé lors de la vérification et semble se trouver en dehors du corps principal de l’article ; il n’a donc pas été inséré.
• Aucun bloc de code ni tableau technique n’était présent dans l’article source.

Article principal

Les modèles d’IA ne cessent de progresser sur tout ce qui peut être exprimé sous forme de fonction de perte. Beaucoup de devoirs scolaires reposent sur une logique similaire : le problème est bien défini, la réponse est connue et le résultat peut être noté.

C’est pourquoi, au cours de la prochaine décennie, le travail le plus précieux sera probablement celui qui ne peut pas être facilement évalué dans un cycle d’entraînement de modèle.

Au cours des six dernières années, Phil Chen a travaillé avec des personnes évoluant à des stades très différents de développement d’entreprise : sa propre startup, Helm AI, Scale AI, OpenAI et Google. Ces environnements allaient de petites équipes à de grandes organisations de plus de 100 000 employés.

En tant que fondateur d’une entreprise conçue nativement autour des agents, il a beaucoup réfléchi au type de profils dont une entreprise a besoin aujourd’hui et au type de talents dont elle aura besoin demain. Une entreprise construite autour des agents ne recrute pas exactement de la même manière qu’une entreprise où l’essentiel de la production dépend encore d’humains qui écrivent tout manuellement.

Pour les personnes ambitieuses en début de carrière, cela change les conseils pratiques. Certaines idées classiques restent valables. La vieille formule des startups, « when you join a rocket ship, do

Ne vous inquiétez pas trop du siège exact » contient encore une part de vérité. Mais avec l’essor du codage agentique, les détails ont changé.

1. Concentrez-vous sur les ressources qui sont vraiment rares

Avant de rejoindre Scale, Phil avait reçu une offre plus avantageuse en liquidités pour un poste dans le trading quantitatif. Il a choisi Scale à la place parce qu’il était plus enthousiasmé par les personnes qui y travaillaient, la communauté autour de l’entreprise et la possibilité de découvrir de nombreux produits différents ainsi que des applications réelles de l’IA.

Ce choix a porté ses fruits d’une manière qui n’était pas évidente à l’époque. Grâce à Scale, il a été exposé à des fournisseurs d’inférence pour les LLM, ce qui l’a ensuite aidé à se diriger vers DeepMind et OpenAI. Il a aussi rencontré des collègues ambitieux qui ont ensuite fait partie d’un réseau plus large de fondateurs issus de Scale.

Avec le recul, les relations et les opportunités d’apprentissage avaient plus de valeur que le supplément de salaire ne l’aurait eue.

Le capital est plus accessible que jamais. Mais le temps passé avec des personnes excellentes reste rare. Les relations solides, la confiance et la réputation le sont aussi.

L’excellence passée dans un travail pertinent reste l’un des signaux les plus forts. Le conseil pratique est simple : faites du bon travail et assurez-vous que d’autres personnes excellentes et dignes de confiance puissent le voir.

Soyez très délibéré dans la manière dont vous allouez votre temps. Les projets scolaires, les projets personnels, les stages et les premiers emplois ne devraient pas seulement être cochés comme des lignes sur un CV. Ils devraient être orientés vers des problèmes qui comptent pour vous.

Avec le vibe coding et la création assistée par l’IA, il est plus facile que jamais de livrer de petits projets et de courir après des opportunités à court terme. Certaines de ces opportunités peuvent rapporter de l’argent rapidement. Mais si l’objectif est de créer une valeur durable, il vaut généralement mieux consacrer son temps à des domaines où l’apprentissage, les relations et la réputation se cumulent.

Le temps, les relations et la réputation sont les ressources véritablement rares. Traitez-les comme telles.

1. Apprenez à trouver des problèmes, pas seulement à les résoudre

Une entreprise qui travaille nativement avec des agents doit repenser ce que signifie réellement la compétence en ingénierie.

Lorsque le code n’est plus principalement écrit ligne par ligne à la main, les signaux traditionnels deviennent moins pertinents. Les énigmes de type LeetCode et même de nombreuses questions standard de conception de systèmes ne montrent pas toujours comment quelqu’un se comportera dans l’environnement réel.

La question la plus importante devient alors : cette personne peut-elle comprendre rapidement l’environnement, identifier ce qui mérite réellement d’être corrigé et résoudre le problème sous de vraies contraintes ?

À l’avenir, les compétences les plus importantes seront liées au choix des problèmes et à l’allocation des ressources.

Les agents sont déjà performants pour traiter des problèmes complexes clairement définis. Les personnes qui auront le plus d’impact seront celles qui sauront identifier les problèmes importants, puis allouer du temps, de l’attention, des tokens, de la puissance de calcul et des personnes à leur résolution.

De nombreux étudiants se sentent découragés lorsqu’un agent peut résoudre leurs devoirs. Mais les bons candidats se distinguent encore fortement par l’efficacité avec laquelle ils parviennent à une bonne solution. Les meilleurs apportent généralement une intuition de haut niveau, des connaissances du domaine et du contexte dans leur collaboration avec l’agent.

En pratique, les candidats les plus révélateurs sont souvent profondément immergés dans de véritables environnements de résolution de problèmes. Parfois, cela vient de projets personnels sérieux. Parfois, cela vient d’entreprises à forte croissance où il y a

il existe des problèmes bien plus importants que le nombre de personnes disponibles pour les résoudre.

1. Choisissez les problèmes qui valent le plus la peine d’être traités

L’un des modèles mentaux les plus utiles en recherche en IA est « The Bitter Lesson ». L’idée centrale est qu’à long terme, les méthodes générales qui passent à l’échelle avec la puissance de calcul ont tendance à l’emporter sur les approches conçues à la main et spécifiques à une tâche.

Cette leçon s’applique aussi aux carrières et au choix d’une entreprise.

Les résultats des entreprises comme ceux des carrières ont toujours suivi des lois de puissance. L’IA accélère encore ce phénomène, parce qu’il est devenu beaucoup plus facile de créer des logiciels. Beaucoup de personnes peuvent désormais construire rapidement des systèmes simples. Cela signifie que la valeur durable viendra moins du simple fait de construire quelque chose que d’une concentration intense sur des problèmes véritablement ambitieux.

Quand vous choisissez une entreprise, la question n’est pas seulement de savoir si elle semble enthousiasmante aujourd’hui. Demandez-vous si elle travaille sur un problème assez important pour compter, et si elle a une véritable voie pour le résoudre.

Quand vous choisissez un poste, demandez-vous si ce poste vous place au plus près de la frontière du problème que l’entreprise essaie de résoudre.

Un bon poste doit vous donner de la proximité avec les décisions importantes, les arbitrages et les contraintes. C’est là que l’apprentissage produit des effets cumulés.

1. Franchissez rapidement la dernière ligne droite

Pour les startups, Alfred Lin a écrit au sujet des 10 % finaux : les 10 % restants peuvent représenter 90 % du travail, mais aussi 90 % de la récompense.

L’IA rend la qualité des résultats plus polarisée. Le travail moyen devient plus facile à produire, parce qu’un agent associé à une instruction approximative peut déjà générer quelque chose d’utilisable. Cela signifie que la véritable différenciation vient d’un goût singulier, d’une compréhension profonde d’un problème et d’une attention sérieuse aux détails.

C’est dans la dernière ligne droite que cette différence apparaît.

Régler correctement les derniers détails demande de la pratique. Rien n’est parfait du premier coup, donc la dernière étape implique généralement de l’itération : peaufiner, tester, reconstruire, simplifier et améliorer.

Comme les agents de codage progressent rapidement, la meilleure voie n’est pas toujours de corriger indéfiniment la même version. Il vaut parfois mieux tirer les leçons d’une itération, puis repartir de zéro avec un modèle plus récent ou une architecture plus propre.

Vous pouvez vous exercer à cela à travers vos propres projets. Consacrez plus de temps à améliorer l’architecture. Réfléchissez à la scalabilité. Ajoutez de la créativité au lieu de vous arrêter à « ça fonctionne ». Les petits projets deviennent bien plus précieux lorsqu’ils montrent du discernement et un réel aboutissement, et pas seulement de la rapidité.

1. Améliorez à la fois le xG et l’efficacité de conversion

Dans le football, le xG signifie « expected goals ». Il estime combien de buts une équipe devrait marquer en fonction de la qualité de ses occasions, à partir de facteurs comme la distance, l’angle et la position du gardien.

C’est une analogie utile pour une carrière.

Certains choix de carrière augmentent votre xG : ils vous placent dans une position où de grandes opportunités ont plus de chances d’apparaître. Mais la qualité des opportunités n’est que la moitié de l’équation. Vous avez aussi besoin d’une bonne efficacité de conversion — la capacité à transformer ces opportunités en résultats concrets.

Phil a expliqué qu’en 2023, il avait refusé des offres d’Anthropic et de Cursor, choisissant à la place de travailler sur l’inférence et l’entraînement de modèles de pointe chez DeepMind. En 2024, il a de nouveau laissé passer ces deux opportunités et a choisi OpenAI parce que cela correspondait mieux à ses intérêts, à sa culture, et

les objectifs à ce moment-là.

Du point de vue de la carrière, ces opportunités alternatives avaient un xG élevé. Mais le meilleur choix dépend de votre orientation personnelle, de l’équipe, du marché et de ce que vous cherchez à apprendre.

Une carrière est longue. Les opportunités vont et viennent. L’objectif n’est pas de dire oui à tout ce qui a l’air impressionnant. L’objectif est de se placer là où des opportunités importantes peuvent vous atteindre — puis de prendre de meilleures décisions lorsqu’elles se présentent.

La réputation et l’expertise comptent toujours. Certaines opportunités se présentent parce que les gens font déjà confiance à votre travail. D’autres arrivent parce que vous avez consacré un vrai temps à des problèmes qui intéressent certaines équipes.

À un certain stade, la vie ne consiste pas seulement à voir les opportunités. Il s’agit de les concrétiser. Cela signifie recueillir suffisamment d’informations, poser de meilleures questions et prendre des décisions avec davantage de contexte.

Pour les entreprises en phase de démarrage, les facteurs les plus importants sont généralement l’équipe et le marché. Beaucoup de candidats se focalisent trop sur le produit actuel. Mais si l’équipe est exceptionnelle, le produit évoluera souvent avec le temps vers quelque chose de bien meilleur.

1. Vous pouvez commencer à faire de la recherche dès maintenant

Beaucoup de gens demandent comment entrer dans la recherche en IA. Un bon point de départ consiste à ne pas attendre une permission.

Vous n’avez pas toujours besoin d’une puissance de calcul à l’échelle des laboratoires de pointe pour commencer. Un point de départ solide consiste à utiliser des modèles existants et à transformer vos propres intuitions en évaluations. Si vous pensez qu’un modèle échoue dans un certain type de raisonnement, de flux de travail ou de tâche, concevez une évaluation simple qui le capture.

Les classements publics d’optimisation et les communautés de recherche ouvertes peuvent aussi rendre l’exploration plus structurée. Ils offrent un moyen de tester des idées, de comparer des approches et d’apprendre de l’échec.

La puissance de calcul aide, bien sûr. Mais la recherche commence avant le calcul massif. Elle commence par la curiosité, des expériences soigneuses et l’habitude de se demander pourquoi quelque chose fonctionne ou échoue.

Beaucoup d’idées échoueront lorsqu’on les passera à l’échelle. C’est normal. Comprendre pourquoi elles échouent est la manière dont on développe une intuition de ce qui fonctionne réellement.

Au final, être chercheur ne se résume pas à un intitulé de poste. C’est un état d’esprit.

Au sein des laboratoires de pointe, la recherche combine souvent plusieurs éléments :

1. Une curiosité suffisamment forte pour explorer de nouvelles idées.
2. La volonté de se battre avec l’infrastructure jusqu’à ce que l’idée fonctionne réellement.
3. Une compréhension détaillée du système afin que les problèmes puissent être débogués efficacement.
4. Une communication claire sur l’importance du résultat, afin que l’équipe puisse justifier davantage de calcul et d’attention.

Vous pouvez pratiquer ces choses même si vous n’êtes pas dans un laboratoire de pointe.

Le monde offre encore de nombreuses opportunités ouvertes. La clé consiste à chercher des problèmes intéressants, puis à produire un travail clairement supérieur au niveau par défaut.

FAQ

Quel est le principal conseil de carrière pour les jeunes à l’ère de l’IA ?

Le conseil central est de se concentrer sur un travail qu’il est difficile pour les systèmes d’IA d’évaluer ou d’automatiser directement. Cela inclut le fait de choisir des problèmes importants, de bâtir des relations de confiance, de développer son jugement et de bien exécuter les derniers détails.

Pourquoi l’identification des problèmes devient-elle plus importante à mesure que les agents d’IA s’améliorent ?

Les agents d’IA deviennent très performants pour résoudre des tâches clairement définies. Cela rend plus précieuse la capacité à identifier le bon problème. Les meilleures personnes sauront ce qui mérite d’être fait.

de l’attention avant de demander à un agent de le résoudre.

Le codage est-il encore utile si le codage agentique continue de s’améliorer ?

Oui, mais la valeur se déplace. Au lieu de se contenter d’écrire du code manuellement, les créateurs doivent comprendre les systèmes, guider les agents, déboguer les résultats, concevoir de meilleures architectures et décider de ce qui doit être construit en premier lieu.

Que signifie « ressources rares » dans ce contexte de carrière ?

Les ressources rares comprennent le temps, les relations, la réputation et l’accès à des personnes d’exception. L’argent et les outils de base peuvent devenir plus faciles d’accès, mais les réseaux de confiance et l’excellence démontrée continuent de produire des effets cumulatifs au fil du temps.

Qu’est-ce que le « dernier kilomètre » dans le travail à l’ère de l’IA ?

Le dernier kilomètre est la phase finale où un résultat moyen devient un excellent résultat. Il comprend les tests, la finition, la simplification, l’amélioration de l’architecture et l’ajout du discernement qui manque généralement à un résultat brut généré par l’IA.

Les étudiants peuvent-ils commencer à faire de la recherche en IA sans rejoindre un laboratoire de pointe ?

Oui. Les étudiants peuvent commencer par utiliser des modèles existants, construire de petites évaluations, tester des hypothèses et participer à des benchmarks ouverts ou à des classements. La recherche commence avec la curiosité et des expériences rigoureuses, pas seulement avec un intitulé de poste ou une grande capacité de calcul.

Comment choisir une entreprise d’IA en phase de démarrage ?

Examinez l’équipe, le marché et l’ambition du problème. Le produit actuel compte, mais les équipes solides changent souvent de produit et l’améliorent avec le temps. Un bon poste doit aussi vous placer au plus près du problème le plus important de l’entreprise.

Outils associés

• OpenAI : Une entreprise de recherche et de produits en IA travaillant sur des modèles de pointe et des systèmes d’IA.
• Google DeepMind : L’organisation de recherche en IA de Google, axée sur l’intelligence artificielle avancée.
• Scale AI : Une entreprise d’infrastructure de données et d’IA liée à de nombreux flux de travail de produits et de modèles d’IA.
• Anthropic : Une entreprise de recherche et de sécurité en IA surtout connue pour Claude.
• Cursor : Un éditeur de code alimenté par l’IA souvent mentionné dans le contexte du codage agentique.
• Modal : Une plateforme de calcul serverless pour exécuter des charges de travail d’IA, de données et sur GPU.
• GitHub : Une plateforme permettant de publier du code, des implémentations de recherche et des benchmarks open source.

Liens associés

• Article original de BAAI Hub : La page source en chinois utilisée pour cet article réécrit.
• Article X de Phil Chen : Career Advice in the Age of AI : L’article original sur X mentionné par la publication de BAAI.
• The Bitter Lesson : L’essai influent de Richard Sutton sur le passage à l’échelle des méthodes générales en IA.
• Alfred Lin : The Last 10% : Une publication expliquant pourquoi la dernière phase de l’exécution peut générer l’essentiel de la récompense.
• Vlad Feinberg : How to Land a Frontier Lab Job : Des conseils de carrière pour les personnes visant les laboratoires d’IA de pointe.
• KellerJordan/modded-nanogpt : Une optimisation publique et

Dépôt du speedrun NanoGPT pertinent pour une pratique concrète de la recherche en IA.

• Site officiel de Modal : Une plateforme de calcul mentionnée dans le contexte visant à faciliter l’exécution des expériences d’IA.

Résumé

Cet article explique pourquoi, à l’ère de l’IA, l’évolution de carrière consiste moins à simplement résoudre les problèmes assignés qu’à identifier les problèmes importants, choisir des environnements ambitieux et construire le type de réputation qui ouvre des opportunités de grande qualité.

Il souligne également que le codage agentique modifie la valeur du travail technique. Il devient plus facile de produire un résultat moyen, de sorte que le jugement, le sens du goût, la compréhension des systèmes et l’exécution jusqu’au dernier kilomètre prennent davantage d’importance.

Pour les jeunes qui entrent dans l’IA, la voie pratique est claire : passer du temps avec des personnes excellentes, travailler sur des problèmes porteurs de sens, pratiquer une exécution approfondie et commencer à faire de la recherche à travers de petites expériences et des évaluations.

À l’ère de l’IA, l’avantage revient à ceux qui savent choisir les bons problèmes et produire un travail qui dépasse le niveau par défaut.