Il y a vingt ans, j'ai construit ma première base de données Access pour suivre des contrats de travail d'un hôtel saisonnier. Pas parce que j'aimais les bases de données. Parce que j'avais un problème à résoudre et que personne d'autre n'allait le résoudre à ma place. J'ai appris à décrire ce que je voulais à une machine, dans sa langue à elle : des tables, des relations, des requêtes.
La langue a changé. Le geste, non.
Le pont existait déjà
Quand les gens me demandent depuis combien de temps je travaille avec l'IA, je réponds vingt ans. Ça les surprend. Ils pensent à ChatGPT, à Claude, à tout ce qui est apparu depuis 2022. Moi je pense à cette base Access qui plantait quand on éternuait à côté, aux macros Excel que je bricolais le dimanche soir, aux automatisations Zapier que je construisais en tâtonnant.
Dans tous ces cas, je faisais la même chose : décrire à une machine ce que je voulais obtenir, avec assez de précision pour qu'elle le fasse. Pas coder au sens noble du terme. Décrire. Spécifier. Itérer quand le résultat n'était pas celui que j'avais en tête.
Le pont entre le monde non-tech et le monde tech, je l'ai toujours traversé par ce bout-là. Pas par la syntaxe. Par la clarté de ce que je voulais.
Ce qui a changé depuis deux ans, c'est que la machine est devenue beaucoup plus douée pour faire la traduction à ma place.
Ce que 2025 a vraiment changé
Pendant longtemps, décrire ce qu'on voulait à une machine demandait de parler sa langue. Pour interroger une base de données, il fallait écrire du SQL. Pour automatiser un calcul, il fallait connaître la syntaxe des formules. Pour connecter deux outils entre eux, il fallait comprendre ce qu'est une API, comment elle fonctionne, ce qu'elle attend.
Pas besoin d'être développeuse. Mais besoin de maîtriser un dialecte.
Ce que 2025 a changé, ce n'est pas que les machines sont devenues intelligentes. C'est qu'elles font maintenant l'effort de traduction. Tu décris en français ce que tu veux. La machine comprend, traduit, exécute. Si le résultat n'est pas ce que tu voulais, tu précises. Elle corrige.
C'est un glissement, pas une révolution. Mais ce glissement change tout pour les praticiens métier qui n'ont jamais voulu apprendre.
J'ai passé quinze ans en direction d'entreprise à construire des outils internes parce que j'avais des problèmes réels et pas de développeur disponible. J'ai appris des bouts de langages machines par nécessité, jamais par passion. Ce que je maîtrisais vraiment, c'était la capacité à décrire précisément un problème métier. Ce que je voulais, pourquoi je le voulais, dans quel contexte, avec quelles contraintes.
C'est exactement ce dont les IA actuelles ont besoin pour être utiles.
Le spectre des outils, du plus doux au plus puissant
Claude, Chat GPT : la conversation
Claude, Chat GPT, c'est l'entrée la plus naturelle. Tu lui parles comme tu parlerais à quelqu'un de très compétent qui n'a aucun contexte sur toi ni sur ton travail. Tu décris ce que tu veux faire, il répond, tu précises, il affine.
J'utilise Claude tous les jours, pour des choses très différentes : structurer un argument, analyser un document, rédiger un premier jet, réfléchir à voix haute sur un problème de product. Ce qui m'a frappée en commençant à l'utiliser sérieusement, c'est que la qualité de ce que j'obtenais dépendait presque entièrement de la qualité de ce que je lui donnais. Pas de ma maîtrise technique. De ma précision.
Une demande floue donne une réponse générique. Une demande précise, avec le contexte, les contraintes, l'objectif réel, donne quelque chose d'utilisable.
C'est la compétence de base. Elle s'apprend.
Lovable : l'interface qui pousse des boutons à ta place
Lovable, c'est un cran plus loin. Tu décris une application que tu veux construire, et Lovable la construit visuellement. Pas juste un prototype sur papier : une vraie interface, avec des pages, des boutons, des formulaires, qui tourne dans un navigateur.
J'ai construit les premières versions de Pimpela avec Lovable. Pimpela, c'est une app qui transforme une photo de ta pièce selon ton style déco et ton niveau bricolo, avec un plan d'action pour te lancer orienté DIY et seconde main. Le concept était clair dans ma tête depuis quelques semaines. Ce qui me manquait, c'était la capacité à en faire quelque chose de tangible rapidement, sans attendre d'avoir un développeur ou d'apprendre React.
Avec Lovable, j'ai décrit ce que je voulais. L'interface s'est construite. J'ai itéré, précisé, corrigé. En quelques jours, j'avais quelque chose à montrer à de vraies utilisatrices.
Le geste est identique à celui de Claude : décrire, itérer, préciser. La puissance de sortie est différente. On ne produit plus du texte, on produit de l'interface.
Claude Code : la version pro
Claude Code, c'est le même Claude, mais branché directement sur ton environnement de travail. Il ne répond pas dans une fenêtre de chat. Il agit : il lit tes fichiers, il écrit du code, il exécute des commandes, il teste, il corrige.
Quand j'ai commencé à l'utiliser, j'avais une légère appréhension. Le terminal, les commandes, tout ça avait toujours été le territoire des développeurs. Pas le mien.
Et puis j'ai réalisé que je faisais exactement la même chose qu'avec Claude dans le chat : je décrivais ce que je voulais. "Je veux que cet outil récupère les données de ce fichier, les nettoie, et les formate dans ce format-là." Claude Code comprend, écrit le code nécessaire, l'exécute, me montre le résultat. Si ce n'est pas ce que je voulais, je précise.
La différence avec les deux autres outils, c'est la puissance d'action. Claude Code peut construire des outils complets, pas juste des interfaces ou des réponses textuelles. Des vraies choses qui tournent, qui se connectent à d'autres systèmes, qui font du travail réel.
Pas intimidant. Désirable.
La même compétence, trois fois plus loin
En mars dernier, j'avais un problème concret : un fichier d'export de données avec des centaines de lignes mal formatées, des doublons, des champs vides à des endroits aléatoires. Le genre de fichier qu'on nettoie à la main en jurant ou qu'on envoie à un prestataire en espérant que ça revient propre.
J'ai décrit le problème à Claude Code. Pas en termes techniques. En termes métier : voilà ce que j'ai, voilà ce que je veux obtenir, voilà les règles de nettoyage. Il a écrit un script, l'a exécuté, m'a montré le résultat. Il y avait un cas que je n'avais pas anticipé. Je l'ai décrit. Il a corrigé. Vingt minutes plus tard, le fichier était propre.
Je n'ai pas écrit une ligne de code. J'ai décrit un problème métier avec précision.
C'est exactement ce que j'aurais fait avec un développeur compétent, sauf que le développeur compétent n'était pas disponible à 22h un mardi soir. Et que je n'aurais pas osé le déranger pour ça de toute façon.
Le geste est identique à travers les trois outils. Ce qui change, c'est le terrain d'action. Claude répond dans le chat. Lovable construit une interface. Claude Code touche aux fichiers, exécute du code, construit des outils qui fonctionnent de façon autonome. Même permis de conduire, routes différentes.
Ce qui s'étire, c'est la portée de ce qu'on peut faire avec la même compétence de départ.
Pourquoi les non-tech ont un avantage ici
Ce que j'observe depuis deux ans, c'est un paradoxe que je n'avais pas anticipé : les personnes qui ont le plus de mal avec ces outils ne sont pas toujours les moins techniques. Parfois, c'est l'inverse.
Les développeurs ont des habitudes de pensée très précises sur la façon dont les machines fonctionnent. Ces habitudes sont utiles pour écrire du code. Elles peuvent devenir un frein quand l'IA fait la traduction à leur place, parce qu'ils ont tendance à vouloir contrôler le comment plutôt que de décrire le quoi.
Moi, je n'ai jamais eu cette habitude. Pendant vingt ans, j'ai décrit des problèmes métier à des outils qui n'étaient pas parfaits et j'ai itéré jusqu'à ce que ça marche. Je ne savais pas ce qui se passait sous le capot. Je savais ce que je voulais obtenir.
C'est exactement la posture que demandent Claude, Lovable et Claude Code.
La RH qui sait décrire précisément son process de recrutement a un avantage réel sur quelqu'un qui sait coder mais ne comprend pas le métier. La community manager qui sait exactement ce qu'elle veut comme ton, comme format, comme fréquence, obtiendra de meilleurs résultats que quelqu'un qui connaît l'API mais n'a pas réfléchi à ce qu'il voulait vraiment produire.
Je ne dis pas que la compétence technique est inutile. Je dis que ce n'est plus le goulot d'étranglement. Le goulot d'étranglement, c'est la clarté sur ce qu'on veut.
Ce que ça demande vraiment
Pas de fausse promesse ici.
Décrire précisément, ça s'apprend. Et au début, on est mauvaise. Les premières semaines où j'ai utilisé Claude sérieusement, j'obtenais des résultats décevants et je ne comprenais pas pourquoi. La machine était trop générique, trop prudente, trop loin de ce dont j'avais besoin.
Le problème, c'était moi. Mes descriptions étaient floues. Je donnais l'objectif sans le contexte. Je donnais le contexte sans les contraintes. Je donnais les contraintes sans les exemples de ce que je ne voulais pas.
Apprendre à être précise avec une IA, c'est apprendre à externaliser sa pensée avec rigueur. À sortir de sa tête les hypothèses implicites qu'on ne formule jamais parce qu'on les croit évidentes. Elles ne le sont pas pour une machine.
Il y a aussi la patience de l'itération. La première réponse est rarement la bonne. C'est normal. Ce n'est pas un échec, c'est le process. On précise, on corrige, on affine. Avec Claude Code, ça peut prendre cinq ou six allers-retours avant d'avoir quelque chose qui fait exactement ce qu'on voulait. Cinq ou six allers-retours, c'est quand même infiniment moins long que d'apprendre Python.
Et puis il y a les moments où la machine part dans la mauvaise direction parce qu'on a été imprécise sur un détail. Elle construit quelque chose de cohérent avec ce qu'on lui a dit, mais pas avec ce qu'on voulait vraiment. Ces moments-là apprennent beaucoup. Ils forcent à identifier l'endroit exact où la description était insuffisante.
C'est ça, la compétence. Pas la maîtrise d'un outil. La capacité à décrire ce qu'on veut avec assez de précision pour qu'une machine puisse l'exécuter, et à reconnaître quand la description était le problème.
Le prochain épisode, c'est Claude Code en pratique.