Logiciel libre : la révolte contre l'IA

• •Une étude portant sur 120 projets open source révèle que 37 d'entre eux ont adopté une interdiction totale des contributions assistées par LLM.
• •La distribution Debian est en cours de vote interne sur un éventuel ban complet de l'IA pour le code, la documentation et les rapports de bogues.
• •Greg Kroah-Hartman, mainteneur du noyau Linux, affirme qu'au moins un tiers des résultats générés par les meilleurs LLM actuels sont faux ou nuisibles.

Dans les couloirs du développement logiciel libre, une résistance s'organise. Une étude portant sur les politiques d'utilisation de l'intelligence artificielle au sein de cent vingt projets open source révèle que trente-sept d'entre eux ont adopté une interdiction totale des outils fondés sur des grands modèles de langage (LLM). Cette donnée, issue d'une recension menée par le développeur Rakshit Yadav, illustre une fracture croissante entre le récit dominant de la révolution par l'IA et la réalité vécue par ceux qui maintiennent les infrastructures logicielles sur lesquelles cette même IA repose.

Un écosystème divisé entre tolérance encadrée et rejet franc

Les positions adoptées varient sensiblement selon les projets. Le noyau Linux autorise les contributions assistées par LLM, mais impose que le modèle utilisé soit mentionné explicitement, dans un souci de transparence. D'autres projets de premier plan — GCC, QEMU, SDL, Gentoo, Zig et Ghostty — ont quant à eux choisi de rejeter l'ensemble des contributions générées avec l'aide d'un LLM. Les plateformes de développement Codeberg et Sourcehut, ainsi que la boutique d'applications Flathub, sont allées plus loin encore, en prohibant le recours à l'IA pour produire du code, de la documentation, des rapports de bogues ou des commentaires de révision — en somme, tout contenu destiné à être lu par un être humain.

Là où les projets tolèrent encore l'IA, la règle commune exige qu'un humain reste dans la boucle et ait effectivement relu l'intégralité de ce que le modèle a produit avant qu'un autre développeur y soit exposé. Cette exigence vise à contenir ce que certains nomment déjà l'" IA-slop " — un flot de contributions d'apparence soignée mais de qualité médiocre.

Debian au cœur d'un vote historique

La distribution Linux Debian, socle de nombreux serveurs de centres de données dédiés à l'IA elle-même, est actuellement le théâtre d'un vote interne entre ses développeurs sur la question de l'autorisation ou de l'interdiction de l'IA dans leurs contributions. L'un des choix soumis au scrutin prévoit une interdiction totale couvrant le code, la documentation, les traductions et les rapports de bogues. La démarche peut surprendre en première lecture : pourquoi des techniciens chevronnés refuseraient-ils l'outil que l'industrie présente comme le plus puissant jamais conçu ? L'issue du vote n'est pas encore connue.

L'asymétrie d'information au cœur du problème

Plusieurs explications techniques et humaines sont avancées pour comprendre cette méfiance. La première tient à ce que les économistes appellent l'asymétrie d'information : moins on maîtrise un domaine, plus il est aisé de se laisser tromper par une réponse d'apparence convaincante. Dans le développement logiciel, les mainteneurs expérimentés se disent submergés de demandes de révision portant sur du code qui semble fonctionnel mais recèle des failles que seul un regard expert peut déceler. Cette dynamique découragerait par ailleurs la transmission des savoirs : certains développeurs seniors affirment avoir cessé de former les juniors, qu'ils perçoivent comme peu enclins à apprendre dès lors qu'un LLM peut répondre à leur place.

La deuxième explication touche à la psychologie. Le cerveau humain est naturellement enclin à l'anthropomorphisme : face à une machine qui rédige avec aisance et répond à la voix, il tend spontanément à lui prêter une intelligence et des intentions. Cette illusion est jugée dangereuse par de nombreux praticiens, qui recommandent d'expérimenter les LLM en local, hors de toute interface optimisée pour l'engagement, afin de percevoir leur mécanique statistique brute.

Des benchmarks flatteurs, des erreurs persistantes

Les indicateurs de performance des modèles progressent indéniablement, mais leur lecture appelle à la nuance. Sur le banc d'essai Humanity's Last Exam, les meilleurs modèles actuels plafonnent à environ cinquante pour cent de réussite. Sur SWE-bench, référence spécialisée dans la résolution de problèmes logiciels, le meilleur modèle disponible résout un peu moins de soixante-dix-sept pour cent des cas — ce qui implique un taux d'échec significatif pour toute tâche d'ingénierie exigeant l'exactitude. Greg Kroah-Hartman, figure reconnue de la communauté du noyau Linux, a récemment écrit sur la liste de diffusion des développeurs que " même avec les meilleurs outils actuels et de prochaine génération, au moins un tiers des résultats qu'ils génèrent sont franchement faux ou nuisibles ".

Cette réalité contraste avec la promesse d'une productivité démultipliée que les marchés financiers ont massivement intégrée dans les valorisations des entreprises d'IA. La question de la productivité réelle liée à l'IA dans les équipes de développement reste, dans ce contexte, profondément débattue.

Un outil, pas une révolution absolue

La position qui émerge parmi les experts critiques n'est pas un rejet absolu de la technologie. Les LLM sont qualifiés d'outils utiles dans certaines conditions — notamment lorsque l'utilisateur dispose de l'expertise suffisante pour évaluer lui-même la pertinence de la réponse obtenue. Ce qui est contesté, en revanche, c'est la thèse selon laquelle ces systèmes surpasseraient ou remplaceraient prochainement les ingénieurs humains dans les tâches complexes. L'enjeu dépasse le seul logiciel libre : à mesure que les politiques d'encadrement de l'IA se précisent dans les projets open source, les premières décisions de sanction en cas d'infraction permettront de mesurer à quel point la communauté est prête à défendre ces règles face à la pression croissante de l'adoption.

More in Intelligence Artificielle

→

Intelligence Artificielle La culture d'équipe prime sur l'IA Intelligence Artificielle GLM-5.3 open-weight, cyber et coding Intelligence Artificielle OCaml : l'exploit avant le correctif Intelligence Artificielle Racter, l'ancêtre de l'IA générative Intelligence Artificielle Agents IA : découvertes mathématiques Intelligence Artificielle Conduct AI : garde-fous open source

← Home