L’UX Research traverse une période de transformation marquée par des contraintes budgétaires, des équipes réduites et une pression accrue pour aller vite, comme l’a illustré le festival UXinsight 2026. L’événement a mis en lumière les défis éthiques et méthodologiques posés par l’IA et le Business Design, interrogeant l’équilibre entre rapidité, productivité et rigueur scientifique. Les discussions ont souligné l’importance de préserver la vérité terrain tout en s’adaptant aux nouvelles technologies.

Un des temps forts a été la présentation de Nidhi Jalwal et Serena Westra (IKEA), qui ont exploré l’articulation entre UX Research et Business Design. Leur approche repose sur la formulation d’hypothèses structurées (« Nous croyons que… ») et leur évaluation via une matrice croisant importance et preuves, permettant de cibler les risques prioritaires. Cette méthode, ancrée dans la stratégie d’entreprise, vise à réduire l’incertitude en validant rapidement des hypothèses clés, parfois avec des données internes existantes.

Par ailleurs, Colman Walsh (UX Design Institute) a abordé les limites de la compréhension de l’IA par les professionnels, insistant sur la nécessité de maîtriser les prompts pour exploiter efficacement ces outils. L’enjeu réside dans l’adaptation des workflows de recherche aux nouvelles technologies, sans sacrifier la qualité ni l’éthique, tout en intégrant des garde-fous face aux biais algorithmiques.

Retour d’expérience de la conférence Tech Ready 2026, l’article met en avant une idée centrale : l’IA est désormais utilisée en production mais reste un outil que les développeurs doivent piloter et superviser, la responsabilité du code produit ne pouvant être déléguée au modèle. À travers plusieurs conférences marquantes, il aborde notamment les enjeux d’industrialisation des systèmes d’IA, la montée des architectures agentiques et l’importance de l’observabilité, de la gouvernance et de l’évaluation continue pour déployer des solutions fiables à grande échelle.

Une intelligence artificielle a identifié des failles critiques sur un site web que les tests de qualité (QA) n’avaient pas détectées, révélant que des mécanismes de sécurité présents dans le code ne s’exécutaient pas au moment crucial. L’auteur explique que ces bugs, bien que rares, sont particulièrement insidieux car ils donnent l’illusion d’une protection effective sans en offrir les garanties réelles.

Parmi les exemples cités, une faille dans Symfony (CVE-2026-46640) illustre ce phénomène : un attribut de contrôle d’accès protégeait les requêtes GET mais pas les requêtes HEAD, permettant une exécution non autorisée. L’auteur partage également son propre cas, où un système de changement de mot de passe semblait fonctionnel mais ne modifiait pas le hash en base de données, faute d’un test oublié.

L’article souligne que le vrai danger ne réside pas dans l’absence de code sécurisé, mais dans des protections apparentes qui ne s’activent jamais, rendant les audits humains insuffisants face à des outils comme Fable 5, capables de détecter ces anomalies par analyse statique approfondie.

L’article explore la dépendance croissante à l’IA générative dans le travail quotidien, devenue si intégrée qu’elle passe inaperçue. L’auteur illustre cette dépendance par un scénario fictif où l’accès à deux modèles d’IA est suspendu du jour au lendemain par une décision politique, révélant brutalement la fragilité des processus de travail. Cette interruption met en lumière un point de défaillance unique : des outils autrefois indispensables disparaissent sans possibilité de recours immédiat, forçant les équipes à réévaluer leur résilience.

L’auteur souligne que cette dépendance n’est pas seulement technique, mais cognitive. L’IA a transformé la manière de résoudre des problèmes, réduisant le temps et le stress associés aux tâches complexes. Pourtant, cette efficacité masque une vulnérabilité : lorsque l’accès est coupé, ce n’est pas seulement un outil qui manque, mais une partie de la productivité et de la qualité qui s’effondre. La dépendance devient visible uniquement quand elle est rompue.

Enfin, l’article aborde les enjeux de gouvernance et de sécurité derrière cette dépendance, comme le débat sur les garde-fous des modèles d’IA ou les décisions arbitraires des États. Cependant, le cœur du problème reste pratique : comment concevoir des systèmes de travail qui ne reposent pas sur un seul outil ou une seule source d’accès ? La résilience passe par une diversification des méthodes et une prise de conscience que l’IA, bien qu’utile, ne doit pas devenir un monopole invisible.

L’article Why AI hasn’t replaced software engineers, and won’t (Normal Tech, juin 2026) réfute l’idée que l’IA pourrait massivement remplacer les ingénieurs logiciels, même dans un secteur où son adoption est rapide. Les auteurs s’appuient sur des données et des analyses pour montrer que l’IA, bien qu’efficace pour automatiser certaines tâches (comme la génération de code), ne peut remplacer les couches décisionnelles et de livraison, essentielles en ingénierie logicielle. Ainsi, la demande globale pour ces professionnels devrait rester stable, malgré des ajustements possibles dans certains rôles.

L’analyse critique trois cas médiatisés de licenciements attribués à l’IA (Block, Snap, Intuit), révélant des causes bien différentes : pression financière, exigences d’investisseurs ou restructuration interne. Ces exemples illustrent comment les déclarations des dirigeants, souvent influencées par des prototypes rapides mais ignorant les défis réels de déploiement, peuvent alimenter des récits trompeurs sur l’impact de l’IA.

Enfin, l’article annonce une série d’analyses, dont la prochaine explorera les raisons pour lesquelles certains ingénieurs pourraient malgré tout rencontrer des difficultés professionnelles, même si la demande globale persiste. La conclusion reste prudente, soulignant que l’IA transforme le métier sans pour autant le rendre obsolète.

L’article aborde les conséquences du départ d’un développeur "rockstar", souvent charismatique et innovant, dont les choix techniques complexes laissent une codebase incompréhensible et ingérable pour ses successeurs. Ces profils, obsédés par la performance et les nouvelles technologies, privilégient la rapidité et l’originalité au détriment de la lisibilité et de la maintenabilité, rendant le code difficile à maintenir après leur départ.

Avec l’essor de l’IA générative, le phénomène s’amplifie : les outils comme les LLM produisent massivement du code sans se soucier de son intégration ou de sa cohérence globale, complexifiant encore les systèmes existants. Les développeurs se retrouvent submergés par une dette technique exponentielle, où la dépendance à l’IA pour comprendre ou corriger le code devient problématique, risquant d’enfermer les équipes dans un cycle de complexité auto-entretenue.

Goose est un agent IA open source et extensible conçu pour aller au-delà des simples suggestions de code. Il permet d'installer, d'exécuter, d'éditer et de tester avec n'importe quel grand modèle de langage (LLM), offrant ainsi une interaction plus complète et automatisée.

Le projet se distingue par sa capacité à interagir dynamiquement avec des environnements de développement, en intégrant des outils pour manipuler des fichiers, exécuter des commandes et même interagir avec des plateformes comme Databricks. Il prend en charge Docker et propose des instructions détaillées pour la compilation et l'exécution sur différentes plateformes.

Goose est activement maintenu avec une communauté importante, comptant plus de 48 000 étoiles et 5 200 forks sur GitHub. Le projet inclut également des évaluations de performance, des exemples d'utilisation et une documentation complète pour faciliter la contribution et l'adoption.

L’idée principale de l’article est de proposer une méthode de travail avec deux agents IA pour améliorer la programmation assistée par IA. L’un écrit le code dans un espace de travail dédié, tandis que l’autre, en parallèle, le révise systématiquement après chaque cycle de développement (TDD). Ce second agent, qualifié de « porteur de la lampe », maintient la vision globale du projet et évite que le premier agent ne s’éloigne des objectifs initiaux en se perdant dans les détails techniques.

L’auteur souligne que cette approche simple mais efficace permet de corriger deux problèmes majeurs : d’une part, l’agent codeur peut dériver de la mission initiale en accumulant des décisions localement optimales, et d’autre part, le réviseur identifie les erreurs structurelles ou les choix qui compliquent les étapes suivantes. Contrairement aux sous-agents de révision intégrés, ce réviseur dédié conserve une vision cohérente de l’objectif final tout au long du projet.

Enfin, l’article précise que cette méthode s’ajoute aux outils existants (comme les sous-agents de révision ponctuels) sans les remplacer, car ils remplissent des rôles complémentaires : les sous-agents gèrent les problèmes immédiats, tandis que le réviseur dédié préserve la cohérence globale. Cette coordination entre agents représente une évolution naturelle pour les utilisateurs maîtrisant déjà un agent unique.

L’auteur partage son parcours progressif dans l’utilisation de l’intelligence artificielle, depuis les outils grand public jusqu’à des solutions plus techniques et locales. Il décrit cinq niveaux d’apprentissage, commençant par l’usage basique de ChatGPT dans un navigateur, où l’outil a montré ses limites, notamment en générant des réponses incorrectes ou en tournant en rond malgré des demandes précises. Cette première étape, bien que limitée, permet de saisir le potentiel des modèles de langage.

Il aborde ensuite l’installation de modèles locaux via des outils comme Ollama ou Hugging Face, soulignant l’importance de paramètres comme la taille du contexte (limitant les hallucinations) et la température (contrôlant la créativité). Bien que ces solutions offrent une alternative aux services externes, elles restent moins performantes en rapidité et en qualité, mais permettent une meilleure maîtrise des ressources et des coûts. L’auteur mentionne aussi l’achat d’une carte graphique dédiée pour améliorer les performances, un investissement justifié par son intérêt pour l’autonomie technologique.

L’article aborde la notion de « bon code » dans un contexte où l’IA facilite la génération de code, tout en soulignant que sa qualité reste un enjeu majeur. L’auteur s’appuie sur les travaux de Simon Willison pour définir un code efficace : il doit fonctionner correctement, être validé par des tests et des vérifications, et résoudre un problème réel plutôt qu’un besoin technique mal ciblé. La robustesse face aux erreurs, la simplicité, la documentation à jour et l’évolutivité sont également mises en avant.

L’auteur insiste sur l’importance de gérer les cas d’échec avec des messages exploitables et d’éviter la complexité inutile, tout en respectant des critères non fonctionnels comme la sécurité ou la maintenabilité. Ces principes, valables avant l’ère de l’IA, deviennent encore plus cruciaux avec l’automatisation, car ils garantissent la fiabilité et la pérennité des solutions produites.

Ce dépôt GitHub propose Caveman, un plugin pour Claude Code (et autres outils d'IA) qui réduit drastiquement la taille des réponses en adoptant un langage minimaliste, inspiré du "parler caveman". L'idée centrale est de conserver la précision technique tout en diminuant jusqu'à 75 % des tokens utilisés, ce qui optimise les coûts et la rapidité des interactions.

Le projet inclut des exemples concrets comparant les réponses standard et celles compressées, comme une explication sur les re-rendus de composants React passant de 69 à 19 tokens. Il propose également des benchmarks, des guides d'installation et une documentation détaillée pour une intégration facile avec plus de 30 outils compatibles.

Développé sous licence MIT, Caveman s'appuie sur des scripts d'installation automatisés et une structure modulaire pour faciliter son déploiement et ses contributions. Le dépôt met en avant des améliorations continues, comme la consolidation des fichiers de configuration et des correctifs pour les scripts d'installation.

Ce dépôt GitHub, soutenu par les équipes de Google Chrome et Microsoft Edge, propose un guide moderne pour le développement web destiné aux agents d'IA. Il vise à les orienter vers des API modernes, performantes et sécurisées plutôt que des solutions obsolètes, en comblant le fossé entre les connaissances des modèles et les bonnes pratiques actuelles.

L'outil, disponible via une commande CLI (npx modern-web-guidance@latest install), fournit des recommandations ciblées et optimisées pour le contexte des agents, couvrant des disciplines comme l'UX, le CSS, les performances ou l'accessibilité. Il inclut 102 fonctionnalités web modernes et 128 cas d'usage concrets, avec des évaluations pour éviter les contenus redondants.

Le projet, encore en version préliminaire, encourage les contributions et retours via GitHub pour enrichir ses guides, notamment sur l'adoption progressive des fonctionnalités et les stratégies de fallback.

Hallmark est un outil conçu pour améliorer les designs générés par IA en évitant l’aspect artificiel et répétitif. Il propose trois fonctionnalités principales : Build pour créer des pages structurées et variées à partir d’une demande, Study pour analyser et extraire la structure d’un design existant, et Audit pour identifier et corriger les anti-patterns courants comme les dégradés de couleurs ou les polices mal assorties.

L’outil se distingue par son approche anti-slop, refusant les solutions génériques et imposant une diversité structurelle grâce à un système de thèmes et de vérifications automatisées. Il permet aussi de redesigner des pages en conservant leur contenu mais en changeant leur structure, pour éviter les répétitions.

Hallmark cible les développeurs et designers utilisant des agents IA comme Claude Code ou Cursor, en offrant une alternative plus qualitative aux générations standardisées. Son catalogue d’anti-patterns et ses exemples concrets illustrent son ambition de produire des designs plus humains et moins reconnaissables comme générés par IA.

L’article The Intent Debt d’Addy Osmani explore trois types de dettes techniques dans le développement logiciel : technique, cognitive et intentionnelle. La dette intentionnelle, distincte des deux autres, désigne l’absence de documentation claire des objectifs, contraintes et justifications derrière un système, ce qui rend son évolution difficile à comprendre pour les nouveaux membres ou les outils automatisés. Contrairement à la dette technique (liée au code) ou cognitive (liée à la compréhension humaine), la dette intentionnelle ne peut être résolue par des agents IA, car elle repose sur des décisions humaines non formalisées.

L’auteur souligne que ces dettes sont indépendantes : un code propre peut cacher une dette intentionnelle élevée si son contexte n’est pas documenté. Les agents IA peuvent aider à réduire la dette technique ou cognitive (en expliquant du code), mais ils ne peuvent pas restituer une intention non écrite, risquant même d’inventer des justifications plausibles mais erronées. Cette limite devient critique avec l’automatisation croissante, car les équipes ne peuvent plus compter sur la transmission orale des connaissances pour combler ce vide.

Enfin, Osmani met en garde contre l’aggravation de la dette intentionnelle avec l’essor des outils automatisés. Historiquement, les équipes compensaient ce manque par des échanges informels, mais cette approche devient insoutenable à l’ère de l’IA, où la documentation explicite des intentions devient indispensable pour éviter des dérives coûteuses et difficiles à corriger.

Les équipes d'ingénierie en 2026 constatent que les agents IA échouent rarement à cause du modèle lui-même, mais en raison de problèmes d'infrastructure invisibles, comme des appels d'outils malformés, des changements de prompts non suivis ou des latences imprévisibles dans des workflows multi-étapes. Les systèmes traditionnels de monitoring backend, conçus pour des API classiques, ne suffisent pas à détecter ces défaillances, car un serveur sain peut produire des résultats erronés sans alerte.

Parmi les principaux modes de défaillance, les appels d'outils silencieux posent un défi majeur : les agents continuent souvent leur exécution malgré des données corrompues, rendant les erreurs difficiles à identifier avant que les utilisateurs ne les signalent. De même, les dérives de prompts ou de schémas, souvent perçues comme mineures, peuvent entraîner une dégradation progressive de la qualité des sorties, nécessitant une gestion versionnée et traçable des prompts comme une infrastructure critique.

Enfin, les workflows multi-étapes, combinant plusieurs appels de modèles, APIs externes et outils, sont particulièrement vulnérables aux latences explosives, où la source d'un problème devient difficile à isoler. Les équipes se tournent donc vers des solutions d'observabilité spécifiques aux agents IA pour rendre ces systèmes plus fiables et maintenables.

L’article explique comment rendre une application Symfony prête pour l’ère des agents IA, en abordant des améliorations comme la négociation Markdown, les signaux de contenu, l’exposition d’API, la documentation OpenAPI et les bases du SEO. L’idée principale est d’adapter les sites web aux interactions avec les agents IA, tout en soulignant que les bonnes pratiques SEO (sécurité, balises, données structurées, etc.) servent de base commune aux deux objectifs.

L’auteur présente ensuite les content signals, une directive robots.txt proposée pour contrôler l’usage du contenu par les IA (entraînement, indexation, entrée pour les modèles). Par défaut, il recommande d’autoriser l’indexation et l’utilisation en entrée pour les outils de recherche, tout en laissant le choix pour l’entraînement, selon les besoins du projet.

Enfin, l’article mentionne des ressources comme isitagentready.com pour évaluer les progrès et propose des outils complémentaires, comme un bundle Symfony et des prompts d’implémentation, bien que l’explication reste générale pour couvrir plusieurs aspects sans entrer dans les détails techniques.

L’auteur, développeur depuis 1983, partage son expérience de l’intégration de l’IA dans son workflow, notamment via le Markdown pour rédiger spécifications et architectures. Il critique à la fois le vibe coding (délégation aveugle à l’IA) et le rejet puriste de cette technologie, soulignant que la valeur réside désormais dans la conception et la supervision, pas dans la production de code brute.

Il utilise l’IA comme un outil collaboratif : pour des tâches simples, elle agit comme une exécutante rapide, tandis que pour les parties complexes, il supervise et valide, voire code lui-même. L’objectif est de maintenir une architecture compréhensible et maîtrisée, évitant ainsi les risques liés à des systèmes opaques ou dépendants de tarifs ou de disponibilités externes.

Enfin, il compare l’IA à un retour partiel du cycle en V, où la spécification redevient centrale. La confiance dans le code généré doit être proportionnelle à la capacité de le critiquer, et les rôles (spécification, validation, expertise) doivent rester clairs pour préserver la robustesse du système.

Chris Shiflett décrit la création d’un serveur MCP (Model Context Protocol) pour son laboratoire personnel, un espace où il centralise ses projets et outils maison. Il explique comment il a rationalisé son répertoire ~/local, autrefois encombré de projets inaboutis, en relançant des outils comme Landice, Faculty ou Schoolcase, tout en adoptant progressivement l’IA malgré ses réticences initiales. Son approche progressive avec l’IA, passant de simple référence à collaborateur, l’a conduit à voir cette technologie comme un "robot" capable d’exécuter du code, bien que des limites persistent, comme l’interface de Claude ou la perte de contexte entre conversations.

Shiflett souligne deux obstacles majeurs dans son utilisation de l’IA : d’abord, l’asymétrie entre l’exécution manuelle du code et l’approche automatisée de Claude Code, qui réduit sa participation active. Ensuite, le manque de mémoire des assistants, obligeant à résumer manuellement l’historique des échanges dans des fichiers Markdown avant de recommencer une conversation. Ces contraintes l’ont poussé à concevoir un serveur MCP pour mieux contrôler l’interaction avec l’IA et intégrer ses outils existants.

L’objectif final est de fluidifier ce processus en créant une interface unifiée, où l’IA agit comme un véritable partenaire de développement plutôt qu’un simple exécutant. Ce projet reflète sa volonté de concilier innovation technologique et méthodes de travail personnelles, tout en résolvant les frictions rencontrées dans l’adoption de l’IA.

L’article interroge la qualité croissante des logiciels et l’impact de l’IA sur leur fiabilité, dans un contexte marqué par des failles de sécurité fréquentes et des fuites de données. L’auteur souligne que les vulnérabilités (CVE) ont fortement augmenté depuis 2017, attribuant cette hausse à des facteurs comme la pression des mises à jour quotidiennes, l’expansion du numérique et l’intensification des cyberattaques, plutôt qu’à l’IA. Il relativise cependant ce lien, notant que les CVE reflètent aussi une meilleure détection des bugs et une industrie cyber en croissance.

L’auteur évoque des exemples concrets, comme des failles majeures chez GitHub ou des attaques contre des institutions françaises, pour illustrer la dégradation perçue de la qualité logicielle. Il critique l’idée selon laquelle l’IA serait la principale responsable, soulignant que la baisse de fiabilité précède son adoption massive et s’explique davantage par des enjeux économiques et géopolitiques.

Enfin, l’article aborde la perception selon laquelle l’IA accélérerait la production de "code de merde", une idée que l’auteur juge exagérée. Il conclut que la qualité des logiciels dépend davantage des pratiques de développement et des pressions du marché que de l’IA, tout en reconnaissant que cette dernière pourrait aggraver certains problèmes si mal utilisée.

Le journal décrit une infrastructure personnelle d’IA auto-hébergée basée sur des composants compatibles OpenAI afin de pouvoir utiliser localement des LLM et des outils de génération d’images sans dépendre de services cloud propriétaires. L’auteur s’appuie notamment sur llama-swap, qui permet de basculer dynamiquement entre différents modèles et moteurs d’inférence, y compris stable-diffusion.cpp, avec une configuration adaptée à une machine équipée de plusieurs GPU Nvidia. Le texte insiste sur l’intérêt de standardiser les API pour orchestrer plusieurs IA locales, sur la maîtrise des ressources matérielles (VRAM, chargement/déchargement des modèles) et sur les avantages en matière de souveraineté, de confidentialité et de flexibilité pour expérimenter différents modèles open source directement sur sa propre infrastructure.