hyper.dev

2026-04-19 · L’enclosure du code - 3 - L’ère générative

Comment l’IA a achevé l’arc d’extraction — en transformant les communs logiciels en matière première pour commodifier le travail même qui les avait construits

Troisième session — La chaîne d’approvisionnement logicielle, de 2021 à aujourd’hui

← L’enclosure du code — Série complète

1. Synthèse

[INTERPRÉTATION] L’IA générative représente l’achèvement d’un arc d’extraction de trois décennies. L’ère 1 (1990-2010) a recadré le vocabulaire de la liberté en vocabulaire d’efficacité, rendant l’extraction culturellement acceptable. L’ère 2 (2010-2022) a normalisé la construction d’empires commerciaux sur des communs non financés. L’ère 3 (2022-présent) a franchi le dernier pas : le code produit dans les communs est devenu la matière première d’entraînement pour des outils qui commodifient l’acte même d’écrire du code — rendant potentiellement obsolètes les personnes dont le travail a nourri le modèle. 🟡 70-89%

Mais cette lecture, aussi structurellement solide soit-elle, n’est pas la seule. L’ère générative a aussi représenté la démocratisation la plus radicale de la capacité à construire du logiciel que le monde ait connue. Un lycéen à Cotonou ou Tizi Ouzou peut désormais faire en une après-midi ce qui nécessitait une équipe d’ingénieurs il y a dix ans. La question n’est pas « est-ce bon ou mauvais ? » mais « pour qui ? » — et les premières données suggèrent que la réponse est brutalement inégale. L’emploi des développeurs de 22-25 ans aux États-Unis a chuté de près de 20% entre 2022 et 2025. Parallèlement, 40% des tâches dans le secteur d’externalisation technologique africain pourraient être affectées par l’IA d’ici 2030. La redistribution est en cours — mais elle n’est ni universelle ni équitable.

2. Résultats détaillés

2.1 Les communs comme données d’entraînement

Le procès Copilot : le code comme bien commun ou comme propriété ?

[FAIT] Le 3 novembre 2022, le cabinet Joseph Saveri Law Firm et l’avocat-programmeur Matthew Butterick ont déposé une plainte collective contre GitHub, Microsoft et OpenAI devant le tribunal fédéral de Californie du Nord. L’action allègue que GitHub Copilot — entraîné sur des milliards de lignes de code publiquement disponible sur GitHub — viole les conditions des licences open source en générant du code dérivé sans attribution, sans notice de copyright et sans termes de licence. L’action demande des dommages potentiellement supérieurs à 9 milliards de dollars. 🟢 90-100%

[FAIT] GitHub admet dans sa FAQ que Copilot reproduit parfois des extraits de code de plus de 150 caractères identiques aux données d’entraînement — environ 1% du temps. Une analyse indépendante a trouvé que dans les fichiers où Copilot est activé, l’IA produit jusqu’à 40% du code en Python. En 2026, le procès est toujours en cours. Le tribunal a rejeté les prétentions de violation du DMCA (les extraits de Copilot n’étant pas suffisamment identiques au code original), mais a maintenu les prétentions de rupture de contrat et de violation des licences open source. Le fond de l’affaire n’est pas tranché. 🟢 90-100%

[INTERPRÉTATION] La question centrale est précise : les licences open source existantes — GPL, MIT, Apache — ont-elles jamais anticipé qu’une entreprise pourrait ingérer l’intégralité du corpus de code sous licence, l’utiliser pour entraîner un modèle commercial, et revendre le résultat sans respecter aucune des conditions de licence ? La réponse est presque certainement non. Ces licences ont été écrites pour un monde où le code était copié, modifié et redistribué par des humains. Le modèle d’entraînement de l’IA crée une forme d’utilisation qui n’existait pas conceptuellement quand les licences ont été rédigées. 🟡 70-89%

Les deux arguments

L’argument de la « marée montante » : L’IA rend tout le monde plus productif. Copilot aide les développeurs à écrire du code plus vite, réduit le temps passé sur le boilerplate, et permet de se concentrer sur la logique de haut niveau. GitHub estime que la productivité améliorée par les assistants IA pourrait ajouter plus de 1 500 milliards de dollars au PIB mondial.

L’argument de l’enclosure : C’est l’extraction finale des communs. Des décennies de travail bénévole et communautaire — le code ouvert qui fait fonctionner Internet — ont été ingérées par des entreprises privées pour créer des outils qui concurrencent les personnes mêmes dont le travail a été utilisé. Comme l’a écrit Azer Koçulu en 2016 lors de l’incident left-pad : « npm est le terrain privé de quelqu’un, où les entreprises sont plus puissantes que les personnes. » Remplacez « npm » par « GitHub » et « Copilot » : la structure est identique, mais l’échelle est transformée.

2.2 Déqualification ou démocratisation : ce que les données montrent

Les données qui dérangent

[FAIT] Une étude de Stanford (Digital Economy Study) a trouvé que l’emploi des développeurs de 22-25 ans aux États-Unis a chuté de près de 20% entre fin 2022 et mi-2025 — coïncidant avec l’essor des outils de codage IA. Les offres d’emploi pour développeurs ont chuté d’environ 70% depuis leur pic de 2022 selon Indeed. Les stages en technologie ont diminué de 30% depuis 2023 selon Handshake. Salesforce a annoncé l’arrêt des embauches de développeurs juniors en 2025, citant les gains de productivité IA. 🟡 70-89%

[FAIT] L’enquête Stack Overflow 2025 (la plus récente disponible) montre que 84% des développeurs utilisent des outils IA dans leur flux de travail — contre 70% en 2024. Mais le sentiment positif envers ces outils a diminué : de plus de 70% en 2023-2024 à seulement 60% en 2025. Plus révélateur encore : 46% des développeurs méfient activement de la précision des outils IA, contre seulement 33% qui leur font confiance. Les développeurs expérimentés sont les plus méfiants. 🟢 90-100%

[FAIT] L’étude METR (2025), un essai contrôlé randomisé avec 16 développeurs expérimentés réalisant 246 tâches dans leurs propres projets open source, a produit un résultat surprenant : quand les outils IA étaient autorisés, les développeurs prenaient 19% plus longtemps à compléter les tâches — l’IA les ralentissait. Les développeurs eux-mêmes estimaient que l’IA les avait accélérés de 20%. L’écart entre perception et réalité est de 39 points de pourcentage. 🟡 70-89%

[FAIT] Le rapport Google DORA 2024 a trouvé que l’utilisation accrue de l’IA améliore la vitesse de documentation mais cause une baisse de 7,2% de la stabilité de livraison. Le codage assisté par IA produit quatre fois plus de clonage de code, augmentant la dette technique. Le « code churn » — le pourcentage de code jeté moins de deux semaines après avoir été écrit — devait doubler en 2024. 🟡 70-89%

L’atrophie des compétences

[INTERPRÉTATION] Le cas de Luciano Nooijen, ingénieur chez Companion Group, est emblématique : après avoir utilisé intensivement les outils IA au travail, il s’est retrouvé en difficulté lors d’un projet personnel sans accès à ces outils. « Je me sentais stupide parce que des choses qui étaient instinctives sont devenues manuelles, parfois même pénibles », a-t-il déclaré au MIT Technology Review. Sa conclusion : comme les athlètes qui s’entraînent encore aux gestes de base, la seule façon de maintenir l’instinct du code est de pratiquer régulièrement le travail de fond. 🟡 70-89%

Le concept de « vibe coding » — inventé par Andrej Karpathy (OpenAI/Tesla) en février 2025, désignant l’approche où l’on décrit le logiciel en langage naturel et on laisse l’IA écrire le code — cristallise le risque de déqualification. Les critiques parlent d’une « dette technique archéologique » : du code qui fonctionne aujourd’hui mais que personne ne comprend, dont l’historique des commits dit « améliorations IA » sans expliquer la logique, et que les développeurs futurs devront rétro-ingéniérer comme des anthropologues étudiant une civilisation ancienne à travers ses artefacts.

2.3 Le « superviseur IA » : restructuration de la profession

[FAIT] Le secteur technologique mondial a éliminé environ 244 851 emplois en 2025 selon RationalFX. L’IA et l’automatisation figurent parmi les facteurs les plus fréquemment cités. Microsoft a licencié 6 500 personnes, son CEO déclarant que les outils IA écrivent désormais 20-30% du nouveau code de l’entreprise. IBM a remplacé ~8 000 postes RH par un chatbot IA. Accenture a supprimé plus de 11 000 postes en trois mois, la CEO Julie Sweet déclarant que le recyclage « n’est pas un chemin viable » pour les compétences nécessaires. Fiverr a réduit ses effectifs de 30%, se repositionnant comme « AI-first ». 🟢 90-100%

[INTERPRÉTATION] Le schéma est structurel, pas conjoncturel. Les entreprises affichent des profits records tout en citant les « gains d’efficacité IA » pour justifier des réductions d’effectifs. Amazon a annoncé fin 2025 la suppression de jusqu’à 30 000 postes corporate, alors que son chiffre d’affaires trimestriel était en hausse de 11%. La déconnexion entre performance d’entreprise et sécurité des travailleurs n’a jamais été aussi nette. Les gains de productivité vont aux actionnaires ; les travailleurs qui restent sont priés de faire plus avec des outils IA, pour la même rémunération ou moins. 🟡 70-89%

Le discours managérial oscille entre deux pôles. Le CEO de Google, Sundar Pichai, affirme que l’IA « rend les ingénieurs plus productifs en éliminant les tâches fastidieuses ». Le CEO d’Amazon Web Services, Matt Garman, insiste sur la nécessité de continuer à embaucher et former des juniors « autant que jamais ». Mais le CEO de Salesforce, Marc Benioff, a gelé les embauches d’ingénieurs en 2025. Les actes contredisent souvent les paroles.

2.4 Qui cela frappe le plus durement : l’asymétrie mondiale

[FAIT] 40% des tâches dans le secteur d’externalisation technologique africain en croissance pourraient être affectées par l’IA d’ici 2030 selon un rapport Mastercard Foundation/Caribou. Les rôles d’expérience client, qui représentent 44% de l’emploi BPO, sont particulièrement vulnérables — la moitié des tâches pourraient être automatisées. Seules 10% des tâches du secteur sont pleinement résilientes à l’automatisation. 🟡 70-89%

[FAIT] Rest of World a documenté en 2025 la chaîne d’approvisionnement cachée du travail IA en Afrique : des travailleurs dans 39 nations africaines sont employés par des sous-traitants situés aux Émirats, en Amérique du Nord et en Europe, fournissant des données à des clients comme Meta, OpenAI et Samsung. Une enquête Equidem de 2025 auprès de 76 travailleurs en Colombie, au Ghana et au Kenya a rapporté 60 incidents indépendants de dommages psychologiques — anxiété, dépression, PTSD. Le sociologue Antonio Casilli (Institut Polytechnique de Paris) décrit un « cercle d’invisibilité autour de ce travail ». 🟢 90-100%

[FAIT] L’ONU note qu’entre 2020 et 2024, dix pays ont concentré près de 80% de tous les investissements numériques « greenfield » dans le Sud global — aucun n’était en Afrique. La pénétration internet en Afrique varie de 12,5% (Burundi) à 92,6% (Maroc). Plus des deux tiers de la capacité de centres de données du continent sont concentrés en Afrique du Sud. 🟡 70-89%

[INTERPRÉTATION] Le paradoxe de l’ère générative pour le Sud global est complet. D’un côté, les outils IA sont accessibles — un développeur à Nairobi utilise le même Copilot qu’un développeur à San Francisco. De l’autre, ces outils menacent exactement les filières d’emploi que les ères précédentes avaient créées : l’externalisation de tâches de codage, de modération de contenu, de traitement de données. L’Afrique fournit le travail invisible qui entraîne les modèles (annotation, modération, étiquetage) et subit les conséquences de l’automatisation des tâches que ce même travail a rendu possible. C’est une double extraction : extraction du travail d’entraînement, puis remplacement des travailleurs par les systèmes que leur travail a entraînés.

2.5 Les enjeux humains au bout de l’arc

L’identité en chute libre

[INTERPRÉTATION] Que signifie « être développeur » quand la machine produit du code « suffisamment bon » ? L’enquête Stack Overflow 2025 montre que pour la première fois, les développeurs seniors rapportent une satisfaction professionnelle plus basse que les juniors. Le burnout n’est plus subtil — il est bruyant. Le développeur moderne ne code plus seulement : il gère des outils, des fuseaux horaires, des scripts Terraform et du burnout. L’identité artisanale de l’ère 1 — « je comprends mes outils, donc je suis » — a été érodée par l’assemblage de l’ère 2, puis achevée par l’ère 3 où même l’assemblage peut être délégué à un modèle qu’on ne peut pas inspecter.

L’analogie avec le journalisme est la plus parlante pour un public non technique : imaginez un siècle d’archives journalistiques en ligne, utilisé pour entraîner un système qui génère des articles « suffisamment bons » pour une fraction du coût. Les journalistes dont le travail a entraîné le système sont désormais en concurrence avec lui. C’est approximativement ce qui arrive aux développeurs.

La réponse politique : toujours en retard d’une ère

[FAIT] L’EU AI Act, entré en vigueur progressivement depuis 2024, inclut des règles sur l’exploration de textes et de données (text and data mining). L’article 53 impose aux fournisseurs de modèles d’IA à usage général de publier des résumés « suffisamment détaillés » de leurs données d’entraînement. Le US Copyright Office n’a pas encore tranché la question de la protégeabilité du code généré par IA. Le Royaume-Uni explore des changements législatifs pour équilibrer les besoins de recherche avec les droits des créateurs. 🟡 70-89%

[INTERPRÉTATION] La politique est structurellement en retard. L’Executive Order de 2021 et le CRA européen répondent à des incidents passés (SolarWinds, Log4Shell). L’AI Act commence à adresser les modèles génératifs, mais les questions fondamentales — ce qui est dû aux auteurs du code sur lequel les modèles sont entraînés, le statut juridique du code généré par IA, la responsabilité quand du code IA vulnérable entre en production — restent sans réponse claire dans la plupart des juridictions. Les organismes non occidentaux (Union Africaine, ASEAN) en sont aux cadres stratégiques (la Stratégie de Transformation Numérique de l’UA 2020-2030), loin des régulations opérationnelles.

L’agentivité au bout de l’arc : de la maîtrise au prompt

Voici la trajectoire complète, résumée :

Ère 1 (1990-2010) : le développeur possède et comprend ses outils. L’identité professionnelle repose sur la maîtrise. Le mouvement du logiciel libre donne à cette maîtrise une expression juridique et communautaire. Le recadrage « open source » détache la maîtrise de la liberté, mais le développeur comprend encore ce qu’il fait.

Ère 2 (2010-2022) : le développeur assemble des paquets qu’il ne contrôle pas entièrement. Le graphe de dépendances est ingouvernable. L’identité se déplace de la maîtrise vers la productivité : ce qui compte, c’est la vitesse de livraison, pas la compréhension profonde. La communauté se fragmente en communautés d’utilisateurs de frameworks plutôt qu’en communautés de pratique.

Ère 3 (2022-présent) : le développeur prompte un modèle qu’il ne peut pas inspecter, entraîné sur du travail qui n’a pas été rémunéré. La productivité individuelle peut augmenter, mais l’agentivité — la capacité à comprendre, modifier et posséder ses propres outils — diminue. Le sentiment de compétence devient découplé du sentiment de compréhension : on peut produire du code qui fonctionne sans savoir pourquoi il fonctionne.

3. Contradictions et signaux faibles

L’IA ralentit les développeurs expérimentés

Le résultat le plus dérangeant de cette recherche est l’étude METR : dans un essai contrôlé randomisé, les développeurs expérimentés avec outils IA étaient 19% plus lents que sans — tout en croyant être 20% plus rapides. L’écart de 39 points suggère que les rapports de productivité massive des entreprises vendeuses d’outils IA (GitHub, Google, Microsoft) pourraient être fondamentalement biaisés. C’est un seul résultat, sur 16 développeurs, et il mérite d’être répliqué. Mais il suffit à introduire un doute sérieux sur le récit dominant.

La redistribution brutale plutôt que la perte universelle

La thèse de l’extraction totale — « l’IA prend tout et ne rend rien » — est trop simple. Les données suggèrent plutôt une redistribution brutale : certaines personnes gagnent en agentivité (le développeur solo qui utilise l’IA comme amplificateur pour expédier un produit), tandis que d’autres la perdent (le développeur junior dont le poste est supprimé, le mainteneur dont le code a entraîné le modèle sans compensation, le travailleur africain qui annotait les données et qui est maintenant remplacé par le système que son travail a rendu possible). Le gain des uns est structurellement lié à la perte des autres.

Le sentiment de compétence sans la compétence

Le « vibe coding » crée un phénomène nouveau : des personnes capables de produire du logiciel fonctionnel sans comprendre ce qu’elles ont produit. Ceci est simultanément libérateur (pour la personne qui peut enfin réaliser une idée) et dangereux (pour la société qui dépend de la fiabilité de ce logiciel). La question n’est pas « est-ce que ça marche ? » mais « qui le répare quand ça casse ? » — et si la réponse est « personne, parce que personne ne comprend le code », alors nous avons un problème de société, pas seulement un problème technique.

4. Angles morts

Données longitudinales sur l’emploi des développeurs. L’étude Stanford sur la chute de 20% de l’emploi des 22-25 ans est un signal fort, mais la corrélation avec l’IA n’est pas une causalité démontrée. Des facteurs conjoncturels (fin du boom post-COVID, hausse des taux d’intérêt, récession du VC) contribuent aussi. Des études longitudinales avec contrôle des variables confondantes n’existent pas encore.

L’expérience vécue des mainteneurs dont le code a entraîné les modèles. Le procès Copilot documente le cadre juridique, mais les voix individuelles des développeurs qui ont découvert leur code dans les sorties de Copilot sont sous-documentées dans les sources accessibles.

L’impact sur les communautés open source. Les taux de contribution open source depuis le lancement de Copilot n’ont pas été systématiquement mesurés dans les sources trouvées. La question de savoir si l’IA remplace la collaboration communautaire par le travail solo assisté par IA est cruciale — et les données manquent.

La perspective des éducateurs en informatique. Comment les programmes de CS adaptent-ils (ou non) leurs curricula à l’ère IA ? Des études qualitatives sur les pratiques d’enseignement seraient essentielles.

Le cadre juridique hors US/EU. Les positions de l’Union Africaine, de l’ASEAN, du Mercosur et d’autres organismes non occidentaux sur le droit d’auteur du code IA sont pratiquement absentes des sources trouvées.

L’effet sur la sécurité du logiciel à moyen terme. Si 48% du code généré par IA contient des vulnérabilités potentielles (comme le suggèrent certaines études), et si ce code entre massivement en production, les conséquences sur la sécurité pourraient être considérables — mais nous n’avons pas encore les données pour le mesurer.

5. Synthèse actionnable

L’arc complet : ce que les trois ères révèlent

Si l’on devait expliquer cette trajectoire à quelqu’un qui n’a jamais écrit une ligne de code, dans un langage qu’il comprend déjà, voici ce qu’on dirait :

L’analogie de l’enclosure agricole. Au XVIIIe siècle en Angleterre, les terres communes — utilisées par les villageois pour paître leurs animaux — ont été progressivement clôturées par des propriétaires privés. La productivité agricole a augmenté. Les villages ont été vidés. Les anciens commoners sont devenus des ouvriers dans les usines de ceux qui avaient clôturé leurs terres. L’ère 1 a supprimé les clôtures conceptuelles (le logiciel libre a créé les communs numériques), puis les a remplacées par des clôtures plus subtiles (le recadrage « open source »). L’ère 2 a construit des châteaux sur les communs (AWS, GitHub, les plateformes cloud). L’ère 3 a moissonné les communs eux-mêmes comme matière première pour construire des machines qui remplacent les commoners.

L’analogie de la consolidation médiatique. Des décennies de journalisme archivé en ligne ont été utilisées pour entraîner des systèmes qui produisent des articles « suffisamment bons » pour une fraction du coût. Les journalistes dont le travail a entraîné le système sont en concurrence avec lui. Les plateformes qui distribuent le contenu (Google, Facebook) captent la valeur publicitaire. Le producteur de contenu original est doublement dépossédé : son travail a nourri le modèle, et le modèle le remplace sur le marché.

L’analogie de la grande distribution. Le développeur open source est le petit producteur. La plateforme cloud est l’hypermarché. L’IA générative est la marque distributeur : le produit est fabriqué à partir des mêmes ingrédients que le produit original, mais il porte le logo de l’hypermarché et se vend moins cher.

Ce qui peut être fait

Les leviers d’action existent, mais ils sont distribués et aucun n’est suffisant seul :

Le levier juridique. Le procès Copilot, s’il aboutit à une reconnaissance que l’entraînement sur du code sous licence viole les conditions de licence, créerait un précédent fondamental. La question de savoir si les licences open source existantes couvrent l’entraînement de modèles est le champ de bataille juridique de la décennie.

Le levier des licences. De nouvelles licences ou amendements explicitement interdisant l’entraînement IA sans consentement commencent à émerger. Certains développeurs ajoutent des restrictions « no AI training » dans leurs fichiers LICENSE. Ces approches sont imparfaites mais signalent une prise de conscience.

Le levier politique. Le CRA européen et l’AI Act sont des premiers pas. Mais une réponse adéquate exigerait de reconnaître que la chaîne d’approvisionnement logicielle est une infrastructure critique — et que les mainteneurs qui la soutiennent méritent un soutien structurel, pas seulement des obligations de conformité.

Le levier communautaire. Les communautés du logiciel libre — des RAFLL en Afrique francophone aux fondations Apache et Linux — restent les seuls espaces où la question « à qui appartient ce que les communs produisent ? » peut être posée sans être immédiatement récupérée par un intérêt commercial. Leur survie et leur vitalité sont un enjeu stratégique, pas seulement culturel.

Le levier individuel. Le principe de Smalltalk — « si un système doit servir l’esprit créatif, il doit être entièrement compréhensible par un seul individu » — reste la meilleure boussole. Les développeurs qui maintiennent leur capacité à comprendre leurs outils de bout en bout, qui refusent la déqualification passive, qui pratiquent le « codage de fond » comme un athlète pratique les gammes, sont ceux qui conservent leur agentivité. Ce n’est pas un conseil de développement personnel — c’est un acte de résistance structurelle.

6. Pistes d’approfondissement

Études longitudinales sur l’emploi. Des études avec contrôle des variables confondantes sont nécessaires pour distinguer l’impact de l’IA de l’impact des cycles économiques sur l’emploi des développeurs.

Réplication de l’étude METR. Le résultat « l’IA ralentit les développeurs expérimentés de 19% » est potentiellement le résultat le plus important de cette recherche — et le plus sous-couvert médiatiquement. Il doit être répliqué à plus grande échelle.

Impact sur les contributions open source. Mesurer systématiquement les taux de contribution, la diversité des contributeurs, et la santé des communautés open source depuis le lancement de Copilot.

Cartographie du travail invisible. Documenter les chaînes d’approvisionnement du travail IA — annotation, modération, étiquetage — avec une attention particulière aux travailleurs du Sud global, en s’appuyant sur le travail de l’African Content Moderators Union, de Personaldata.io et du Distributed AI Research Institute.

Cadre juridique francophone. Explorer les positions spécifiques de la France (ANSSI, CNIL), de la Belgique, du Canada et des pays d’Afrique francophone sur le droit d’auteur du code généré par IA et les implications du CRA pour les communautés open source.

7. L’arc complet : ce que ces trois ères ont révélé

Trois décennies. Trois ères. Un seul arc.

L’ère 1 a créé les communs numériques et les a immédiatement recadrés dans un vocabulaire qui rendait l’extraction acceptable. Le mouvement du logiciel libre a dit : « la liberté est le but ». Le mouvement open source a répondu : « l’efficacité est le but ». Les deux ont produit du code extraordinaire. Mais le second a ouvert les portes que les suivants ont traversées.

L’ère 2 a construit des empires au-dessus des communs. Les plateformes cloud ont encapsulé l’infrastructure. Les gestionnaires de paquets ont encapsulé les dépendances. Le développeur est passé d’artisan à assembleur. L’extraction — un fournisseur cloud qui forke un projet open source et le revend comme service — est devenue le fonctionnement normal du marché. Les mainteneurs qui tenaient l’infrastructure debout étaient invisibles, non payés, et en burnout.

L’ère 3 a moissonné les communs eux-mêmes. Le corpus GitHub — 200 millions de dépôts, des décennies de travail collectif — est devenu données d’entraînement. Les outils résultants commodifient l’acte d’écrire du code, menaçant exactement les personnes dont le travail a nourri le modèle. Les développeurs juniors voient leurs perspectives d’emploi s’effondrer. Les travailleurs du Sud global, qui annotaient les données et maintenaient les services externalisés, sont menacés par l’automatisation des tâches que leur travail a rendu possible.

Le schéma est celui de toutes les enclosures : des communs productifs, appropriés par des acteurs privés qui en extraient la valeur tout en externalisant les coûts sur ceux qui les avaient construits. La particularité ici est que l’extraction finale ne prend pas seulement le produit (le code) mais le savoir-faire (la capacité d’écrire du code) — en le transformant en poids statistiques dans un modèle que personne ne peut inspecter.

Ceci n’est pas une fatalité. Les alternatives existent : des licences qui anticipent l’IA, des communautés qui maintiennent l’exigence de compréhension, des politiques qui reconnaissent les mainteneurs comme infrastructure critique, des systèmes compréhensibles par un seul individu. Mais ces alternatives demandent un travail délibéré, soutenu, et collectif. Elles ne se produiront pas par défaut.

Le défaut, c’est l’enclosure.

« Non pas que tout le monde pense la même chose, mais que la pensée de chacun laisse une trace. »

8. Table des sources

#	Source	Type	Date	Langue
1	Joseph Saveri Law Firm, page du procès Copilot	🏛️ Primaire	2022-2026	EN
2	Yang Law Offices, « GitHub Copilot Lawsuit: What Developers Need to Know »	📰 Presse spéc.	12/2025	EN
3	Finnegan LLP, « Insights from the Pending Copilot Class Action Lawsuit »	📰 Presse spéc.	2024	EN
4	The Register, « GitHub Copilot copyright case narrowed but not neutered »	📰 Presse spéc.	01/2024	EN
5	NYU JILP, « Do As I Say, Not As I Code: GitHub’s Copilot Prompts IP Litigation »	🎓 Académique	03/2025	EN
6	PatentAILab, « GitHub Copilot Lawsuit Update (Feb 2026) »	📰 Presse spéc.	02/2026	EN
7	METR, « Measuring the Impact of Early-2025 AI on Experienced OS Developer Productivity »	🎓 Académique	07/2025	EN
8	MIT Technology Review, « AI coding is now everywhere. But not everyone is convinced »	📰 Presse gén.	12/2025	EN
9	Stack Overflow, « AI vs Gen Z: How AI has changed the career pathway for junior developers »	🏛️ Primaire	12/2025	EN
10	Stack Overflow, 2025 Developer Survey (section AI)	🏛️ Primaire	2025	EN
11	CodeConductor, « Junior Developers in the Age of AI (2026 Guide) »	📰 Presse spéc.	01/2026	EN
12	DevOps.com, « AI in Software Development: Productivity at the Cost of Code Quality? »	📰 Presse spéc.	12/2025	EN
13	Second Talent, « AI Coding Assistant Statistics & Trends [2025] »	📰 Presse spéc.	10/2025	EN
14	Crunchbase, « Tech Layoffs: US Companies With Job Cuts In 2024 And 2025 »	📰 Presse spéc.	03/2026	EN
15	AllAboutAI, « Tech Layoffs Hit 157,000 in 2025 and AI Is Both the Cause and the Excuse »	📰 Presse spéc.	11/2025	EN
16	Network World, « Global tech-sector layoffs surpass 244,000 in 2025 »	📰 Presse spéc.	01/2026	EN
17	Programs.com, « List of Companies Announcing AI-Driven Layoffs »	📰 Presse spéc.	12/2025	EN
18	FinalRoundAI, « How AI Vibe Coding Is Destroying Junior Developers’ Careers »	📝 Blog	2025	EN
19	Mastercard Foundation / Caribou, « 40% Of Tasks In Africa’s Tech Outsourcing May Be Affected by AI by 2030 »	🏛️ Primaire	04/2025	EN
20	Rest of World, « How Big Tech’s AI labor supply chain relies on hidden African workers »	📰 Presse gén.	05/2025	EN
21	Brookings, « Reimagining the future of data and AI labor in the Global South »	🎓 Académique	10/2025	EN
22	UNU, « AI and Africa’s Future Of Work — Mozambique’s Moment Of Decision »	🏛️ Primaire	12/2025	EN
23	AfriCatalyst, « AI is Rewriting the Future of Work. What Does That Mean for Africa? »	📰 Presse spéc.	08/2025	EN
24	Commission européenne, « Cyber Resilience Act »	🏛️ Primaire	2024	EN
25	CISA, « Apache Log4j Vulnerability Guidance »	🏛️ Primaire	12/2021	EN

Recherche effectuée en mars 2026. Langues : français, anglais. Certaines sources africaines issues des sessions précédentes (RAFLL, communautés francophones du libre) sont référencées dans le texte sans être reprises dans la table. Toutes les URL visitées pendant la recherche.