John McNeill : AI accélérera les embauches dans l’IT grâce à la demande en infrastructure et en architecture

L'IA ne détruira pas les emplois en tech, mais les restructurera. John MacNeill, ancien président de Tesla et responsable de DVx Ventures, croit que à mesure que les systèmes d'IA se développent, les entreprises auront besoin de plus de personnes sachant maintenir en état l'infrastructure, les réseaux et l'architecture produit multicouche.

Demande d'Infrastructure

L'argument principal de MacNeill est simple : l'IA bute rapidement non seulement sur les modèles, mais aussi sur la complexité physique et réseau qui les entoure. Plus il y a d'entreprises lançant d'entraînement et d'inférence, plus la demande en calcul, serveurs, clusters GPU, synchronisation de nœuds et maintenance réseau augmente. Ce n'est plus une histoire de simple portable avec une API. Il s'agit de fermes de serveurs où chaque défaillance coûte cher, et où la résilience du système dépend de gens comprenant comment fonctionne l'association du matériel, du logiciel réseau et de la mémoire à haut débit.

Selon MacNeill, c'est particulièrement visible dans les équipes d'infrastructure. Les GPU tombent en panne et doivent être remplacés, resynchronisés et réintégrés dans des clusters déjà en marche. Parallèlement, croît la demande en inférence—exécution constante de modèles en production, non juste l'entraînement. Cela signifie un long processus de travail pour les ingénieurs : maintenance des serveurs, configuration des réseaux, surveillance, tolérance aux pannes, mises à jour et contrôle de performance. Pour le marché du travail, c'est une expansion, non une contraction.

Architecture plutôt que Routine

Pour les développeurs, le tableau est plus complexe. MacNeill reconnaît que l'écriture basique de code s'automatise de plus en plus : les agents aident déjà à la génération de templates, QA, vérifications et déploiement. Mais cela n'élimine pas le rôle de l'ingénieur—il le déplace simplement vers un niveau supérieur. Quand un produit est construit à partir de plusieurs modèles, d'index de recherche, de règles, de petits modèles spécialisés et de grands LLMs, quelqu'un doit décider quelle couche fait quoi et où l'IA est vraiment nécessaire par rapport à des outils moins chers.

Ce niveau de conception reste pour l'instant une tâche humaine. Essentiellement, la valeur se déplace de la zone « écrire une fonction » vers la zone « assembler un système qui marche ». Plus la stack est large, plus la capacité à décomposer le problème en couches et choisir le bon outil pour chacune est critique. Pas toutes les parties d'un produit ne doivent être résolues avec des tokens et de grands modèles : parfois une recherche est plus efficace, parfois du ML classique, parfois une combinaison de plusieurs agents sous contrôle d'ingénieur.

Sur ce fond, grandiront les rôles liés à :

• conception d'architecture IA multicouche
• choix entre recherche, ML, petits modèles et grands LLMs
• orchestration d'agents et synchronisation de leur travail
• QA/QC et déploiement de composants IA en production
• optimisation des coûts d'inférence et ressources computationnelles

Automatiser en Dernier

Séparément, MacNeill répète un principe qu'il a appris de Tesla : automatiser en dernier—l'automatisation doit venir en dernier, non en premier. Il se souvient comment l'automatisation précoce en production a ralenti la sortie de voitures au lieu de l'accélérer. L'équipe a dû littéralement revenir à l'assemblage manuel sur la ligne de temps pour voir les goulots d'étranglement du processus et seulement alors décider quoi automatiser.

La même logique, selon lui, s'applique aux projets d'IA : si vous couvrez un processus brut avec un logiciel cher trop tôt, le système devient rigide, coûteux et difficile à modifier.

"Si le code est écrit avant que le système soit simplifié et optimisé,

le modifier devient trop difficile."

Cela mène à une conclusion inconfortable mais utile pour les équipes tech : pas toute tâche ne requiert une couche d'IA chère. Parfois le management veut « quelque chose en IA », alors que le problème se résout par une recherche ordinaire, un ensemble de règles ou un petit composant ML. MacNeill conseille de contester de telles demandes et d'abord définir le résultat souhaité du processus. Ce n'est qu'alors qu'il a du sens de choisir les outils, nettoyer les données et construire une chaîne de déploiement. Sinon, les entreprises obtiennent de belles démonstrations au lieu de produits durables.

Ce Que Cela Signifie

La prédiction de MacNeill importe parce qu'elle déplace la conversation du slogan « l'IA remplacera les programmeurs » vers un niveau plus ancré. Oui, une partie du codage routinier et des opérations ira aux agents. Mais plus profondément l'IA s'intègre aux affaires, plus on a besoin de gens sachant concevoir l'architecture, tenir l'infrastructure fonctionnelle et distinguer la vraie automatisation de l'imitation chère. Pour l'IT, ce n'est pas la fin des professions, mais une exigence croissante pour la pensée et l'ingénierie système.