Le problème du vibe coding n'est pas seulement qu'il peut produire du mauvais code. Pour quelqu'un qui apprend, il peut produire du code trop vite.

Flowcode part de cette contradiction. Le projet de Tiffany Tseng et neuf coauteurs, publié sur arXiv le 7 juillet, vise les débutants en creative coding qui apprennent en partant d'exemples existants. C'est une pratique assez naturelle : trouver un sketch, comprendre ce qu'il fait, le modifier, casser quelque chose, recommencer.

Un chat capable de réécrire le programme entier peut raccourcir cette boucle jusqu'à supprimer précisément la partie où l'on comprend.

Voir le programme avant de lui demander de changer

Flowcode associe deux interfaces. Une visualisation sous forme de flowchart aide à lire la structure du programme. Un chat permet ensuite de demander de l'aide pour l'étendre.

Ce choix paraît presque conservateur face aux agents qui promettent de prendre le projet en charge. C'est justement ce qui le rend intéressant.

Les chercheurs ne cherchent pas seulement à mesurer si l'IA permet d'arriver plus vite au résultat. Ils ont itéré sur l'outil au cours de deux études avec de nouveaux creative coders et s'intéressent au rôle de la visualisation et de la friction dans un usage productif de l'IA pour apprendre.

La friction est rarement vendue comme une fonctionnalité. Ici, elle sert à garder le code visible comme objet à comprendre plutôt qu'à transformer la programmation en boîte de dialogue avec une machine qui fait le reste.

Un bon outil d'apprentissage ne doit peut-être pas tout résoudre

Le point dépasse Flowcode.

On juge facilement un assistant au nombre d'étapes qu'il supprime. Pour un travail déjà maîtrisé, c'est souvent raisonnable. Si je sais ce qu'une fonction doit faire, je n'ai aucun attachement sentimental à taper son boilerplate à la main.

L'apprentissage fonctionne autrement. Certaines étapes lentes sont le travail. Lire une structure, former une hypothèse, modifier un morceau précis et observer le résultat construit un modèle mental. Si l'assistant absorbe cette boucle, le résultat peut être correct sans que l'utilisateur sache beaucoup mieux comment il a été obtenu.

Flowcode ne démontre pas qu'il existe une quantité universelle de friction idéale. Le papier décrit un environnement exploratoire et deux études, pas une recette définitive pour enseigner la programmation avec des modèles de langage.

Il pose en revanche une bonne question de design : quand une IA sait faire une tâche à notre place, quelle partie doit-on volontairement lui refuser pour continuer à apprendre ?

Pour les outils créatifs, cette question me semble plus utile que de compter les secondes gagnées. Un pinceau qui termine le dessin tout seul est très rapide. C'est aussi une manière assez étrange d'apprendre à dessiner.