Avec l'avènement des LLM, l'informatique classique est-elle révolue ?

Une question qui agite les comités de direction

Depuis l'explosion des grands modèles de langage (LLM) comme GPT-4, Claude ou Gemini, une interrogation revient régulièrement dans les échanges avec nos clients : faut-il encore investir dans le développement logiciel « classique » ? Certains décideurs imaginent un futur proche où l'on décrirait simplement un besoin en langage naturel pour qu'un système génère l'application complète, rendant obsolètes les architectures, les bases de données relationnelles et les langages de programmation.

La réalité est plus nuancée. Loin de rendre l'informatique classique révolue, les LLM en révèlent au contraire l'importance structurelle. Décryptage.

Ce que les LLM changent réellement

Une nouvelle interface homme-machine

Le principal apport des LLM n'est pas de remplacer le code, mais de créer une nouvelle couche d'interaction. Là où il fallait auparavant des formulaires rigides, des menus complexes ou des requêtes structurées, on peut désormais dialoguer en langage naturel. C'est une avancée majeure pour l'accessibilité et l'expérience utilisateur.

Une accélération de la production logicielle

Les assistants de codage (GitHub Copilot, Cursor, Claude Code) accélèrent considérablement l'écriture de code, la génération de tests, la documentation ou le refactoring. Un développeur expérimenté peut voir sa productivité augmenter significativement sur les tâches répétitives. Mais il s'agit d'une amplification des compétences, non de leur suppression.

Le traitement du non structuré

Les LLM excellent dans le traitement de données non structurées : résumé de documents, extraction d'information, classification, traduction. Ce sont des domaines historiquement difficiles pour l'informatique classique, et c'est là que leur valeur ajoutée est la plus tangible.

Ce que les LLM ne remplacent pas

Le déterminisme et la fiabilité

Un LLM est probabiliste par nature : il génère la réponse la plus plausible, pas nécessairement la plus juste. Or l'immense majorité des systèmes d'entreprise exigent un comportement déterministe. Un calcul de paie, une transaction bancaire, une réservation de stock ou un contrôle d'accès ne peuvent tolérer l'approximation ou l'hallucination. Ces logiques reposent sur du code classique, testable et prévisible.

La performance et le coût

Exécuter un LLM pour trier une liste, additionner des chiffres ou requêter une base de données serait aberrant sur le plan technique et économique. Une simple fonction en Python ou une requête SQL s'exécute en microsecondes pour une fraction de centime, là où un appel à un modèle coûte plusieurs ordres de grandeur de plus en latence comme en argent. L'algorithmique classique reste imbattable sur les tâches déterministes.

La persistance et l'intégrité des données

Les bases de données relationnelles, les transactions ACID, les mécanismes de cohérence et de sauvegarde constituent le socle de tout système d'information. Aucun LLM ne remplace la nécessité de stocker, sécuriser et garantir l'intégrité des données de manière durable et auditable.

La sécurité et la conformité

Les exigences réglementaires (RGPD, souveraineté des données, traçabilité) imposent des architectures maîtrisées. Un système reposant uniquement sur un modèle génératif pose de sérieux problèmes d'auditabilité et de reproductibilité, incompatibles avec les cadres de conformité de nombreux secteurs.

La véritable révolution : l'architecture hybride

La question n'est donc pas « LLM ou informatique classique », mais « comment les orchestrer intelligemment ». Les systèmes les plus aboutis que nous concevons combinent les deux paradigmes.

Le LLM comme orchestrateur, le code comme exécuteur

Dans une architecture d'agents (agentic AI), le LLM joue le rôle de chef d'orchestre : il comprend l'intention de l'utilisateur, planifie les étapes et décide quels outils appeler. Mais l'exécution concrète est déléguée à du code classique fiable — les fameux « tools » ou fonctions. Le modèle décide « il faut calculer le montant de la commande », mais c'est une fonction déterministe qui fait le calcul.

Le RAG : marier données structurées et génération

Les architectures RAG (Retrieval-Augmented Generation) illustrent parfaitement cette complémentarité. On utilise des bases de données vectorielles, de l'indexation et des requêtes classiques pour récupérer l'information pertinente, puis le LLM la met en forme. Sans l'infrastructure de recherche classique, le modèle serait limité à ses connaissances figées et sujet aux hallucinations.

La validation et les garde-fous

Autour de chaque appel à un modèle, on met en place des couches de validation en code classique : vérification des formats, contrôle des schémas de sortie, règles métier, tests de cohérence. Ce sont ces garde-fous déterministes qui rendent un système à base de LLM utilisable en production.

Ce qui devient plus critique, pas moins

Paradoxalement, l'arrivée des LLM renforce l'importance de plusieurs compétences classiques :

• L'architecture logicielle : orchestrer des composants probabilistes et déterministes exige une conception rigoureuse.
• L'ingénierie des données : la qualité des sorties d'un LLM dépend directement de la qualité et de la structuration des données qu'on lui fournit.
• Les tests et l'observabilité : monitorer un système non déterministe demande des outils d'évaluation sophistiqués.
• La sécurité : les nouvelles surfaces d'attaque (injection de prompt, fuite de données) nécessitent une expertise pointue.

Conclusion : une complémentarité, pas une substitution

Non, l'informatique classique n'est pas révolue. Elle évolue et s'enrichit d'une nouvelle brique puissante. Les LLM sont un outil formidable pour tout ce qui touche au langage, à l'interaction naturelle et au traitement du non structuré. Mais ils reposent, pour fonctionner de manière fiable en entreprise, sur des fondations d'informatique classique plus indispensables que jamais.

Les entreprises qui réussiront ne sont pas celles qui remplaceront leur SI par un chatbot, mais celles qui sauront intégrer intelligemment les capacités génératives au sein d'architectures robustes, sécurisées et maîtrisées. C'est précisément cette hybridation que nous accompagnons chez HEXA : identifier où le LLM apporte une vraie valeur, et où le code classique doit rester le garant de la fiabilité.