Créer un langage de programmation avec Claude Code : retour d'expérience

En janvier et février 2026, le développeur Ankur Sethi a réalisé une expérience audacieuse : construire un langage de programmation complet en s'appuyant exclusivement sur Claude Code. Le résultat, baptisé Cutlet, fonctionne aujourd'hui sur macOS et Linux. Cette expérience soulève des questions fascinantes sur l'évolution du développement assisté par IA et les nouvelles compétences requises pour travailler avec ces outils.

L'expérience Cutlet : un langage entièrement généré par IA

Contrairement à ses précédentes utilisations de GitHub Copilot pour générer du code boilerplate, Ankur Sethi a poussé l'expérience plus loin : chaque ligne de code de Cutlet a été générée par Claude Code. Plus surprenant encore, il n'a même pas lu le code produit. À la place, il a construit des garde-fous pour vérifier que tout fonctionnait correctement.

Le résultat ? Un langage dynamique fonctionnel avec des fonctionnalités avancées : opérateurs vectorisés, gestion de tableaux, objets, héritage prototypal, mixins, et même un garbage collector mark-and-sweep. Bien que certaines fonctionnalités comme la gestion des erreurs manquent encore, Cutlet peut exécuter de vrais programmes.

Cette approche rappelle les innovations que l'on observe dans les plateformes cloud de machine learning, où l'automatisation repousse constamment les limites du possible.

Les caractéristiques innovantes de Cutlet

Cutlet se distingue par plusieurs fonctionnalités élégantes inspirées de langages existants. Le méta-opérateur @ transforme n'importe quel opérateur binaire en opération vectorisée sur un tableau. Par exemple, multiplier tous les éléments d'un tableau par 1.8 puis ajouter 32 s'écrit simplement : (temps-c @* 1.8) @+ 32.

Le langage permet également d'indexer un tableau avec un tableau de booléens, créant ainsi une opération de filtrage naturelle. Les noms de variables peuvent contenir des tirets, empruntant cette syntaxe à Raku. L'opérateur @: zip deux tableaux en une map, tandis que @ en position préfixe agit comme une opération reduce.

Pourquoi créer un langage de programmation avec l'IA ?

En tant que développeur frontend, Ankur Sethi avait constaté que les assistants IA excellaient dans la logique métier mais échouaient sur les tâches visuelles. Décrire des layouts responsifs et des animations en anglais s'avère inefficace. Les LLM produisent facilement des interfaces standards qu'ils ont déjà vues, mais peinent sur des visualisations de données complexes pour des domaines de niche.

Un langage de programmation répondait parfaitement aux critères d'un projet adapté aux LLM :

• Les données d'entraînement des LLM contiennent des milliers d'implémentations de langages, articles académiques et manuels
• Possibilité de créer un langage « remix » en combinant des fonctionnalités de langages existants
• Tests déterministes avec entrées et sorties textuelles
• Boucle de feedback simple : exécuter les tests jusqu'à ce qu'il n'y ait plus d'erreurs
• Langage C standard avec peu de dépendances externes
• Pas besoin de MCP, navigateurs ou APIs réseau

Compresser six mois de travail en quelques semaines

L'expérience visait également à tester les limites de l'ingénierie agentique. Était-il possible de compresser six mois de développement en quelques semaines ? De construire quelque chose dépassant ses propres capacités ? Les résultats ont dépassé les attentes initiales, même si l'auteur gardait un certain scepticisme basé sur ses tentatives précédentes avec Claude Code.

Cette évolution des méthodes de travail fait écho aux transformations qu'on observe ailleurs, comme lorsque des pionniers de l'IA lancent de nouvelles initiatives pour repousser les frontières technologiques.

Les quatre compétences essentielles de l'ingénierie agentique

Travailler efficacement avec des agents de codage ne signifie pas abandonner les compétences d'ingénierie traditionnelles. Au contraire, cela exige de nouvelles aptitudes complémentaires :

1. Identifier les problèmes adaptés aux LLM

Deux questions permettent de déterminer si un problème convient à l'IA :

• Peut-on définir et vérifier automatiquement les critères de succès ?
• D'autres ont-ils résolu ce problème auparavant (donc présent dans les données d'entraînement) ?

Si la réponse à l'une de ces questions est « non », l'IA risque de produire des résultats décevants. Si les deux réponses sont « oui », l'ingénierie agentique peut fonctionner. Cette approche méthodique rappelle l'importance de comprendre les limites des systèmes IA avant de les déployer.

2. Communiquer son intention clairement

Les LLM fonctionnent avec le langage naturel, rendant la communication écrite cruciale. Si vous ne pouvez pas expliquer vos idées par écrit à vos collègues, vous ne pourrez pas travailler efficacement avec des agents de codage.

Des prompts vagues produisent des résultats acceptables pour des projets jetables, mais les projets destinés à la production nécessitent des spécifications précises. Ankur Sethi a passé la majorité de son temps à écrire, générer, lire et corriger des documents de spécification. Pour lui, habitué à traiter son code comme spécification, cette formalisation représentait une expérience nouvelle.

3. Créer un environnement de travail optimal pour l'IA

L'agent doit disposer d'un contexte riche pour produire du code de qualité. Cela inclut :

• Des spécifications détaillées et non ambiguës
• Des cas de test exhaustifs avec entrées et sorties attendues
• Une documentation claire des choix architecturaux
• Des exemples de code représentatifs
• Un système de build automatisé et fiable

Cette préparation minutieuse s'apparente aux meilleures pratiques qu'on retrouve dans l'intégration de modèles IA dans des produits établis, où le contexte et la qualité des données déterminent le succès.

4. Surveiller et optimiser la boucle agentique

L'agent doit pouvoir travailler de manière autonome avec une boucle de feedback efficace. Pour Cutlet, cette boucle consistait simplement à exécuter make test et make check jusqu'à éliminer toutes les erreurs. Cette approche déterministe permettait à Claude de s'auto-corriger sans intervention humaine constante.

Les limites de l'approche agentique

Malgré le succès de l'expérience, Ankur Sethi reconnaît les limites importantes. Les LLM excellent sur des problèmes déjà résolus ailleurs, mais peinent sur des tâches véritablement novatrices. Pour les interfaces utilisateur complexes, les visualisations de données personnalisées ou les animations fluides, l'œil humain reste indispensable.

L'auteur ne croit pas que tous les logiciels futurs seront écrits par des LLM. Cependant, un sous-ensemble important peut être partiellement ou majoritairement délégué à ces outils. La clé réside dans l'identification des problèmes adaptés et la construction des garde-fous appropriés.

Cette réflexion rejoint les débats actuels sur les questions éthiques et juridiques de l'IA générative, où la frontière entre assistance et remplacement reste floue.

Implications pour les développeurs en 2026

L'expérience Cutlet démontre que l'ingénierie agentique ne remplace pas les compétences traditionnelles, mais les transforme. Les développeurs doivent désormais :

1. Maîtriser la communication écrite : Les spécifications précises deviennent aussi importantes que le code lui-même
2. Concevoir des systèmes testables : L'automatisation des tests n'est plus optionnelle mais essentielle
3. Développer leur intuition : Savoir quand utiliser l'IA et quand s'en abstenir devient une compétence critique
4. Construire des garde-fous robustes : La vérification automatique remplace la revue de code manuelle

Ces nouvelles compétences s'ajoutent au bagage existant plutôt que de le remplacer. L'architecture logicielle, la compréhension des algorithmes et la résolution de problèmes restent fondamentales. Comme le souligne l'auteur, « utiliser des LLM pour produire du code ne signifie pas oublier tout ce que vous avez appris sur la construction de logiciels ».

Cette évolution professionnelle rappelle les transformations observées dans d'autres domaines, comme l'intégration de l'IA dans le coaching sportif, où la technologie augmente l'expertise humaine sans la remplacer.

Leçons pratiques pour vos projets IA

Si vous envisagez d'utiliser des agents de codage sur vos projets, voici les enseignements clés de l'expérience Cutlet :

• Choisissez des projets avec feedback déterministe : Les tests automatisés doivent pouvoir valider le travail de l'IA sans intervention humaine
• Investissez dans les spécifications : Le temps passé à clarifier vos intentions se traduit directement par la qualité du code généré
• Privilégiez les domaines bien documentés : Les LLM excellent sur des problèmes similaires à ceux de leurs données d'entraînement
• Évitez les tâches visuelles complexes : Les layouts responsifs et animations restent difficiles à décrire en langage naturel
• Construisez des boucles de feedback courtes : L'agent doit pouvoir itérer rapidement sans attendre votre validation

Ces principes s'appliquent que vous utilisiez Claude Code, d'autres outils de génération IA, ou que vous développiez vos propres agents personnalisés.

Conclusion : l'avenir du développement assisté par IA

L'expérience Cutlet illustre le potentiel et les limites actuelles de l'ingénierie agentique. En quatre semaines, un développeur a créé un langage de programmation fonctionnel sans écrire une seule ligne de code. Cette prouesse technique soulève des questions importantes sur l'évolution de notre métier.

Plutôt que de craindre le remplacement, les développeurs devraient voir ces outils comme des amplificateurs de productivité. Les compétences fondamentales d'ingénierie restent essentielles, mais se manifestent différemment : spécifications rigoureuses, architecture testable, et identification des problèmes adaptés à l'automatisation.

L'avenir du développement logiciel ne sera probablement ni entièrement humain ni entièrement automatisé, mais une collaboration sophistiquée entre développeurs et agents IA. Comprendre comment orchestrer cette collaboration devient la compétence différenciante de 2026.

Pour aller plus loin dans votre exploration de l'IA générative et découvrir comment créer vos propres projets assistés par IA, créez votre compte gratuit sur Roboto et accédez à notre suite d'outils de génération de contenu.