Stack Overflow agonise : 5 mythes sur ce qui le remplace

Stack Overflow reçoit désormais moins de 1 000 nouvelles questions par mois, un volume inférieur à celui de son deuxième mois d'existence, en 2008. Si vous avez appris à programmer à n'importe quel moment des quinze dernières années, ce chiffre devrait vous couper le souffle. Le site qui était la couche de savoir des développeurs sur internet est en perte de vitesse, et le récit facile veut que ChatGPT l'ait tué. Ce récit facile est faux, ou du moins très incomplet, et le mauvais diagnostic compte, car nous concevons tous désormais implicitement ce qui viendra ensuite.

J'ai passé ces dernières années à construire des systèmes de ML, et j'ai vu mes propres habitudes de questions passer de « chercher, lire trois réponses, synthétiser » à « coller l'erreur dans une fenêtre de chat ». Alors faisons les choses sérieusement : cinq croyances que j'entends sans cesse sur le déclin de Stack Overflow, confrontées à ce qui est réellement vrai.

Mythe 1 : les LLM ont tué Stack Overflow

C'est le récit dominant, et il est à moitié juste. Le lancement de ChatGPT fin 2022 a clairement accéléré le déclin : la courbe du nombre de questions plonge brutalement juste à ce moment-là. Mais si on regarde la tendance sur le long terme, le nombre mensuel de questions de Stack Overflow avait culminé des années plus tôt et avait déjà chuté d'environ moitié par rapport à ses pics locaux, avant que quiconque ait collé une trace d'erreur dans un chatbot. Le site était globalement stable depuis 2014 et en déclin depuis 2017 environ, avec un bref rebond pendant la pandémie en 2020.

Ce qui s'est réellement passé ressemble davantage à un patient atteint d'une maladie chronique qui reçoit le coup fatal d'une autre cause. La maladie chronique était auto-infligée : une culture de modération qui optimisait les réponses canoniques au détriment des humains qui posaient les questions. Si vous posiez une question qui recoupait à 80 % une question existante, elle était fermée comme doublon, même quand les 20 % de différence étaient tout l'intérêt de la question. Les modérateurs réécrivaient votre texte dans un style aseptisé et maison. Les nouveaux utilisateurs comprenaient vite que poser une question relevait du parcours du combattant. Pendant ce temps, les questions faciles, celles qui apportaient autrefois des milliers de nouveaux posts par jour, avaient toutes été posées et résolues dès 2015.

Quand les LLM sont arrivés, ils n'ont donc pas eu à battre Stack Overflow à son meilleur niveau. Il leur suffisait de battre l'expérience de poser une question là-bas : pas de votes négatifs, pas de signalements de doublons, pas d'attente de trois jours pour un commentaire expéditif vous renvoyant vers la doc. Le modèle répond instantanément, poliment, et en tenant compte de votre code. Ce n'est pas un combat équitable, et ça ne l'a jamais été. Verdict : les LLM ont été le bourreau, mais la dynamique communautaire a chargé le pistolet.

Mythe 2 : le contenu a toujours de la valeur, donc le site survivra

Il existe une idée rassurante selon laquelle le corpus de Stack Overflow, des dizaines de millions de questions répondues, garantit sa survie. Ce n'est pas le cas, pour une raison que quiconque a fait une recherche récemment connaît bien : les réponses sont figées dans le temps. Une question sur un framework JavaScript populaire, répondue en 2013, fait remonter une réponse en tête qui n'est pas seulement obsolète, mais activement trompeuse, et la structure du site freine les corrections. Impossible de reposer une question canonique pour obtenir une réponse moderne, car elle sera fermée comme doublon de l'ancienne. Les réponses acceptées restent épinglées en haut, même quand une meilleure réponse, quatre ans plus tard, a trois fois plus de votes positifs.

Une base de connaissances qu'on ne peut pas rafraîchir n'est pas un actif, c'est un passif avec un bon référencement. Et c'est là que l'ironie devient épaisse : la principale valeur monétisable restante de ce corpus est de le louer aux entreprises d'IA pour l'entraînement de leurs modèles. Stack Overflow a conclu des accords pour faire exactement cela, ce qui a provoqué une révolte chez les contributeurs qui avaient rédigé le contenu : le contrat tacite était des réponses gratuites en échange de données ouvertes, et la vente a rompu ce contrat implicite. Certains utilisateurs à forte réputation ont tenté de supprimer ou de dénaturer leurs propres réponses en signe de protestation. Quand vos utilisateurs les plus précieux sabotent votre actif, vous n'avez pas un modèle économique durable, vous avez une liquidation.

Je m'attends à ce que le domaine reste en ligne pendant des années, le trafic issu des anciens liens seul a de la valeur, mais en tant que système vivant de production de nouvelles connaissances, c'est terminé. Verdict : mythe démonti. Le contenu se dégrade, et la structure empêche de réparer cette dégradation.

Mythe 3 : les LLM ont entièrement remplacé la fonction de savoir

Ici, je prends position, car ce mythe va dans l'autre sens : c'est la version optimiste de l'IA, et elle est tout aussi fausse. Stack Overflow faisait quelque chose que les LLM ne font fondamentalement pas : il produisait du nouveau savoir. Quand une bibliothèque toute neuve sortait avec une API déroutante et zéro documentation, quelqu'un se heurtait à un mur, posait une question, et une personne qui avait trouvé la solution rédigeait la première explication publique sur internet. Cette réponse devenait ensuite des données d'entraînement, des résultats de recherche et une documentation par procuration pour tous les autres.

Les LLM sont extraordinairement bons pour la moitié rappel-et-synthèse de cette boucle, et structurellement incapables de la moitié génération. Demandez à un modèle une interaction obscure entre une version de framework vieille de deux semaines et une extension Postgres précise, et vous obtiendrez une réponse fluide, assurée et inventée, parce qu'aucun humain n'en a encore parlé, nulle part. Je suis tombé sur ce problème constamment avec les outils ML qui évoluent vite. Le modèle ne sait pas ce qu'il ignore, et il ne sait certainement pas qu'il a été publié mardi dernier.

C'est la partie qui devrait nous inquiéter. Nous avons construit une porte d'entrée vers les réponses qui fonctionne à merveille tant que quelqu'un, quelque part, continue de produire le savoir sous-jacent sous forme de texte que les modèles peuvent consommer. Stack Overflow était l'un des plus grands producteurs. Supprimez le producteur, gardez le synthétiseur, et vous avez bâti un système de savoir qui s'étiole lentement : chaque génération de modèles est entraînée sur un web un peu plus ancien, un peu plus contaminé par les modèles eux-mêmes. Si vous avez lu notre article sur pourquoi les benchmarks de l'IA passent à côté de l'essentiel du travail réel, c'est le même écart à l'échelle de l'écosystème : la partie mesurable et fluide du travail est prise en charge, tandis que la partie difficile et peu valorisante de la production est en train d'être privée de moyens.

Nous n'avons pas remplacé le système de savoir. Nous avons remplacé l'interface, en oubliant que l'interface n'a jamais été la partie difficile.

Verdict : mythe démonti, et c'est le plus dangereux de cette liste.

Mythe 4 : un clone mieux modéré aurait survécu

Une bonne partie de l'autopsie porte sur la culture de Stack Overflow, les modérateurs obsédés par les doublons, les questions réécrites, la froideur envers les nouveaux venus, et conclut qu'un site de Q&R plus accueillant aurait prospéré. Je n'y crois pas. La culture a accéléré le déclin, mais le problème structurel aurait coulé un clone chaleureux et accueillant : l'économie de l'expertise bénévole s'est effondrée.

Pensez à pourquoi les experts répondaient aux questions en 2012. Les points de réputation étaient un vrai gage de crédibilité : les recruteurs regardaient les profils. Répondre était un moyen d'apprendre une technologie en profondeur. Et il existait une communauté visible : on voyait les mêmes noms, on se bâtissait un statut, et on rencontrait parfois des gens en vrai grâce au chat et aux sites voisins. À la fin des années 2010, les trois piliers s'étaient affaiblis. La valeur du gage s'est estompée à mesure que le prestige du site déclinait. La motivation d'apprendre en répondant est restée, mais les questions qui méritaient une réponse se sont raréfiées, et la file restante penchait vers des posts de débutants mal formulés. Et la communauté s'est éclaircie, à mesure que les personnes les plus investies s'éloignaient ou partaient en signe de protestation contre le changement de licence et les accords de données.

Puis les LLM ont supprimé la dernière incitation : pourquoi passer quarante minutes à rédiger une réponse soignée pour des points imaginaires, alors que la personne qui pose la question peut obtenir une réponse correcte instantanément ailleurs, et que votre réponse finirait probablement comme des données d'entraînement sans licence de toute façon ? Chaque fil de commentaires sur cette histoire regorge d'anciens utilisateurs à forte réputation disant en substance : « J'adorais répondre, et j'ai simplement... arrêté. » Une personne, dans la discussion récente, a mentionné un score de 29 000 de réputation et 645 réponses, et a dû réfléchir pour se rappeler que le site existait encore. On ne peut pas faire un test A/B de sa politique de modération pour sortir de là. Verdict : plutôt démonti. La bienveillance aurait ralenti l'hémorragie, sans l'arrêter.

Mythe 5 : ce qui remplacera le site ressemblera à un site web

Tous les quelques mois, quelqu'un annonce un « Stack Overflow de l'ère de l'IA », et c'est toujours la même forme : un site de Q&R public avec des votes et des badges. Je pense que c'est de la nostalgie, pas de l'analyse. Le remplaçant qui émerge réellement est un système en couches, dont une seule couche est publique.

D'après ce que je vois dans les équipes avec lesquelles je travaille, le savoir des développeurs circule désormais par à peu près quatre canaux :

• Le LLM comme porte d'entrée. Premier réflexe pour presque tout, surtout pour les erreurs et l'usage des API. Rapide, privé, sans coût social. Cette couche a gagné et ne reviendra pas en arrière.
• La mémoire privée de l'équipe. Wikis internes, archives Slack et, de plus en plus, assistants à récupération augmentée pointés vers votre propre code et vos post-mortems. C'est désormais là que vit le savoir nouveau et réellement précieux, et il reste volontairement non public.
• Les enclaves publiques à fort signal. Serveurs Discord dédiés à certains outils, GitHub Discussions, trackers d'issues. Plus petites, plus chaleureuses, et suffisamment ciblées pour que la modération fonctionne. Quand j'ai une vraie question sur une nouvelle bibliothèque, je vais sur son Discord, pas sur un site généraliste de Q&R.
• La matière source. Docs, RFC et le code lui-même. Lire le code source est passé de dernier recours à second réflexe, en partie parce que les outils d'IA rendent la navigation dans des codebases inconnues bien moins coûteuse.

Remarquez ce qui manque : un bien commun public unique où les nouvelles questions difficiles reçoivent une réponse au bénéfice de tous. Chaque couche est individuellement rationnelle et collectivement appauvrissante. La mémoire privée des équipes ne fuit jamais vers l'extérieur. Les serveurs Discord ne sont pas indexables de l'extérieur et se prêtent mal à l'archivage, un problème dont nous avons parlé à propos de la perte de mémoire du web. Et la porte d'entrée LLM consomme du texte public sans en produire aucun.

Verdict : confirmé que le site monolithique est mort ; la question ouverte est de savoir si le remplacement en couches peut entretenir une couche publique.

Concevoir des systèmes de savoir qui ne s'étiolent pas

Si vous construisez des outils pour développeurs, des plateformes internes ou une infrastructure communautaire, l'autopsie de Stack Overflow offre des leçons concrètes. J'ai retenu quatre principes de conception, et j'avoue que le quatrième est celui dont je suis le moins sûr qu'on l'ait résolu.

D'abord, traitez la fraîcheur comme une fonctionnalité, pas comme un problème de modération. Stack Overflow traitait les vieilles réponses comme canoniques et les nouvelles approches comme des doublons. Inversez cette logique. Versionnez vos réponses. Laissez une question être reposée à chaque version majeure d'un framework, et rendez le contexte temporel explicite : « à partir de React 19 » vaut mieux qu'une unique réponse immortelle. Les systèmes qui gèrent bien ce point (la documentation officielle avec des pages versionnées, certains wikis) sont ceux auxquels les gens font encore confiance.

Ensuite, intégrez la boucle d'évaluation dans le workflow. Le génie de Stack Overflow, c'était le vote : un signal peu coûteux et persistant de la qualité d'une réponse. Les réponses des LLM n'ont pas de boucle de ce type par défaut : vous obtenez de la fluidité, pas une vérification. D'après mon expérience, la solution n'est pas de demander au modèle de se relire (cela produit surtout un accord d'apparence assurée), mais de forcer le contact avec la réalité. Exécutez le code. Vérifiez la version. Quand j'utilise un LLM pour autre chose que du code standard, je traite sa sortie comme une pull request d'un stagiaire : plausible jusqu'à ce qu'elle soit testée. Notre article sur les vérifications de compréhension face aux tests pour le code généré par l'IA détaille où chaque approche attrape les erreurs. Les équipes qui tirent une vraie valeur des assistants IA sont celles qui ont branché tests et linters directement dans la boucle de génération, pas celles qui ont fait confiance à la prose.

Troisièmement, les incitations doivent survivre à la confrontation avec les alternatives gratuites. Les points et les badges sont morts dès qu'une réponse privée et instantanée a existé. Qu'est-ce qui motive encore les gens à écrire publiquement ? Le statut au sein d'une communauté précise (le ciblé l'emporte sur le global), un bénéfice professionnel direct (des contributions à la doc qui portent votre nom, de la matière pour une conférence), et la réciprocité dans des espaces assez petits pour qu'aider quelqu'un aujourd'hui signifie qu'il vous aidera le mois prochain. Concevez pour cela, et non pour une gamification à base de classements.

Quatrièmement, le point difficile : maintenir en vie une couche publique de production. Quelqu'un doit rédiger la première réponse sur ce qui est sorti la semaine dernière, à un endroit que les robots d'indexation et les futurs modèles peuvent atteindre. Pour l'instant, cette charge repose sur les issues GitHub, les blogs personnels et la documentation des éditeurs, de façon inégale et sans coordination. Si vous êtes éditeur d'outils, c'est en réalité une opportunité : un forum de discussion public bien entretenu pour votre produit est désormais un avantage concurrentiel, car il détermine ce que les modèles disent de vous. Et si vous voulez que le savoir interne durement acquis de votre équipe se capitalise au lieu de s'évaporer au départ des gens, un assistant interne ancré dans votre propre documentation vaut mieux que d'espérer que chacun pense à mettre à jour le wiki, mais seulement si vous corrigez aussi l'incitation à écrire la documentation.

Ce que nous avons réellement perdu

Une fois la nostalgie écartée, le déclin de Stack Overflow est une étude de cas sur la façon dont l'infrastructure technique se dégrade : non pas sous un seul coup, mais à cause d'incitations désalignées qui se cumulent pendant des années, jusqu'à ce qu'un substitut rende la pourriture visible. Le site a optimisé l'artefact, la réponse canonique, et a oublié que les artefacts sont produits par des personnes qui ont besoin de raisons pour venir.

La position pragmatique, celle que je défendrais, est la suivante : pleurer brièvement, puis la traiter comme un cahier des charges. La porte d'entrée LLM est vraiment meilleure pour 90 % de ce que faisait Stack Overflow, et nous devrions le dire à voix haute au lieu de jouer le deuil. Mais les 10 % restants, produire du nouveau savoir public, le vérifier face à la réalité, le maintenir à jour, sont désormais le problème de tout le monde et le travail de personne. Les équipes et les communautés qui résoudront le problème des incitations pour ces 10 % domineront la décennie à venir du savoir des développeurs. Celles qui supposent que le chatbot s'en charge découvriront, lentement puis d'un coup, ce que vaut une réponse quand personne ne l'a écrite.