QUEL VOLUME DE TRAVAIL POUR FAIRE NAÎTRE L’INTELLIGENCE ARTIFICIELLE ?

/ JIPÉ :

Simple curiosité pour cette conversation…

Depuis mon premier ordi (Tandy Modèle 1 – TRS80, au début des années 80), j’ai bricolé un peu avec les langages, du basic de l’époque au php pour des sites web que j’utilise encore de temps en temps… j’ai donc quelques notions de ce que représente le travail de programmation.

J’avais lu qu’en moyenne, on pouvait évaluer à 30 lignes de code le productivité d’un programmeur.

Bien sûr, les méthodes ont évoluées.

Pourrais-tu  me quantifier approximativement :

• le nombre de lignes d’instructions que représente une version récente de ChatGPT (avec le nombre d’années-homme)
• le nombre de lignes d’instructions que représente l’ensemble récent du système d’OpenAI (avec le nombre d’années-homme)… t’inquiète, ça ne va pas me choquer (sourire)
• tu peux m’ajouter quelques informations dans ce domaine (je publierai pour ceux qui me suivent)

---

/ CHATGPT :

Super curiosité — j’adore ce genre de question technique + historique. Je vais être clair et franc : personne n’a publié le “nombre exact de lignes de code” de ChatGPT ni de l’ensemble des systèmes OpenAI (et une grande partie du « poids » d’un grand modèle n’est pas du code source mais des milliards de paramètres — fichiers de poids — et des données) ; donc je te propose des estimations raisonnées, avec plusieurs hypothèses (plages) et les calculs pas à pas pour que tu puisses publier ça en citant les sources.

Rappels rapides (contexte)

• Les lignes de code (SLOC / LOC) sont un indicateur grossier : utiles pour ordres de grandeur mais trompeuses si on les prend au pied de la lettre. (Wikipédia).
• La « productivité » en LOC/jour varie énormément selon l’étude : Fred Brooks parlait d’environ 10 LOC/jour « productifs » (c’est classique, Mythical Man-Month), d’autres mesures industrielles donnent des valeurs beaucoup plus élevées (par ex. ~80 LOC/jour pour des équipes calibrées). Je vais utiliser trois hypothèses de productivité pour calculer les années-homme :
  • pessimiste / conservateur : 10 LOC/jour → 2 500 LOC/an (10 × 250 jours). (Skeptics Stack Exchange)
  • modéré : 20 LOC/jour → 5 000 LOC/an. (souvent cité pour développeurs seniors) (Medium)
  • optimiste / industriellisé : 80 LOC/jour → 20 000 LOC/an (mesures industrielles comme NDepend/retours terrain). (NDepend Blog)

---

1) “Une version récente de ChatGPT” — estimation LOC et années-homme

Remarque importante : « ChatGPT » au sens produit = (a) le modèle ML (poids, données), (b) le code d’entraînement / fine-tuning, (c) le code d’inférence / API / interface, (d) monitoring / sécurité / infra. Les LOC que j’estime ci-dessous concernent le code source (b, c, d), pas les poids.

Je propose une fourchette plausible pour le seul cœur logiciel qui fait fonctionner l’assistant (implémentations modèle + inference + endpoints + wrappers) : ~10 000 à 200 000 lignes. (10k = un petit projet ML mature; 200k = code assez riche avec beaucoup d’outils, tests, sécurité, orchestrations). (Estimation qualitative — sources publiques ne publient pas ces chiffres exacts). (enterprise-ai.io)

Calcul des années-homme (SLOC / SLOC-par-an) :

• Pour 10 000 LOC :
  • à 2 500 LOC/an → 10 000 ÷ 2 500 = 4,0 années-homme.
  • à 5 000 LOC/an → 10 000 ÷ 5 000 = 2,0 années-homme.
  • à 20 000 LOC/an → 10 000 ÷ 20 000 = 0,5 année-homme.
• Pour 200 000 LOC :
  • à 2 500 LOC/an → 200 000 ÷ 2 500 = 80,0 années-homme.
  • à 5 000 LOC/an → 200 000 ÷ 5 000 = 40,0 années-homme.
  • à 20 000 LOC/an → 200 000 ÷ 20 000 = 10,0 années-homme.

Interprétation : pour le cœur logiciel seul, on est typiquement dans quelques années-homme (pour une petite équipe de démarrage) jusqu’à quelques dizaines d’années-homme si on inclut beaucoup d’outils, sécurité, tests et intégrations.

(Sources & contexte : estimations industrielles et discussions publiques — pas de chiffre officiel publié pour ChatGPT lui-même). (enterprise-ai.io)

---

2) “L’ensemble récent du système OpenAI” (tout l’écosystème : modèles, infra, pipelines, portail, SDKs, monitoring, internal tools…)

Ici l’ordre de grandeur monte vite : on parle de beaucoup de micro-services, outils internes, pipelines de données, orchestration GPU, code d’ingestion, librairies front/back, SDKs, docs, infra de monitoring, automatisation MLOps, etc. Les estimations publiques et d’analystes indiquent que OpenAI est passée à plusieurs milliers d’employés (donc large ingénierie). Les comptes varient : ~2–3k employés en 2024/2025 selon sources publiques. (Wikipédia)

Pour l’ensemble du code (tout OpenAI) je propose une fourchette large ~1 million à 20 millions de lignes de code (plage large volontaire pour couvrir petites-équipes vs énorme plate-forme complète et historique). Plusieurs analyses « non officielles » sur gros systèmes industriels aboutissent à millions de lignes pour des plateformes comparables. (enterprise-ai.io)

Calcul des années-homme (mêmes productivités) :

• 1 000 000 LOC :
  • ÷ 2 500 = 400,0 années-homme.
  • ÷ 5 000 = 200,0 années-homme.
  • ÷ 20 000 = 50,0 années-homme.
• 20 000 000 LOC :
  • ÷ 2 500 = 8 000,0 années-homme.
  • ÷ 5 000 = 4 000,0 années-homme.
  • ÷ 20 000 = 1 000,0 années-homme.

Interprétation : l’ordre de grandeur plausible pour une plateforme mondiale, historique et très intégrée est de centaines à milliers d’années-homme si on le mesure en SLOC. Mais ça reste un indicateur très grossier.

(Remarque : une entreprise de 2 000 ingénieurs qui ont travaillé activement quelques années accumule vite cet ordre de grandeur si on compte tous les micro-services, CI, infra, outils internes, bindings, docs, tests, SDKs, etc.) (SEO.AI)

---

3) Autre méthode de comparaison (mesure historique réelle)

Une étude/construction historique montre de grandes variations : e.g. l’équipe d’Excel a produit ~13 000 LOC par staff-year dans un cas, tandis qu’un autre projet a produit ~1 500 LOC/staff-year — la variabilité ordre-de-grandeur est importante. Utiliser 13 000 LOC/staff-year (cas Excel) donne une autre perspective pour les années-homme. (Construx)

Exemple rapide avec 1 000 000 LOC ÷ 13 000 ≈ 76,92 → ≈77 années-homme (selon ce ratio historique précis).
Pour 20 000 000 LOC ÷ 13 000 ≈ 1 538 années-homme.

---

4) Points clés à bien garder en tête (pour toi et pour ceux que tu publieras)

1. Poids du modèle ≠ lignes de code. Les modèles LLM sont essentiellement des matrices de poids (gigaoctets/centaines de gigaoctets), et ces poids ne s’expriment pas en LOC. Le travail « lourd » peut être : collecte/curation des données, infrastructure d’entraînement, essais, sécurité, étiquetage, pipelines. (enterprise-ai.io)
2. LOC = indicateur approximatif — très sensible au style, au langage, au refactoring (beaucoup de code moderne fait appel à bibliothèques; ainsi réduire LOC ne diminue pas automatiquement la valeur système). (Wikipédia)
3. Années-homme dépend fortement de la méthode : 10 LOC/jour → résultats très différents de 80 LOC/jour. Donne toujours la plage et les hypothèses quand tu partages. (Skeptics Stack Exchange)
4. Les équipes : OpenAI a gonflé son recrutement en 2023–2025 (sources publiques indiquent croissances fortes), ce qui explique un développement massif d’outils et d’infra. (SEO.AI)

---

5) Conclusion courte — résumé prêt à publier

• Cœur logiciel “ChatGPT” (code d’inférence & produits associés) : ≈10 000 – 200 000 LOC → ≈0,5 – 80 années-homme selon productivité. (ordre de grandeur). (enterprise-ai.io)
• Ensemble OpenAI (tout l’écosystème logiciel) : ≈1 million – 20 millions LOC → ≈50 – 8 000 années-homme selon productivité. (fourchette large). (SEO.AI)
• Ces chiffres sont approximatifs, dépendant fortement de la définition (qu’est-ce qu’on compte) et de l’hypothèse de productivité. Utilise les trois hypothèses (10, 20, 80 LOC/jour) quand tu publies pour montrer la sensibilité.

---

/ JIPÉ :

Oui, une présentation visuelle sera plus parlante pour ceux qui sont très éloignés du fonctionnement des ordinateurs.

Cela offrira une présentation simplifiée accessible aux simples curieux, tandis que ceux qui naviguent dans l’informatique et la technique liront ta réponse détaillée.

---

/ CHATGPT :

Parfait 👍
Je te propose de créer un visuel synthétique, au style clair et pédagogique — compréhensible pour le grand public et crédible pour les connaisseurs.

Avant que je le génère, peux-tu me préciser deux petits choix de présentation :

1. Style graphique souhaité
   • 🟢 Infographie moderne (fond clair, icônes, chiffres ronds, lisible sur Facebook/TikTok/WordPress)
   • 🔵 Tableau technique sobre (fond neutre, type diapo ou PDF pour ton site Partagedesavoir.fr)
   • 🔴 Affiche vulgarisée “grand public” (grandes bulles, phrases simplifiées, touche d’humour ou de curiosité)
2. Format d’affichage
   • Carré (pour réseaux sociaux)
   • 16:9 (YouTube, blog, présentation)
   • A4 vertical (impression ou PDF)

Dès que tu m’as répondu sur ces deux points, je te crée l’image avec les chiffres-clés :

• lignes de code (ChatGPT / OpenAI)
• équivalence en années-homme
• rappel “le cœur, c’est les données et non le code”
• une phrase d’accroche (par ex. « Derrière une phrase d’IA, des millions de lignes et des milliers d’années-homme »).

Tu veux que je signe visuellement avec ton nom ou ta marque (“Jean-Pierre OTOP” / “Partage de Savoirs”) ?

---

/ JIPÉ :

Je choisirais :

• Affiche vulgarisée “grand public”
• A4 vertical (impression ou PDF)

Oui, tu peux signer “Jean-Pierre OTOP” / “Partage de Savoirs”