La lisibilité du vibe coding / Vibe coding readability
Depuis le tournant des années 2020, un consensus institutionnel s’est formé autour de la nécessité d’une alphabétisation à l’intelligence artificielle. L’UNESCO, dans son Guidance for Generative AI in Education and Research (2023), le Conseil de l’Europe dans Artificial Intelligence and Education: A Critical View (2022), l’OCDE dans ses rapports sur les compétences numériques : tous convergent vers l’idée que les citoyens doivent acquérir une compréhension minimale des systèmes algorithmiques pour exercer leur autonomie démocratique. Ben Williamson, chercheur à l’Université d’Édimbourg, observe dans ses travaux sur le blog Code Acts in Education (2025) comment cette injonction à l’AI literacy s’articule avec des dispositifs gouvernementaux visant à produire des sujets « compétents » face aux technologies.
L’analogie avec l’alphabétisation classique structure ce discours. De même que l’apprentissage de la lecture et de l’écriture alphabétiques a été la condition de la citoyenneté moderne, de même l’apprentissage du fonctionnement des systèmes algorithmiques serait la condition de la citoyenneté numérique. Bernard Stiegler insistait sur ce point dans ses travaux sur le numérique : « S’il faut encore apprendre à lire et à compter, c’est parce que l’esprit libre et capable de penser est structuré par l’intériorisation de l’histoire de ses techniques intellectuelles. » Pour Stiegler, apprendre à coder, à lire le code, constituait une nécessité politique, une manière de ne pas abandonner nos facultés cognitives aux automatismes des machines, de conserver une capacité d’individuation face aux processus d’extériorisation technique. Le numérique, comme tout pharmakon, peut être poison ou remède : seule une thérapeutique appropriée, passant par l’intériorisation des techniques, permettrait de le transformer en outil d’émancipation plutôt qu’en vecteur d’asservissement.
Cette position, défendue avec constance jusqu’à la mort du philosophe en 2020, reposait sur une prémisse tacite : que le code informatique appartient au même régime d’intelligibilité que l’écriture alphabétique. Les symboles du code seraient porteurs de signification, déchiffrables par un lecteur compétent, et leur compréhension ouvrirait l’accès aux processus computationnels qui façonnent nos existences. L’espace politique de la citoyenneté s’était constitué par la généralisation de l’alphabétisation, l’isonomie supposant l’égalité devant l’accès à la mémoire écrite. De même, l’espace politique contemporain se constituerait par la généralisation de la littératie numérique.
Ce texte propose de mettre à l’épreuve cette analogie en examinant un phénomène récent qui la déstabilise profondément : l’émergence de pratiques de programmation où la lecture du code devient superflue, puis l’avènement de systèmes d’IA dont les représentations internes résistent structurellement, et non plus seulement temporairement, à l’interprétation humaine. Non pour conclure à l’inutilité de toute éducation technique, mais pour comprendre ce que signifierait une politique qui ne reposerait plus sur l’idéal de la signification transparente.
Anatomie du vibe coding
Le 2 février 2025, Andrej Karpathy, ancien directeur de l’IA chez Tesla, chercheur fondateur d’OpenAI, figure centrale de l’apprentissage profond, publie sur X (anciennement Twitter) un message qui sera vu plus de 4,5 millions de fois :
« There’s a new kind of coding I call ‘vibe coding’, where you fully give in to the vibes, embrace exponentials, and forget that the code even exists. […] I ask for the dumbest things like ‘decrease the padding on the sidebar by half’ because I’m too lazy to find it. I ‘Accept All’ always, I don’t read the diffs anymore. »
Karpathy ne décrit pas une pratique de débutant découvrant la programmation assistée par IA. Il décrit sa propre pratique, celle d’un expert mondialement reconnu qui a choisi d’abandonner la lecture du code qu’il fait générer. Le terme « vibe », cette atmosphère intuitive, ce ressenti diffus, signale précisément que le rapport au code a basculé de la compréhension analytique vers une appréhension esthétique, une évaluation globale du résultat sans examen des moyens.
Simon Willison, développeur et commentateur influent, précisera quelques semaines plus tard la spécificité du vibe coding par rapport à d’autres formes de programmation assistée par IA : « The key distinction is the deliberate abdication of understanding. Vibe coding means accepting code that works without caring why it works. » L’abdication délibérée de la compréhension : la formule est capitale. Il ne s’agit pas d’une incapacité temporaire que l’effort ou la formation pourrait combler, mais d’un choix stratégique. Le programmeur pourrait lire et comprendre le code généré, le code reste du code, écrit dans un langage formel avec une syntaxe et une sémantique définies. Mais il choisit de ne pas le faire, parce que cette lecture est devenue superflue pour atteindre ses objectifs.
Ce phénomène doit être situé dans une histoire plus longue de la valeur économique attribuée à la capacité de lire et d’écrire du code. Dans les années 1990-2000, au plus fort de la bulle dot-com, les programmeurs constituaient une ressource rare et recherchée. Le Bureau of Labor Statistics américain indiquait en 2000 un salaire médian de départ autour de 40 800 dollars pour les développeurs juniors, avec des progressions rapides pour les profils expérimentés. Après le crash du Nasdaq en mars 2000, une chute de 76,81 % qui effaça 400 000 emplois dans le secteur technologique américain,, un paradoxe émergea : malgré la contraction de l’emploi de 17 %, les salaires des programmeurs restants augmentèrent de 36 %. Une étude du CEPR (VoxEU, 2023) sur les trajectoires de carrière de la « génération dot-com » montre que ceux qui avaient investi dans des compétences de programmation durant le boom subirent une dépréciation de leur capital humain de 7 % par rapport à ceux qui avaient diversifié leurs compétences.
Le vibe coding représente l’aboutissement ironique de cette histoire. La valeur économique était attachée à une compétence rare, la capacité de traduire des intentions humaines en instructions exécutables par une machine. L’IA générative rend cette traduction automatique, et donc la compétence correspondante potentiellement obsolète. Le programmeur expert qui pratique le vibe coding ne renonce pas à programmer, il renonce à lire ce qu’il programme. La délégation porte sur la lecture, non sur l’écriture : celle-ci se transforme en prompt, instruction en langage naturel qui déclenche la génération automatique du code.
Mais, et c’est ici le point décisif, le code généré reste parfaitement lisible. Un autre programmeur, ou le même programmeur dans un autre contexte, pourrait examiner chaque ligne, tracer chaque fonction, comprendre chaque algorithme. Le code appartient toujours au régime de la signification : chaque symbole a une dénotation, chaque instruction a un effet calculable, chaque programme a une logique reconstructible. Ce qui a changé, ce n’est pas la lisibilité intrinsèque du code, c’est la nécessité pratique de le lire. La délégation n’atteint pas l’être du code mais le rapport que nous entretenons avec lui.
Au-delà du régime de la signification
Avec l’espace latent des réseaux de neurones profonds, nous entrons dans un tout autre régime. Non plus la délégation d’une lecture possible mais non nécessaire, la confrontation avec des représentations qui résistent structurellement à la lecture, qui n’appartiennent pas au même ordre que le code symbolique.
Qu’est-ce qu’un espace latent ? Techniquement, il s’agit d’une représentation mathématique intermédiaire, située entre les couches d’entrée et de sortie d’un réseau de neurones, où les données sont encodées sous forme de vecteurs statistiques dans un espace de haute dimensionnalité, des centaines, des milliers, parfois des millions de dimensions. Contrairement aux espaces de représentation traditionnels (pixels pour une image, échantillons pour un son), l’espace latent n’organise pas les données selon des propriétés sensibles immédiatement intelligibles, mais selon des proximités statistiques qui émergent du processus d’apprentissage lui-même.
Le vecteur, objet mathématique défini par une magnitude et une direction, devient l’opérateur primordial de cet espace. Mais il est vide de sens en lui-même. Il est composé de deux points, d’une ligne dont la tension est la longueur et d’une flèche comme direction : pure géométrie sans sémantique a priori. Lorsqu’on encode le mot « chat » comme vecteur [0,2, -0,8, 1,5, 0,1], chaque dimension ne renvoie à aucune propriété isolable de la félinité. Ce n’est que la position relative des vecteurs dans cet espace qui produit des effets de sens, le célèbre exemple « roi — homme + femme ≈ reine » illustrant une régularité géométrique qui mime une relation sémantique sans la signifier au sens propre.
Cette distinction est capitale. Le code informatique classique fonctionne par inscription : chaque instruction est un signe qui dénote une opération, et la composition des instructions produit un programme dont la signification est la composition des significations de ses parties. L’espace latent fonctionne par induction statistique : les vecteurs n’ont pas de signification atomique, ils acquièrent leurs propriétés relationnellement, par leur position dans une topologie de similarités apprises. Nous passons d’une logique hypothético-déductive, où les règles sont posées puis appliquées, à une logique inductive où les régularités émergent de l’accumulation massive de données sans idéation préalable.
Un aspect crucial réside dans la continuité de cet espace : entre deux points quelconques existe un continuum de points intermédiaires qui, lorsqu’ils sont décodés, produisent des variations graduelles et cohérentes. Entre un visage souriant et un visage sérieux, une infinité de visages intermédiaires ; entre un chat et un chien, des créatures hybrides jamais vues mais reconnaissables. Cette continuité permet ce que l’on peut nommer une fluxation, un mouvement où la forme reste reconnaissable tout en subissant des transformations internes constantes. Le code, lui, est discret : il y a les instructions valides et les erreurs de syntaxe, sans zone intermédiaire.
L’hypothèse de superposition opaque
Pourquoi l’espace latent résiste-t-il à l’interprétation ? La réponse la plus courante invoque la complexité : trop de paramètres (des milliards dans les grands modèles de langage), trop de dimensions (des milliers), trop d’interactions non-linéaires. Cette réponse suggère que l’opacité est temporaire, qu’avec de meilleurs outils, plus de temps, plus de ressources computationnelles, nous finirons par comprendre.
Mais les recherches en interprétabilité suggèrent une réponse plus troublante. L’équipe d’Anthropic, dans Toy Models of Superposition (2022), a proposé l’« hypothèse de superposition » : les réseaux de neurones représenteraient plus de features (caractéristiques sémantiquement distinctes) qu’ils n’ont de neurones, en exploitant la quasi-orthogonalité possible dans les espaces de haute dimension. Un même neurone participerait à la représentation de multiples features sans rapport entre elles, phénomène baptisé « polysémantie ».
Si l’hypothèse de superposition est correcte, alors il n’existe pas de base interprétable pour les activations du réseau. Chercher à attribuer une signification à chaque neurone est fondamentalement mal poser le problème, car les neurones ne sont pas les unités primitives de représentation, ce sont des projections partielles de features distribuées dans tout l’espace. La recherche en Sparse Autoencoders (SAEs) tente d’extraire ces features, mais le problème est circulaire : nous ne savons pas combien de features existent, ni comment valider qu’une décomposition proposée correspond à la « vraie » structure du modèle.
Plus profondément, une étude récente sur Incidental Polysemanticity (AI Alignment Forum, 2023) montre que la polysémantie peut émerger même quand le nombre de features est inférieur au nombre de neurones, simplement parce que l’initialisation aléatoire et la dynamique d’entraînement conduisent à des chevauchements représentationnels. Ce n’est pas seulement que les réseaux compriment l’information par nécessité ; c’est que le processus même d’apprentissage par gradient favorise des représentations enchevêtrées. L’alphabétisation supposait une décomposition atomique des lettres, mots, phrases, documents. C’est le caractère discret et décomposable du langage qui est ici en cause.
L’opacité n’est donc pas un accident à corriger mais une propriété structurelle du mode de représentation. Comme l’écrivent les chercheurs de Minds and Machines (2025) dans leur analyse de l’opacité des réseaux profonds : « Ce n’est pas que nous ignorions comment le modèle fonctionne, ses processus internes, les valeurs assignées aux nœuds, le nombre de couches sont souvent observables. C’est plutôt que, malgré cette transparence, la complexité même de la fonctionnalité du modèle rend opaque la correspondance entre entrées et sorties. » L’opacité sémantique (que signifient les représentations ?) et l’opacité mécaniste (comment le modèle calcule-t-il ?) se renforcent mutuellement sans qu’aucune technique actuelle puisse les lever simultanément.
Un regard sur ce qui émerge
La question des capacités émergentes des grands modèles de langage éclaire d’une autre manière les limites de l’interprétation. L’article de Wei et al. (2022) avait identifié des capacités qui semblaient apparaître soudainement au-delà d’un certain seuil de taille : le modèle ne savait pas faire quelque chose, puis, avec quelques paramètres supplémentaires, il savait. Cette discontinuité apparente alimentait un récit de l’IA comme puissance imprévisible, capable de développements surprenants.
Mais l’article de Schaeffer, Miranda et Koyejo présenté à NeurIPS 2023, Are Emergent Abilities of Large Language Models a Mirage?, propose une explication alternative : les capacités « émergentes » seraient un artefact des métriques utilisées. Des métriques non-linéaires ou discontinues (comme le score binaire correct/incorrect) produisent des courbes de performance avec des seuils apparents ; des métriques linéaires ou continues (comme la distance d’édition ou le score de Brier) révèlent des améliorations graduelles et prévisibles. Plus de 92 % des capacités émergentes identifiées sur BIG-Bench apparaissent sous seulement deux métriques : Multiple Choice Grade et Exact String Match.
Cette découverte est philosophiquement significative. Elle suggère que ce qui « émerge » n’est pas une propriété intrinsèque du modèle, mais le produit de l’interaction entre le modèle, la tâche et l’instrument de mesure. L’émergence est autant fonction du regard que nous portons que de ce qui est regardé. Les chercheurs construisent des benchmarks, choisissent des métriques, définissent des seuils de réussite, et ces choix façonnent ce qui sera visible comme progrès discontinu ou comme amélioration graduelle.
Cela ne signifie pas que les grands modèles ne font rien de remarquable. Cela signifie que notre compréhension de ce qu’ils font est médiatisée par des dispositifs épistémiques dont les présupposés structurent les résultats. L’analogie avec l’alphabétisation classique suppose un texte stable que différents lecteurs peuvent déchiffrer identiquement. L’espace latent n’offre pas cette stabilité : il est toujours fonction de mon espace et de celui de l’autre, comparaison qui permet d’en faire l’induction et de rendre inopérante toute preuve définitive.
Le signe creux
Quentin Meillassoux, dans une conférence à l’ENS en 2016 sur les « Principes du signe creux », développait une conception du formalisme mathématique comme capable d’accéder à l’en-soi sans passer par les qualités sensibles. Le signe mathématique serait « creux » en ce qu’il ne dénote pas une propriété perceptible mais opère formellement, par ses seules relations syntaxiques. Cette vacuité sémantique serait précisément ce qui lui permet d’atteindre l’absolu.
L’analogie avec les vecteurs de l’espace latent est tentante. Les vecteurs aussi sont « creux », vides de sens intrinsèque, purement relationnels, opérant par proximités géométriques plutôt que par dénotation. Et ils semblent accéder à quelque chose qui excède la perception humaine : des régularités dans des espaces de haute dimension que nous ne pouvons visualiser, des patterns statistiques dans des corpus excédant toute lecture individuelle possible.
Mais l’analogie rencontre une limite importante. Chez Meillassoux, le signe formel est creux parce qu’il a été délibérément vidé de toute référence sensible par le geste axiomatique, il est pur symbole manipulable selon des règles explicites. Le vecteur de l’espace latent, au contraire, est saturé d’une histoire empirique : il est le précipité statistique de millions d’images, de textes, de sons produits par des êtres humains dans des contextes culturels déterminés. Il n’est pas vide de contenu ; il contient, sous forme comprimée et distribuée, toute la mémoire de son dataset d’entraînement.
Reconnaître cette limite ne disqualifie pas l’intérêt conceptuel de l’analogie. Elle nous permet de penser une forme de représentation qui opère sans signification assignable à ses éléments primitifs, une représentation où le sens émerge des relations plutôt qu’il ne s’inscrit dans des symboles. Mais elle nous rappelle aussi que les vecteurs de l’espace latent ne sont pas des formes pures : ils sont des empreintes d’empreintes, des traces de traces, selon une logique derridienne de l’archi-écriture qui reste solidaire de son origine humaine même quand elle en excède la saisie consciente.
Vers une politique vectorielle
Si l’espace latent résiste structurellement à l’interprétation, que devient le projet d’alphabétisation ? Si les vecteurs n’ont pas de signification lisible, à quoi bon apprendre à les lire ?
Une première réponse serait de distinguer les niveaux. Le code généré par les systèmes d’IA, celui que le vibe coder renonce à lire, reste lisible. Former des citoyens capables de lire ce code conserve une valeur, même si la pratique effective tend vers la délégation. Mais cette réponse maintient l’idéal de la signification transparente comme horizon régulateur, alors même que les systèmes effectivement déployés s’en éloignent.
Une seconde réponse, plus radicale, consisterait à penser une politique qui ne reposerait plus sur la transparence sémantique mais prendrait acte de l’opacité comme condition structurelle. Non pas une politique qui accepterait passivement l’incompréhension, mais une politique qui opérerait au niveau même de l’espace latent.
La vectorisation ne concerne pas seulement les représentations internes des réseaux de neurones. Elle constitue aujourd’hui un processus onto-politique fondamental qui structure le tissu social. Chaque individu, chaque groupe est assigné à des vecteurs, genre, âge, origine, position socio-économique, qui déterminent leurs trajectoires possibles dans l’espace social algorithmisé. Cette vectorisation traverse tout le spectre politique : qu’ils se revendiquent de droite ou de gauche, les acteurs politiques partagent la même méthodologie de catégorisation et d’assignation. Leur désaccord porte sur la valorisation différentielle des positions, non sur la légitimité du processus vectoriel lui-même.
Le vectofascisme, néologisme forgé pour désigner l’adaptation du fascisme aux structures techniques de l’ère numérique, opère précisément dans cette dimension. Non plus la mobilisation des masses dans l’espace physique, mais la modulation des flux d’attention et d’affect dans les espaces latents des serveurs. L’image technique vectofasciste est personnalisée, multiple, apparemment unique pour chaque regardeur, mais cette multiplication masque l’unité fondamentale du programme qui la calcule. La haine devient sur mesure, algorithmiquement optimisée pour maximiser l’engagement de chaque segment de population. Le différend politique se fragmente en différends incommensurables, chaque bulle informationnelle développant ses propres figures de l’ennemi sans possibilité de constituer un « nous » cohérent face au pouvoir.
Face à cette politique vectorielle du contrôle, la réponse ne peut être le simple retour à la signification transparente, ce serait comme vouloir résister aux réseaux de neurones avec des règles de grammaire. La réponse doit elle-même opérer au niveau des vecteurs : non pas constituer des significations contre la vectorisation, mais utiliser la vectorisation pour constituer des significations alternatives. Une politique des espaces latents qui accepterait de naviguer dans ces territoires mathématiques invisibles sans prétendre les ramener à une lisibilité classique.
Cela pourrait impliquer de développer des formes de « littératie vectorielle » qui ne viseraient pas la compréhension exhaustive des représentations, mais la capacité d’intervenir sur leurs effets. Comprendre comment les données d’entraînement façonnent les espaces latents, comment les biais s’inscrivent dans les topologies de similarité, comment les modes d’interpolation produisent certains types d’images ou de textes plutôt que d’autres. Non pas lire le sens caché des vecteurs, mais manipuler leurs trajectoires.
Cela pourrait aussi impliquer de renoncer à l’idéal de la transparence totale pour lui substituer un idéal de la navigabilité critique. Nous ne comprendrons jamais exhaustivement ce que « pense » un grand modèle de langage, mais nous pouvons cartographier ses tendances, identifier ses zones de stabilité et d’instabilité, repérer ses modes de défaillance caractéristiques. Une connaissance topologique plutôt que sémantique, une orientation dans l’espace plutôt qu’une lecture temporelle du texte.
Conclusion : habiter l’opacité
L’analogie platonicienne qui structure le discours sur l’alphabétisation à l’IA suppose une relation stable entre le visible et l’intelligible, le citoyen éduqué sort de la caverne pour contempler les formes vraies. Mais l’espace latent n’est pas une caverne avec une sortie vers la lumière. C’est un espace sans extérieur, où les ombres ne sont pas des copies dégradées d’originaux lumineux mais des configurations de probabilités sans référent stable.
Les discours institutionnels sur l’AI literacy continuent de promettre une émancipation par la compréhension, comme si savoir « comment fonctionne » ChatGPT ou Midjourney permettait de maîtriser son usage. Mais le vibe coding montre que même les experts peuvent (et parfois préfèrent) renoncer à cette compréhension. Et l’hypothèse de superposition suggère que la compréhension exhaustive des représentations internes est peut-être structurellement impossible, non par défaut temporaire de nos outils, mais par nature même du mode de représentation.
Cela ne signifie pas qu’il faille abandonner tout projet éducatif. Cela signifie qu’il faut reformuler ce projet en prenant acte de l’opacité comme condition plutôt que comme obstacle. Apprendre non pas à dissiper les ténèbres mais à s’y orienter ; non pas à lire un texte absent mais à naviguer dans un espace de possibles ; non pas à comprendre la machine mais à composer avec elle dans une relation qui ne sera jamais de maîtrise transparente.
Le citoyen de l’âge des vecteurs n’est pas celui qui a compris l’algorithme et la modélisation qui a présidé à son élaboration. Personne ne comprend vraiment un réseau de neurones profonds, pas même ses créateurs, parce qu’il est inductif et non plus déductif. Savoir comment a été programmé une IA n’est qu’une toute petite partie du problème parce que la vectorisation n’est pas le simple résultat de ce qui a été programmé : l’apprentissage dépasse ce qu’on pouvait en attendre. C’est celui qui sait intervenir dans les processus de vectorisation qui façonnent les subjectivités et les collectifs, qui peut identifier les assignations et les contester, qui participe à la constitution de significations dans et par l’espace latent plutôt que contre lui. C’est un lecteur sans texte préalable à la lecture, c’est un texte qui s’écrit à mesure qu’on le parcourt et selon la manière dont on le parcourt, un navigateur sans carte préétablie, sachant que la carte elle-même est toujours à constituer, et que cette constitution est l’enjeu même de la politique à venir.
Since the turn of the 2020s, an institutional consensus has formed around the necessity of artificial intelligence literacy. UNESCO, in its Guidance for Generative AI in Education and Research (2023), the Council of Europe in Artificial Intelligence and Education: A Critical View (2022), and the OECD in its reports on digital skills: all converge on the idea that citizens must acquire a minimal understanding of algorithmic systems to exercise their democratic autonomy. Ben Williamson, a researcher at the University of Edinburgh, observes in his work on the Code Acts in Education blog (2025) how this injunction for AI literacy is articulated with government mechanisms aimed at producing “competent” subjects in the face of technology.
The analogy with classical literacy structures this discourse. Just as learning alphabetical reading and writing was the condition for modern citizenship, so too would learning the functioning of algorithmic systems be the condition for digital citizenship. Bernard Stiegler insisted on this point in his work on digital technology: “If we still need to learn to read and count, it is because the free mind, capable of thought, is structured by the internalization of the history of its intellectual techniques.” For Stiegler, learning to code, to read code, constituted a political necessity, a way to avoid abandoning our cognitive faculties to the automatisms of machines, and to maintain a capacity for individuation in the face of technical externalization processes. Digital technology, like any pharmakon, can be poison or remedy: only an appropriate therapeutic approach, through the internalization of techniques, would allow it to be transformed into a tool for emancipation rather than a vector of servitude.
This position, consistently advocated until the philosopher’s death in 2020, rested on a tacit premise: that computer code belongs to the same regime of intelligibility as alphabetical writing. The symbols of code would carry meaning, be decipherable by a competent reader, and their understanding would grant access to the computational processes shaping our lives. The political space of citizenship was built upon the generalization of literacy, with isonomy presupposing equality in access to written memory. Similarly, the contemporary political space would be built upon the generalization of digital literacy.
This text proposes to test this analogy by examining a recent phenomenon that profoundly destabilizes it: the emergence of programming practices where code reading becomes superfluous, followed by the advent of AI systems whose internal representations structurally, and no longer merely temporarily, resist human interpretation. This is not to conclude that all technical education is useless, but to understand what a political framework that no longer rests on the ideal of transparent meaning might signify.
Anatomy of Vibe Coding
On February 2, 2025, Andrej Karpathy, former Director of AI at Tesla, founding researcher at OpenAI, and a central figure in deep learning, posted a message on X (formerly Twitter) that would be viewed over 4.5 million times:
“There’s a new kind of coding I call ‘vibe coding’, where you fully give in to the vibes, embrace exponentials, and forget that the code even exists. […] I ask for the dumbest things like ‘decrease the padding on the sidebar by half’ because I’m too lazy to find it. I ‘Accept All’ always, I don’t read the diffs anymore.”
Karpathy is not describing a beginner’s practice of programming assisted by AI. He is describing his own practice, that of a globally recognized expert who has chosen to forego reading the code he has generated. The term “vibe,” this intuitive atmosphere, this diffused feeling, signals precisely that the relationship with code has shifted from analytical understanding to an aesthetic apprehension, a global assessment of the result without examining the means.
Simon Willison, an influential developer and commentator, specified the distinctiveness of vibe coding compared to other forms of AI-assisted programming a few weeks later: “The key distinction is the deliberate abdication of understanding. Vibe coding means accepting code that works without caring why it works.” The deliberate abdication of understanding: the phrase is crucial. It is not a temporary inability that effort or training could overcome, but a strategic choice. The programmer could read and understand the generated code; the code remains code, written in a formal language with a defined syntax and semantics. But they choose not to, because that reading has become superfluous to achieving their goals.
This phenomenon must be situated within a longer history of the economic value attributed to the ability to read and write code. In the 1990s-2000s, at the height of the dot-com bubble, programmers constituted a rare and sought-after resource. The U.S. Bureau of Labor Statistics indicated in 2000 a median starting salary around $40,800 for junior developers, with rapid increases for experienced profiles. After the Nasdaq crash in March 2000, a drop of 76.81% that wiped out 400,000 jobs in the American technology sector, a paradox emerged: despite the 17% job contraction, the salaries of remaining programmers rose by 36%. A CEPR study (VoxEU, 2023) on the career trajectories of the “dot-com generation” shows that those who invested in programming skills during the boom experienced a 7% depreciation of their human capital compared to those who had diversified their skills.
Vibe coding represents the ironic culmination of this history. Economic value was attached to a rare skill: the ability to translate human intentions into machine-executable instructions. Generative AI makes this translation automatic, and thus the corresponding skill potentially obsolete. The expert programmer who practices vibe coding does not renounce programming; they renounce reading what they program. The delegation concerns reading, not writing: the latter transforms into a prompt, a natural language instruction that triggers the automatic generation of the code.
But, and this is the decisive point, the generated code remains perfectly readable. Another programmer, or the same programmer in a different context, could examine every line, trace every function, understand every algorithm. The code still belongs to the regime of meaning: every symbol has a denotation, every instruction has a calculable effect, every program has a reconstructible logic. What has changed is not the intrinsic readability of the code, but the practical necessity of reading it. The delegation does not affect the being of the code but the relationship we maintain with it.
Beyond the Regime of Meaning
With the latent space of deep neural networks, we enter an entirely different regime. No longer the delegation of a possible but unnecessary reading, but the confrontation with representations that structurally resist reading, representations that do not belong to the same order as symbolic code.
What is a latent space? Technically, it is an intermediate mathematical representation, situated between the input and output layers of a neural network, where data is encoded as statistical vectors in a high-dimensional space—hundreds, thousands, sometimes millions of dimensions. Unlike traditional representation spaces (pixels for an image, samples for a sound), the latent space does not organize data according to immediately intelligible sensory properties, but according to statistical proximities that emerge from the learning process itself.
The vector, a mathematical object defined by magnitude and direction, becomes the primordial operator of this space. But it is empty of inherent meaning. It is composed of two points, a line whose tension is the length, and an arrow as direction: pure geometry without a priori semantics. When the word “cat” is encoded as the vector [0.2, -0.8, 1.5, 0.1], each dimension does not refer to any isolatable property of feline-ness. It is only the relative position of the vectors in this space that produces effects of meaning, the famous example “king – man + woman ≈ queen” illustrating a geometric regularity that mimics a semantic relationship without signifying it in the literal sense.
This distinction is crucial. Classic computer code works by inscription: each instruction is a sign that denotes an operation, and the composition of instructions produces a program whose meaning is the composition of the meanings of its parts. The latent space works by statistical induction: the vectors have no atomic meaning; they acquire their properties relationally, through their position in a topology of learned similarities. We move from a hypothetico-deductive logic, where rules are posited and then applied, to an inductive logic where regularities emerge from the massive accumulation of data without prior ideation.
A crucial aspect lies in the continuity of this space: between any two points, a continuum of intermediate points exists which, when decoded, produce gradual and coherent variations. Between a smiling face and a serious face, an infinity of intermediate faces; between a cat and a dog, hybrid creatures never before seen but recognizable. This continuity allows for what can be called fluxation, a movement where the form remains recognizable while undergoing constant internal transformations. Code, on the other hand, is discrete: there are valid instructions and syntax errors, with no intermediate zone.
The Opaque Superposition Hypothesis
Why does latent space resist interpretation? The most common answer invokes complexity: too many parameters (billions in large language models), too many dimensions (thousands), too many non-linear interactions. This answer suggests that opacity is temporary, and that with better tools, more time, and more computational resources, we will eventually understand.
However, research in interpretability suggests a more troubling answer. Anthropic’s team, in Toy Models of Superposition (2022), proposed the “superposition hypothesis”: neural networks represent more features (semantically distinct characteristics) than they have neurons, by exploiting the possible quasi-orthogonality in high-dimensional spaces. The same neuron might participate in the representation of multiple unrelated features, a phenomenon dubbed “polysemia.”
If the superposition hypothesis is correct, then there is no interpretable basis for the network’s activations. Trying to attribute meaning to each neuron is fundamentally misframing the problem, because neurons are not the primitive units of representation; they are partial projections of features distributed throughout the entire space. Research into Sparse Autoencoders (SAEs) attempts to extract these features, but the problem is circular: we do not know how many features exist, nor how to validate that a proposed decomposition corresponds to the “true” structure of the model.
More profoundly, a recent study on Incidental Polysemanticity (AI Alignment Forum, 2023) shows that polysemia can emerge even when the number of features is less than the number of neurons, simply because random initialization and training dynamics lead to representational overlaps. It is not only that networks compress information out of necessity; it is that the very process of gradient-based learning favors entangled representations. Literacy was predicated on an atomic decomposition of letters, words, sentences, and documents. It is the discrete and decomposable nature of language that is called into question here.
Opacity is thus not an accident to be corrected but a structural property of the mode of representation. As the researchers at Minds and Machines (2025) write in their analysis of deep network opacity: “It is not that we are unaware of how the model works; its internal processes, the values assigned to nodes, and the number of layers are often observable. Rather, despite this transparency, the very complexity of the model’s functionality renders the correspondence between inputs and outputs opaque.” Semantic opacity (what do the representations mean?) and mechanistic opacity (how does the model compute?) reinforce each other, and no current technique can lift them simultaneously.
A Look at What Emerges
The question of emergent abilities in large language models sheds further light on the limits of interpretation. The paper by Wei et al. (2022) identified abilities that seemed to appear suddenly beyond a certain size threshold: the model could not do something, and then, with a few more parameters, it could. This apparent discontinuity fueled a narrative of AI as an unpredictable power, capable of surprising developments.
However, the paper by Schaeffer, Miranda, and Koyejo presented at NeurIPS 2023, Are Emergent Abilities of Large Language Models a Mirage?, proposes an alternative explanation: “emergent” abilities are an artifact of the metrics used. Non-linear or discontinuous metrics (such as the binary correct/incorrect score) produce performance curves with apparent thresholds; linear or continuous metrics (such as edit distance or Brier score) reveal gradual and predictable improvements. Over 92% of the emergent abilities identified on BIG-Bench appear under only two metrics: Multiple Choice Grade and Exact String Match.
This discovery is philosophically significant. It suggests that what “emerges” is not an intrinsic property of the model, but the product of the interaction between the model, the task, and the measurement instrument. Emergence is as much a function of the perspective we take as it is of what is being observed. Researchers construct benchmarks, choose metrics, and define success thresholds, and these choices shape what will be visible as discontinuous progress or as gradual improvement.
This does not mean that large models do nothing remarkable. It means that our understanding of what they do is mediated by epistemic devices whose presuppositions structure the results. The analogy with classical literacy assumes a stable text that different readers can decipher identically. The latent space does not offer this stability: it is always a function of my space and that of the other, a comparison that allows for its induction and renders any definitive proof inoperable.
The Hollow Sign
Quentin Meillassoux, in a 2016 lecture at the ENS on the “Principles of the Hollow Sign,” developed a conception of mathematical formalism as capable of accessing the in-itself without passing through sensible qualities. The mathematical sign would be “hollow” in that it does not denote a perceptible property but operates formally, solely through its syntactic relations. This semantic emptiness would be precisely what allows it to reach the absolute.
The analogy with latent space vectors is tempting. Vectors, too, are “hollow,” empty of intrinsic meaning, purely relational, operating through geometric proximities rather than by denotation. And they seem to access something that exceeds human perception: regularities in high-dimensional spaces that we cannot visualize, statistical patterns in corpora exceeding any possible individual reading.
But the analogy encounters a significant limit. For Meillassoux, the formal sign is hollow because it has been deliberately emptied of all sensible reference by the axiomatic gesture; it is a pure symbol manipulable according to explicit rules. The latent space vector, on the contrary, is saturated with an empirical history: it is the statistical precipitate of millions of images, texts, and sounds produced by human beings in determined cultural contexts. It is not empty of content; it contains, in compressed and distributed form, the entire memory of its training dataset.
Acknowledging this limit does not disqualify the conceptual interest of the analogy. It allows us to contemplate a form of representation that operates without assignable meaning to its primitive elements, a representation where meaning emerges from relations rather than being inscribed in symbols. But it also reminds us that latent space vectors are not pure forms: they are imprints of imprints, traces of traces, according to a Derridean logic of archi-writing that remains linked to its human origin even when it exceeds conscious grasp.
Towards a Vectorial Politics
If latent space structurally resists interpretation, what becomes of the literacy project? If vectors have no readable meaning, what is the point of learning to read them?
A first response would be to distinguish between levels. The code generated by AI systems, the code the vibe coder chooses not to read, remains readable. Training citizens capable of reading this code retains value, even if actual practice tends towards delegation. But this response maintains the ideal of transparent meaning as a regulatory horizon, even as the systems actually deployed move away from it.
A second, more radical response would be to conceive of a politics that no longer relies on semantic transparency but accepts opacity as a structural condition. Not a politics that passively accepts misunderstanding, but one that operates at the very level of latent space.
Vectorization does not concern only the internal representations of neural networks. Today, it constitutes a fundamental onto-political process that structures the social fabric. Every individual, every group is assigned to vectors—gender, age, origin, socioeconomic position—that determine their possible trajectories in the algorithmized social space. This vectorization crosses the entire political spectrum: whether they claim to be on the right or the left, political actors share the same methodology of categorization and assignment. Their disagreement is about the differential valuation of positions, not the legitimacy of the vectorial process itself.
“Vectofascism,” a neologism coined to denote the adaptation of fascism to the technical structures of the digital age, operates precisely in this dimension. No longer the mobilization of masses in physical space, but the modulation of attention and affect flows in the latent spaces of servers. The vectofascist technical image is personalized, multiple, seemingly unique for each viewer, but this multiplication masks the fundamental unity of the program that calculates it. Hate becomes bespoke, algorithmically optimized to maximize the engagement of each population segment. Political disagreement fragments into incommensurable disputes, each information bubble developing its own figures of the enemy without the possibility of constituting a coherent “we” in the face of power.
Faced with this vectorial politics of control, the response cannot be a simple return to transparent meaning; that would be like trying to resist neural networks with grammar rules. The response must itself operate at the level of vectors: not to constitute meanings against vectorization, but to use vectorization to constitute alternative meanings. A politics of latent spaces that accepts navigating these invisible mathematical territories without claiming to reduce them to classical readability.
This might imply developing forms of “vectorial literacy” that would not aim for exhaustive understanding of the representations, but for the ability to intervene on their effects. Understanding how training data shapes latent spaces, how biases are inscribed in similarity topologies, how interpolation modes produce certain types of images or texts rather than others. Not reading the hidden meaning of the vectors, but manipulating their trajectories.
It might also imply renouncing the ideal of total transparency and substituting it with an ideal of critical navigability. We will never exhaustively understand what a large language model “thinks,” but we can map its tendencies, identify its zones of stability and instability, and locate its characteristic modes of failure. A topological knowledge rather than a semantic one, an orientation in space rather than a temporal reading of the text.
Conclusion: Inhabiting Opacity
The Platonic analogy that structures the discourse on AI literacy assumes a stable relationship between the visible and the intelligible; the educated citizen leaves the cave to contemplate the true forms. But latent space is not a cave with an exit to the light. It is a space without an outside, where shadows are not degraded copies of luminous originals but configurations of probabilities without a stable referent.
Institutional discourses on AI literacy continue to promise emancipation through understanding, as if knowing “how ChatGPT or Midjourney works” would allow for mastery of its use. But vibe coding shows that even experts can (and sometimes prefer to) forgo this understanding. And the superposition hypothesis suggests that exhaustive understanding of internal representations may be structurally impossible, not due to a temporary lack of tools, but due to the very nature of the mode of representation.
This does not mean that all educational projects should be abandoned. It means that this project must be reformulated by accepting opacity as a condition rather than an obstacle. Learning not to dispel the darkness but to find one’s way in it; not to read an absent text but to navigate a space of possibilities; not to understand the machine but to compose with it in a relationship that will never be one of transparent mastery.
The citizen of the age of vectors is not the one who has understood the algorithm and the modeling that presided over its creation. No one truly understands a deep neural network, not even its creators, because it is inductive and no longer deductive. Knowing how an AI was programmed is only a tiny part of the problem because vectorization is not the simple result of what was programmed: the learning exceeds what could be expected from it. It is the one who knows how to intervene in the vectorization processes that shape subjectivities and collectives, who can identify assignments and challenge them, who participates in the constitution of meanings in and by the latent space rather than against it. This is a reader without a text prior to reading; it is a text that writes itself as it is traversed and according to how it is traversed, a navigator without a pre-established map, knowing that the map itself is always to be constituted, and that this constitution is the very stake of the politics to come.
Références
Conseil de l’Europe. Artificial Intelligence and Education: A Critical View Through the Lens of Human Rights, Democracy and the Rule of Law. Strasbourg, 2022.
Elhage, Nelson, et al. « Toy Models of Superposition. » Transformer Circuits Thread, 2022.
Karpathy, Andrej. Post sur X (anciennement Twitter), 2 février 2025.
Meillassoux, Quentin. Après la finitude : Essai sur la nécessité de la contingence. Paris : Seuil, 2006.
Meillassoux, Quentin. « Principes du signe creux. » Conférence à l’ENS, 2016. Transcription sur chatonsky.net.
Schaeffer, Rylan, Brando Miranda, et Sanmi Koyejo. « Are Emergent Abilities of Large Language Models a Mirage? » 37th Conference on Neural Information Processing Systems (NeurIPS 2023).
Stiegler, Bernard. « Le numérique empêche-t-il de penser ? » Revue Esprit, janvier 2014.
UNESCO. Guidance for Generative AI in Education and Research. Paris, 2023.
Wei, Jason, et al. « Emergent Abilities of Large Language Models. » Transactions on Machine Learning Research, 2022.
Williamson, Ben. « Performing AI Literacy. » Code Acts in Education, 2025. https://codeactsineducation.wordpress.com
Willison, Simon. “Not All AI-Assisted Programming Is Vibe Coding.” Blog personnel, mars 2025.