Newsletter · 2026-08-08 · Ashutosh Agarwal

Nous regrettons que le product management existe - How They Build - Semaine du 8 août 2026

Une synthèse multi-podcasts pour la semaine du 8 août 2026 sur la façon dont les équipes logicielles suppriment la couche managériale et le product management à mesure que l'IA concentre le levier entre moins de mains, et sur la manière dont la facture de tokens qui en résulte est devenue assez élevée pour rivaliser avec un salaire complet.

How They Build

Semaine du 8 août 2026 : nous regrettons que le product management existe

Cette semaine, la couche qu'on supprime en premier n'est pas le codeur, c'est le manager et le product manager au milieu. Et aussi : la facture d'IA s'est tranquillement transformée en salaire, et une entreprise le dit désormais tout haut.

Depuis un an, l'histoire du « comment ils construisent » tournait surtout autour de la personne au clavier : les agents écrivent le code, donc il faut moins d'ingénieurs. Cette semaine, la conversation a remonté l'organigramme. Fondateur après fondateur a décrit comment on coupe le milieu, le manager qui distribuait le travail, le product manager qui animait la réunion d'alignement, l'analyste qui sortait le rapport, en repoussant tous ceux qui restent vers le travail concret. La formule la plus citable de la semaine est venue d'une émission phare consacrée au produit, où un chief product officer bien connu a expliqué que son entreprise l'écrit littéralement dans ses documents internes : nous regrettons que le product management existe.

Et en toile de fond, la même tension qui a défini toute cette série : l'argent n'a pas disparu quand les gens ont disparu. Il s'est déplacé vers le compteur de tokens. Cette semaine, plusieurs opérateurs ont mis un chiffre brutal dessus : à plein régime, la consommation d'IA d'un seul ingénieur coûte à peu près autant que le salaire d'un deuxième ingénieur, et un groupe d'investisseurs a commencé à donner un nom à ce problème : « retour sur tokens investis ».

Le chiffre : 21 product managers. 31 832 candidatures. Une embauche.

La statistique d'efficacité la plus frappante de la semaine vient de Tom Verrilli, chief product officer de Whatnot, sur Lenny's Podcast. Whatnot est une place de marché de live-shopping en forte croissance, et le volume de marchandises que ses vendeurs écoulent est colossal. Le nombre de product managers qui pilotent tout cela : environ 21.

« On vient de dépasser les 20 PM. On en a, je crois, 21, 22 dans la boîte aujourd'hui, ce qui, pour ceux qui suivent notre trajectoire, est plutôt réduit compte tenu du volume de GMV que déplacent nos vendeurs. »

Et ils ajoutent des PM presque jamais. Comme l'a formulé l'animateur Lenny Rachitsky, en relisant une statistique que Verrilli avait partagée : « Ces deux dernières années, 31 832 personnes ont postulé pour être product manager chez Whatnot. On en a embauché une. » La réponse de Verrilli : « Exact. »

La formule provocatrice est une phrase que l'entreprise utilise dans ses propres écrits internes, celle où elle « regrette que le product management existe ». Verrilli a pris soin de préciser ce que cela signifie et ne signifie pas. Ce n'est pas que les PM soient inutiles ; c'est que Whatnot refuse de supposer que chaque équipe en a besoin. Ils rattachent les PM à des problèmes, pas à des équipes, et les réaffectent tous les six mois. Le résultat : « il y aura une année ou plus sans PM rattaché à une équipe d'ingénierie donnée, même s'il y a énormément de travail produit en cours », parce que l'ingénieur ou le designer peut s'en charger à sa place.

Ce qui rend cela possible tient en partie à l'IA, et Verrilli a été honnête sur le fait que ce n'est pas toute l'histoire. « Je ne pense pas que ce soit explicitement à cause de l'IA, mais je pense qu'elle rend les choses beaucoup plus faciles », a-t-il dit. Le levier dont dispose désormais une seule personne fait le reste :

« On est tellement capables de faire des choses aujourd'hui avec l'IA qu'on ressent presque une pression liée à tout ce qu'on ne fait pas, parce qu'on sait que si on se dégageait quelques heures de plus, on pourrait faire avancer énormément de sujets. On peut aujourd'hui extraire des données sur un thread Hex en un temps qui aurait pris une semaine ou deux à un data scientist niveau L7 chez Amazon en 2017. »

L'effet d'entraînement qu'il recherche est un organigramme plus plat, plus senior, plus opérationnel. Il a cité la liste croissante de CTO de grandes entreprises qui ont démissionné pour devenir de simples ingénieurs chez Anthropic, « le CTO de Workday n'est plus qu'un membre du personnel technique chez Anthropic ; le CTO d'Instagram, le CTO de Box, le CTO de Super.com, ce sont juste des ingénieurs maintenant », et a ajouté : « C'est mon plus grand souhait que le vivier produit de Whatnot ressemble fondamentalement à ça. » Il a même un argument comptable pour cela : prenez la masse salariale totale d'une pyramide classique, cinq L5 sous un L7, quatre L7 sous un VP, et embauchez à la place trois personnes en les « payant toutes au tarif VP, surtout si elles ont ce niveau d'impact ». Verrilli a lui-même livré du code en production, tout en étant le premier à admettre que « quelqu'un a discrètement retravaillé la majeure partie de mon code », ce que lui et Claude Code « n'ont pas réussi à faire correctement ».

Lenny's Podcast, « This CPO regrets that product management exists | Tom Verrilli (CPO of Whatnot) » (2 août 2026).

Ce que les fondateurs ont changé

« Trois personnes à 80 000 dollars deviennent une personne à 220 000 dollars, faisant le travail de dix. » Sur The Andrew Faris Podcast, l'investisseur-opérateur Mehtab Bhogal de Karta Ventures, qui contribue à gérer un portefeuille de marques e-commerce, a livré le calcul en dollars le plus limpide de la semaine sur la disparition de la couche managériale. Son cadrage : dans une entreprise de 40 personnes, on avait autrefois une couche de direction, une couche VP/manager, et les contributeurs individuels qui font réellement le travail. Cette couche intermédiaire « a en gros disparu, ou est beaucoup, beaucoup plus réduite, simplement parce que chaque personne peut faire tellement plus. »

« Vous aviez peut-être trois personnes payées 80 000 dollars par an chacune. Vous pouvez maintenant avoir une personne payée 220 000 dollars par an, mais qui peut faire l'équivalent du travail de dix de ces personnes. »

La raison, dit-il, est que l'IA donne aux rôles ordinaires le genre de levier qui appartenait autrefois au seul rare « ingénieur 10x » ou au vendeur légendaire : « Maintenant, on a l'impression que presque chaque rôle a le même levier qu'un développeur 10x. » Son exemple le plus concret est un poste qu'il voit purement et simplement disparaître, le préparateur de données en interne. « Pendant longtemps, on a toujours eu un type dont le travail consistait uniquement à faire tourner divers rapports que les gens demandaient », a-t-il dit ; maintenant, quiconque est curieux peut interroger directement les données avec l'IA, si bien que ce rôle se retrouve « désintermédié ». Il a aussi décrit l'utilisation d'un mode de « revue adversariale » qui déclenche des dizaines d'agents pour attaquer et affiner ses propres modèles financiers avant qu'il ne leur fasse confiance, parce que « le taux d'erreur chute considérablement ».

The Andrew Faris Podcast, « Where AI Is Actually Making Money In Ecommerce – Mehtab Bhogal » (3 août 2026).

Un CRO a fusionné tout son organigramme go-to-market, et ce n'était pas principalement une histoire d'IA. Sur The Revenue Leadership Podcast, Ian Tickle, le nouveau CRO de Freshworks, a détaillé la fusion d'une structure autrefois scindée, les ventes séparées du succès client, une équipe de moins de 500 salariés séparée d'une équipe de plus de 500, en une seule organisation. Il faut être clair ici : il a présenté ce choix comme motivé par le coût et l'expérience client, pas par l'IA. Son raisonnement était que les couches et la duplication gênaient le client : « Plus on ajoute de couches, plus il est difficile de faire descendre le message », et « les clients se moquent de mon organigramme. » Il a repris la vieille idée de Shopify de ne pas « expédier son organigramme », de ne pas faire ressentir aux clients les coutures internes de l'entreprise. C'est un rappel utile que l'instinct qui balaie aujourd'hui le logiciel, effondrer le milieu, centraliser, aplatir, dépasse l'IA ; l'IA ne fait que verser de l'accélérant sur un feu que des opérateurs soucieux d'efficacité avaient déjà allumé.

The Revenue Leadership Podcast with Kyle Norton, « E72: I Collapsed My GTM Org Chart. This Is Why | Ian Tickle, CRO @ Freshworks » (6 août 2026).

Un homme reconstruit tout seul un jeu en ligne entier, et a arrêté de relire du code. L'aperçu le plus saisissant de la direction que prend tout cela est venu sur Dev Interrupted, où les animateurs ont décortiqué deux nouveaux essais de l'ingénieur chevronné Steve Yegge. Yegge construit désormais son jeu massivement multijoueur Wyvern, un projet passion qu'il porte depuis le début des années 2000, quasiment en solo, en orchestrant une flotte d'agents. Il admet posséder « 12 comptes Claude Max environ » et « fait tourner les tokens comme un robinet » pour que ses agents puissent « travailler sans relâche, jour et nuit ». Il les répartit en rôles selon une « localité cognitive », leur donne des identités persistantes qui survivent aux mises à jour de modèles (il laisse même chacun choisir un animal pour se représenter), et les entretient, une philosophie qu'il qualifie mi-sérieusement de « bien-être des modèles », partant du principe qu'un agent soutenu et bien briefé travaille mieux.

Le détail sur lequel les dirigeants d'ingénierie devraient s'attarder est ce qu'il appelle la « ruée vers l'or ». Le volume de code que produisent ses agents est si élevé que les tests classiques avant fusion se sont complètement effondrés. Comme l'ont décrit les animateurs : « Les choses sont simplement fusionnées directement dans main. Il aligne un tas de PR et les envoie toutes d'un coup dans main, puis, au lieu de les faire passer par des vérifications, il envoie un essaim d'agents parcourir la base de code désormais manifestement cassée pour corriger tous les problèmes. » Autrement dit : « Il ne vérifie pas les choses. Il les corrige en production. » Cela paraît imprudent, et pour la plupart des équipes, ça le serait, mais c'est un vrai aperçu de ce à quoi ressemblera le « comment ils construisent » quand une seule personne dirige une armée de codeurs infatigables.

Dev Interrupted, « Model welfare, building a civilization for agents, and the CI/CD landrush » (7 août 2026).

Un designer de marque a livré tout un site web d'entreprise (code, animations, déploiement) en une semaine, seul. Sur le Y Combinator Startup Podcast, l'équipe derrière l'outil de design Paper a décrit comment le passage de relais entre design et ingénierie est en train de disparaître purement et simplement. Leur designer de marque, Agu, « un brillant designer de marque qui code un peu, mais qui ne se dirait pas programmeur », a construit tout le site de lancement de l'entreprise « en une semaine environ, y compris sa mise en ligne, y compris toutes les animations », avec des shaders de fond sur mesure. Il l'a conçu dans Paper, puis a demandé à un agent : « prends mes designs Paper, transforme-les en base de code. » C'est un site Next.js. « Personne d'autre n'a regardé ça. Agu a fait ça de bout en bout en une semaine. » Leur résumé de la nouvelle boucle : « Il n'y a même plus de passage de relais. C'est une seule personne qui fait les changements, itère et livre, une seule personne peut faire le travail d'une équipe entière. »

Fait notable, Paper est aussi le signal d'alarme de la semaine. Ils gardent leur produit cœur construit par des humains, délibérément : « Un logiciel de qualité prend du temps. On a des concurrents qui ont absolument toutes les fonctionnalités, mais les gens veulent que Paper soit meilleur. » Leurs designers d'expérience, disent-ils, ont besoin d'interfaces fluides à 120 images par seconde « et les agents n'en sont tout simplement pas encore là ». L'entreprise entière compte 12 personnes, délibérément : « Une petite équipe d'élite maintient un niveau de talent très élevé ; moins on a de monde, moins on a de charge de communication. »

Y Combinator Startup Podcast, « How To Design In The Agent Era » (7 août 2026).

« Chasse ouverte sur les vieux contrôleurs » : les chantiers de six semaines n'en prennent plus que deux. Sur Manufacturing Hub, David Nichols, de la société d'intégration de systèmes Loupe, a décrit comment l'IA a bouleversé le travail d'ingénierie industrielle, et menace le fossé concurrentiel de son propre secteur. « On parlait auparavant en sprints de six semaines », a-t-il dit. « Ce qu'on accomplit en six semaines est cinq fois plus élevé aujourd'hui. Ce qui prenait six semaines en prend deux. » Son exemple préféré : un ingénieur qui essayait de comprendre une cellule robotique défaillante, vieille de plusieurs décennies, « a mis tous les documents bruts et le fichier texte brut du robot dans un dossier et a demandé à Claude de faire un diagramme d'état. Il a rétro-ingénieré toute la cellule en 30 minutes », produisant « une meilleure documentation qu'ils n'en ont jamais eu », qui a aussi révélé précisément pourquoi la machine tombait constamment en panne. L'économie d'une réécriture s'est complètement inversée : ce qui était autrefois la chose la plus bête qu'un ingénieur puisse faire (« ne jamais réécrire ») est désormais souvent la correction la plus rapide. Son avertissement à son propre secteur, il l'a intitulé la fin du « fossé de l'intégrateur système », était sans détour : « La remise à niveau de contrôle vient de bénéficier d'une énorme remise. C'est la chasse ouverte sur les vieux contrôleurs. » (Il a aussi mentionné, en passant, avoir refait le site web de Loupe lui-même, backend et déploiement compris, entre 9 h et 14 h en une seule journée.)

Manufacturing Hub, « Ep. 268 – David Nichols of Loupe on Claude Code, AI Retrofits, and the End of the SI Moat » (6 août 2026).

L'autre son de cloche : plus de code ne veut pas dire plus de livré

Deux voix avisées ont contesté cette semaine le récit « virez le milieu et regardez la production s'envoler », non pas en niant le levier, mais en questionnant si la production est bien réelle.

« Les données d'adoption sont un leurre. » Sur Dev Interrupted, Arnab Bose, chief product officer chez Asana, a soutenu que la plupart des entreprises mesurent la mauvaise chose. Dans une maison comme Asana, tout le monde veut utiliser tous les outils d'IA à la fois, « donc regarder les données d'adoption est un peu un leurre, ça ne nous aide pas à suivre les vrais résultats. Est-ce qu'on améliore réellement la productivité, ou est-ce qu'on joue avec plein d'outils sans avoir amélioré le métier ? » Le piège qu'il a nommé : « On peut dire qu'on a livré 40 fonctionnalités ce mois-ci contre 20 le mois dernier, mais 20 de ces fonctionnalités restent sur l'étagère. » Son équipe surveille désormais le temps de cycle de bout en bout, pas la vitesse brute de pull request. Le même épisode citait un benchmark construit sur 2,7 millions de pull requests dans plus de 250 organisations d'ingénierie, qui a révélé, selon les termes de l'émission, qu'« une forte utilisation de l'IA est corrélée à un doublement des PR fusionnées », mais aussi que « plus de code IA ne signifie pas automatiquement plus de code livré ».

Et les ingénieurs ne vont pas simplement s'évaporer. Sur No Priors, les investisseurs Sarah Guo et Elad Gil ont soutenu que même si les grandes entreprises tech se séparent de certains ingénieurs, « il y a énormément de débouchés pour eux », l'ingénieur moyen chez Google est « exceptionnel dans le contexte de certaines entreprises traditionnelles » et sera « très convoité par GE, PG&E ou Hershey's ». Gil pense aussi que la « mort du SaaS » est exagérée, pour une raison de coût sur laquelle nous reviendrons : pourquoi brûler des tokens coûteux à reconstruire un logiciel bon marché que vous payez déjà très peu cher ? Sur The AI Fundamentalists, un animateur a formulé la version « capital humain » du même argument : étant donné qu'un agent à temps plein, en usage intensif, peut coûter autant qu'un salaire, « je préfère investir dans un jeune ingénieur vraiment talentueux qui apprend et deviendra un ingénieur senior plutôt que de simplement payer Anthropic pour de la production. »

Le coin des coûts : la facture est devenue un salaire

C'est le thème qui mérite d'être signalé le plus fort, une fois de plus, mais l'histoire a mûri. Le mois dernier, c'était le choc (« attends, la facture d'IA est à quel point élevée ? »). Cette semaine, c'est devenu une discipline de gestion : nommer le coût, le budgétiser par personne, et décider qui le mérite.

La phrase qui résume tout le virage. Sur The AI Fundamentalists, les animateurs ont fait le calcul que tout le monde fait désormais discrètement :

« Si vous dépensez seulement 300 à 500 dollars par jour en coûts API bruts, cela équivaut à un salaire d'ingénieur de 100 000 à 180 000 dollars. Donc si vous êtes à fond sur les tokens, autant payer un employé à ce tarif-là. »

Ou, comme des clients commencent à le leur dire, « un employé numérique peut coûter plus cher qu'un employé humain ». Pour donner une idée de la vitesse à laquelle tourne le compteur : mille tokens sur un grand modèle OpenAI coûtent environ un centime ; sur Opus d'Anthropic, environ deux centimes et demi. Ce n'est rien par appel, et c'est tout quand les agents passent des millions d'appels. Le même épisode a signalé le mécanisme qui verrouille cette tendance : GitHub fait basculer tous les plans Copilot vers une facturation à l'usage, à environ un centime par crédit IA, mettant fin à l'ère de l'abonnement forfaitaire, et les utilisateurs les plus intensifs sont actuellement subventionnés, brûlant « 10 à 100 fois plus de tokens qu'ils n'en paient ». Les comptes, ont-ils dit, « ne sont pas encore équilibrés ».

Le recadrage : « retour sur tokens investis ». Sur No Priors, Elad Gil a donné un nom au nouveau modèle mental. Les entreprises passent, dit-il, de « tout le monde utilise l'IA et fait ce qu'il veut » à « il faut qu'on mesure nos dépenses », puis à la vraie question : « Quels sont les projets et les personnes qui devraient réellement recevoir une part disproportionnée d'un budget de tokens ? C'est comme un retour sur tokens investis, une métrique ROIT. Si vous avez un certain budget de tokens, à qui le donnez-vous et pourquoi ? » La preuve la plus frappante est venue des laboratoires d'IA eux-mêmes : Gil a dit que certains ont « ralenti le recrutement de chercheurs à moins qu'ils ne soient au-dessus d'une barre très, très élevée, parce que le coût n'est pas le chercheur, c'est le calcul associé à la personne ». Le calcul, pas le talent, est la ressource rare, et il est confié à la poignée de personnes qui produisent la majorité des résultats.

La contre-mesure que tout le monde adopte : router le travail bon marché vers un modèle bon marché. Sur Making Data Simple, Rob May, PDG de NeuroMetric AI, a décrit le schéma qu'il voit constamment : une entreprise qui dépense « 100 000 à 200 000 dollars par mois en inférence, en croissance de 20 à 30 % par mois », qui se retrouve face à « une facture annuelle de 5 millions de dollars ». Quand ils décomposent ce qu'ils demandent réellement au modèle de pointe, une grande partie est banale, « 15 000 dollars par mois rien que pour résumer les notes des réunions commerciales », quelque chose qu'un petit modèle bon marché gère depuis des années « pour peut-être 1 000 dollars par mois ». En affinant de petits modèles pour des tâches ciblées et en y routant le trafic, il dit que son client moyen « économise environ 75 %, dans le pire des cas 40 % », généralement avec « une accélération de deux à quatre fois et des réponses à peu près équivalentes ». Sur Tech Disruptors, la COO d'Okta a décrit le même revirement, vu côté acheteur : « Il y a trois mois, les gens disaient à leurs ingénieurs de dépenser autant qu'ils le pouvaient en tokens. Maintenant, ils se rendent compte qu'ils ne peuvent pas dépenser autant. » Son résumé du parcours IA de chaque entreprise : encourager tout le monde à essayer, les former, surveiller qui est productif, et « puis finalement tout le monde arrive au moment où l'on réalise qu'on dépense bien plus en tokens qu'on ne l'imaginait ».

Mais voici le rebondissement, certains tokens deviennent plus chers. Sur Eye On A.I., Sid Sheth, du fabricant de puces d-Matrix, a décrit l'émergence d'une « économie de tokens premium » à côté de l'économie bon marché. La raison, c'est la vitesse. Depuis que des outils comme Claude Code ont banalisé le codage interactif en temps réel, « plus le modèle répond vite, plus l'utilisateur a de chances de rester », et les entreprises font désormais payer cela. « Vous pouvez dire, je ne veux pas ce niveau d'interactivité, auquel cas je paierai 2 dollars le million de tokens », a dit Sheth. « Mais si je veux ce haut niveau d'interactivité, je paierai 20 dollars le million de tokens, et les gens sont prêts à payer ces 20 dollars. » Le marché se scinde donc dans deux directions à la fois : une course vers le bas pour le travail courant, et une course vers le haut pour la réponse instantanée.

La guerre des prix est bien réelle, et elle a une cible. Sur Everyday AI, les sorties de modèles de la semaine ont montré à quel point le bas de gamme est devenu féroce. Meta a lancé un agent de codage en ligne de commande façon Claude Code (Muse Code) sur un nouveau modèle facturé 1,25 dollar par million de tokens en entrée, 4,25 dollars en sortie, avec un « palier contributeur » qui fait tomber ce prix à 0,10 $ en entrée / 0,20 $ en sortie, environ 95 % de rabais, si vous laissez Meta entraîner ses modèles sur votre code. L'animateur l'a formulé sans détour : « Ça ressemble à une attaque contre Anthropic », puisque le codage est le domaine où « Anthropic tirerait environ 80 % de son chiffre d'affaires ». OpenAI, de son côté, a rendu un modèle de pointe (GPT-5.6 Luna, « pratiquement au niveau de Claude Sonnet 5 ») gratuit et illimité pour environ un milliard d'utilisateurs après avoir baissé son prix de 80 %, et le nouveau modèle à poids ouverts d'Alibaba, Qwen, va commencer à facturer les grandes entreprises un pourcentage de leur chiffre d'affaires. Le verdict de l'animateur : « Ça n'a pas été de bonnes semaines pour Anthropic », qui se dirigerait, dit-on, vers une introduction en bourse dans quelques mois.

Et l'appel macro à contre-courant : l'IA pourrait devenir plus chère, pas moins. Sur le Dwarkesh Podcast, l'animateur a exposé le calcul inconfortable qui se cache derrière toute cette euphorie des tokens bon marché. Anthropic a fait croître son chiffre d'affaires d'environ 10 fois par an pendant trois ans, passant de 9 milliards de dollars l'an dernier à sans doute 100 à 150 milliards cette année, mais le calcul disponible dans les laboratoires ne croît que d'environ 3 fois par an. Quelque chose doit céder. Les marges d'inférence sont déjà passées « de 40 % au milieu de l'année dernière à plus de 80 % aujourd'hui », et les prix spot du calcul sont « plus de 40 % au-dessus du creux de février ». Son expérience de pensée titre : si un ingénieur logiciel véritablement au niveau humain pouvait tourner sur une seule puce haut de gamme (un H100), alors, aux salaires d'ingénieurs actuels, « ce H100 devrait se louer plus de 250 000 dollars par an, plus de 15 fois le prix actuel », avant même de compter que l'IA travaille les nuits et les week-ends. Comme preuve que la pression est bien là, il a cité Google payant SpaceX « 900 millions de dollars par mois pour 110 000 GPU, environ le double du prix spot ». Même le matériel qu'on achèterait pour échapper au cloud s'est envolé : The AI Fundamentalists a noté que le prix de la RAM a grimpé d'environ 220 %, celui du stockage flash d'environ 470 %, et celui des GPU de 100 à 300 %, avec des Mac Mini et des Mac Studio en rupture de stock depuis des mois, tout le monde essayant de faire tourner des modèles chez soi.

Le fil conducteur : Depuis un an, on regarde l'IA supprimer des emplois par le bas de l'organigramme. Cette semaine, elle a commencé à en supprimer par le milieu, les managers qui distribuaient le travail, les PM qui alignaient, les analystes qui allaient chercher les données, et Whatnot a été assez direct pour écrire « nous regrettons que le product management existe » dans son propre playbook. Mais les mêmes opérateurs qui coupent cette couche fixent désormais un compteur de tokens qui tourne à la vitesse d'un deuxième salaire, et les plus lucides d'entre eux ont cessé de demander « comment utiliser plus d'IA ? » pour demander « qui, ici, a réellement mérité ses tokens ? » Les entreprises qui gagneront les deux prochaines années ne seront pas celles qui ont le moins de monde ou la plus grosse facture d'IA. Ce seront celles qui auront trouvé le taux de change entre une personne, un token et un résultat livré, et qui seront assez honnêtes pour remarquer quand tout ce code supplémentaire n'a jamais vraiment atteint un client.