Good Taste the Only Real Moat Left
- Auteur
- Raj Nandan
- Thème
- Leadership
- Mots-clés
- goût, jugement, IA générative, différenciation, compétences humaines
- Ton
- opinion
Résumé
Raj Nandan argue que dans un monde où l'IA aplatit le niveau moyen de production, le goût — la capacité à distinguer le générique du pertinent, le correct du juste — devient le seul véritable avantage concurrentiel. L'article propose un cadre pratique pour développer cette compétence.
💡 Pourquoi ça compte
À l'heure où la production assistée par IA se banalise, cette réflexion sur le goût comme avantage concurrentiel est essentielle pour les leaders tech qui doivent évaluer et développer leurs équipes sur des critères qui vont au-delà de la productivité pure.
Analyse approfondie
L'aplatissement du milieu
La thèse centrale de Nandan est que l'IA et les LLMs éliminent l'avantage de la productivité pure. Quand n'importe qui peut générer du code, des mémos, des présentations en quelques minutes, la quantité de production cesse d'être un différenciateur. Ce qui reste, c'est la qualité du jugement appliqué à cette production.
Le goût comme compétence, pas comme talent
L'article propose une vision démocratique du goût : ce n'est pas un don inné mais une compétence qui se développe. Nandan décrit un "practical loop for training taste" qui repose sur l'exposition intentionnelle à l'excellent, la pratique du rejet (dire non au "correct mais pas juste"), et la réflexion sur ses propres choix.
Ce que les humains font que les modèles ne peuvent pas posséder
Nandan identifie trois domaines où l'humain garde un avantage structural : (1) "holding the stake" — assumer les conséquences de ses décisions, ce qu'aucun modèle ne peut faire ; (2) travailler avec le véritablement nouveau, là où les modèles sont limités par leurs données d'entraînement ; (3) choisir une direction, qui relève du leadership et non de l'optimisation.
L'IA comme miroir
L'idée la plus originale est peut-être celle de l'IA comme révélateur de goût. Observer ce qu'on accepte et ce qu'on rejette dans les outputs d'un LLM révèle ses propres standards et ses angles morts. C'est un outil de développement personnel autant que de productivité.