Convertissez l'excellence technique en valeur métier

Lorsque nous demandons à des dirigeants les raisons pour lesquelles ils investissent dans l'IA, les réponses portent presque toujours sur la rapidité : il s'agit d'un motif raisonnable, mais la vitesse n'a de sens que si vous savez précisément ce qui vous ralentit.

Cependant, la plupart des dirigeants sont incapables de répondre à cette question avec précision. Ils ont le vague sentiment que les délais de livraison sont trop longs et la certitude que leurs meilleurs ingénieurs se font débaucher, et font face à un conseil d'administration qui réclame plus d'innovation. Ils investissent alors dans les outils d'assistance au codage les plus visibles du marché, et considèrent que le fait que les équipes de développement aient l'impression d'avancer plus vite suffit à valider leur stratégie. Or, la première mission d'une stratégie d'IA est d'identifier le véritable goulot d'étranglement.

Coder plus vite ≠ livrer plus vite

Dans un projet type, un développeur consacre environ 21 % de son temps à écrire du code. Le reste est consacré aux réunions, aux tests, au débogage, à la conception, aux revues de sécurité, ainsi qu'une longue attente liée aux environnements, aux builds et aux revues.

Pourtant, si vous observez les domaines où les investissements dans l'IA sont réalisés, la quasi-totalité cible ces 21 %. Chaque démonstration porte sur la génération de code, et les indicateurs de succès se concentrent sur les lignes de code générées par l'IA.

Même si l'IA multipliait par dix la phase de codage, vous n'optimiseriez toujours que moins d'un quart du système. Les 79 % restants plafonnent vos gains. Les recherches actuelles montrent que l'amélioration réaliste de la productivité que peuvent apporter les outils de codage alimentés par IA utilisés isolément se situe entre 5 et 10 %.

Il s'agit là d'un pas en avant appréciable, mais bien loin de la transformation attendue par votre conseil d'administration.

Où se situent réellement les gains de productivité

Si le codage représente 21 % du temps de travail des équipes, la coordination entre les systèmes et les équipes constitue le reste, et c'est là que se cachent les véritables gains de productivité. L'aspect le plus intéressant de l'IA consiste à réduire les frictions à chaque étape du cycle de développement logiciel.

Transformer une exigence métier d'une page en ébauche de spécifications techniques, avec des critères d'acceptation, des epics et une décomposition en tâches.
Aider les développeurs, testeurs et ingénieurs sécurité à naviguer dans de vastes codes sources qu'ils ne connaissent pas.
Générer des tests unitaires, identifier les lacunes de couverture, produire des données de test réalistes.
Effectuer un premier examen des merge requests pour signaler les problèmes évidents, afin que le relecteur humain commence directement à traiter les questions pertinentes.
Rédiger des release notes à partir de l'historique des commits. Résumer un incident de production survenu à 4 h du matin, avant même que l'ingénieur d'astreinte n'ait commencé à travailler.

Les workflows déterministes sur lesquels vos équipes s'appuient déjà (pipelines CI/CD, Golden Paths, approbations automatisées) sont précisément ce qui permet à l'IA d'intervenir sans causer de dysfonctionnements.

Les gagnants auxquels on ne s'attendait pas

D'après nos échanges au cours de l'année passée, nous avons constaté que les organisations qui tirent le plus de valeur mesurable de l'IA sont de grandes entreprises traditionnelles à évolution lente, à l'image des banques, des opérateurs de télécommunications, et des acteurs de la défense.

Ce résultat va à l'encontre des attentes que l'on pourrait avoir pour des organisations confrontées à des systèmes hérités, à des contraintes réglementaires et à une culture d'aversion au risque. Et pourtant, une banque universelle britannique régulée par la FCA, la PRA et la Banque d'Angleterre a déployé une plateforme DevSecOps assistée par l'IA auprès de plus de 18 000 utilisateurs qui servent plus de 48 millions de clients, avec un taux de satisfaction des équipes de développement supérieur à 80 %. Son DSI a déclaré publiquement l'utiliser pour refactoriser du code hérité, générer des tests et détecter des vulnérabilités.

Ce n'est pas un cas isolé. Un leader mondial dans le secteur des équipements de télécommunications et de réseaux disposait d'une équipe OSS/BSS bloquée dans des cycles de mise à jour qui se mesuraient en années. Après avoir intégré l'IA dans un pipeline CI/CD mature, l'entreprise a économisé 130 000 heures en six mois, divisé par deux ses délais de déploiement et multiplié par dix ses scénarios de test.

Deux caractéristiques expliquent les raisons pour lesquelles ces organisations se démarquent :

Elles maîtrisent déjà l'ingénierie rigoureuse. Des pipelines CI/CD matures, des tests automatisés et une culture profondément ancrée, où la confiance avec vérification règne, signifient que le code généré par l'IA est soumis à un pipeline conçu pour détecter les erreurs avant qu'elles ne se transforment en incidents. Aucun ingénieur ne traite les résultats générés par l'IA comme une vérité absolue.
Elles savent déjà gouverner des systèmes probabilistes. Les banques pilotent des modèles de crédit, de détection de fraude et de risque de marché depuis près de deux décennies. La question de savoir comment gouverner un système qui prend des décisions probabilistes avec des conséquences réelles n'a rien de nouveau pour elles.

Le cadre existant n'avait pas été conçu pour l'IA, mais pour répondre aux exigences réglementaires et assurer la fiabilité opérationnelle. Néanmoins, il se révèle parfaitement adapté à l'IA.

Quand l'IA joue le rôle d'amplificateur

Les récentes recherches du programme DORA sur l'IA dans le cycle de développement logiciel concluent que l'IA ne crée pas la maturité, mais amplifie la maturité déjà en place.

C'est ce que démontrent Barclays et Ericsson. Ces entreprises n'ont pas réussi à maîtriser l'IA parce qu'elles ont investi dans cette technologie, mais parce qu'elles maîtrisaient déjà les principes fondamentaux que sont les tests, les revues, la gouvernance et la gestion du changement.

L'inverse est tout aussi vrai. Si votre plateforme est fragile avec des déploiements manuels, des tests insuffisants, des revues ad hoc et une absence de gouvernance, alors l'IA vous aidera simplement à accumuler de la dette technique plus rapidement.

Ce phénomène se produit déjà dans le monde de l'open source, où les responsables de grands projets demandent publiquement aux contributeurs de cesser de soumettre des merge requests générées par l'IA. Il est tentant de rejeter la faute sur la mauvaise qualité des contributions de l'IA, mais le vrai problème est ailleurs : ces projets ne disposent pas de la documentation, des directives de contribution, ni de la capacité de revue bénévole nécessaires pour absorber ce volume. Les équipes en entreprise sont sur le point de se heurter au même obstacle.

Quant aux investissements d'infrastructure jugés peu intéressants que vous reportez sans cesse parce qu'ils ne s'inscrivent pas dans la tendance de l'IA, ce sont précisément eux qui détermineront la réussite ou l'échec de votre stratégie d'IA.

Le « super-développeur » a toujours été un mythe. Mais une organisation où chaque ingénieur s'appuie sur une plateforme qui détecte les erreurs, réduit les frictions et permet à l'IA d'intervenir en toute sécurité, est bel et bien à portée de main.