Sommaire
De quoi parle cet épisode de podcast ?
Dans cet épisode du podcast « IA in Production», nous échangeons avec Nadine Kant, IT Manager chez Saxoprint, sur la mise en œuvre concrète de l’intelligence artificielle au sein d’une organisation. La discussion porte sur la combinaison de la transformation Agile avec l’utilisation d’outils d’IA tels que GitHub Copilot, ainsi que leur impact sur le travail quotidien de l’équipe de développement.
Il s’agit d’une étude de cas basée sur un projet réel, où un changement de mode de travail et l’introduction de nouvelles technologies ont conduit à des résultats business concrets.
Problème : manque de prévisibilité et chaos dans l’IT
Au départ, l’équipe était confrontée à des problèmes typiques de nombreuses organisations IT. Il était difficile de déterminer quand les tâches seraient terminées, les exigences n’étaient souvent pas entièrement définies avant le début des travaux, et le périmètre des projets évoluait en cours de réalisation.
De plus, il manquait de transparence côté business. La question se posait de savoir sur quoi travaillait réellement l’IT et quels étaient les progrès.
Le résultat était un Lead Time élevé, d’environ 90 jours, ainsi qu’une frustration croissante tant du côté de l’équipe que des parties prenantes.
D’abord l’Agile, puis l’IA
L’un des principaux enseignements du projet est que la mise en œuvre de l’IA n’a pas de sens sans un processus structuré. C’est pourquoi la première étape a consisté à transformer la manière de travailler en adoptant une approche Agile.
L’équipe est passée à un niveau de planification plus avancé en introduisant une structure basée sur les Initiatives, les Epics et les User Stories. Les tâches ont été divisées en éléments plus petits et plus précis. La préparation du travail avant le sprint a également été améliorée.
Cela a permis de construire une base solide pour l’introduction ultérieure d’outils basés sur l’IA.
Ce qui a réellement changé la façon de travailler de l’équipe
Le changement le plus important n’a pas concerné la technologie, mais la manière de travailler. Les tâches sont devenues plus granulaires et mieux décrites. La planification a cessé d’être déclarative pour s’appuyer sur des données réelles et sur les capacités effectives de l’équipe.
La prévisibilité s’est améliorée, le nombre de corrections a diminué et la collaboration avec le business est devenue plus transparente.
L’équipe a gagné en contrôle sur le processus, ce qui s’est traduit par une meilleure efficacité.
GitHub Copilot en pratique
Ce n’est qu’après la structuration des processus que GitHub Copilot a été introduit. Pour l’équipe, il est devenu un véritable soutien au quotidien.
Les développeurs l’utilisent pour générer du code, optimiser les solutions existantes et résoudre les problèmes plus rapidement. Cela leur permet de se concentrer sur des sujets plus complexes, tels que l’architecture des systèmes.
Le rôle du développeur n’a pas été remplacé, mais orienté vers des tâches plus exigeantes et à plus forte valeur ajoutée.
Avancée majeure : réduction du Lead Time et amélioration de la planification
L’effet le plus mesurable de la transformation a été la réduction significative du Lead Time, passé d’environ 90 jours à moins de 20 jours.
Parallèlement, le Cycle Time, c’est-à-dire le temps nécessaire pour réaliser une tâche du début à la fin, a également été réduit.
Une meilleure planification, des tâches plus petites et une plus grande transparence du processus ont directement permis d’accélérer la livraison de valeur.
Défis liés à la mise en œuvre de l’IA
La mise en œuvre de l’IA n’a pas été sans difficultés. Au début, une certaine résistance est apparue au sein de l’équipe, liée à la crainte que la technologie remplace les humains.
Les actions de formation ainsi que l’introduction progressive de l’outil dans le travail quotidien se sont révélées essentielles. Avec le temps, et à mesure que la qualité des résultats générés par l’IA s’améliorait, l’acceptation par les employés a également augmenté.
Un élément clé a également été l’apprentissage d’une utilisation efficace de l’outil, notamment la capacité à formuler des requêtes précises.
Résultats business et économies
La transformation a apporté des résultats concrets. Le projet a été achevé environ quatre semaines plus tôt que prévu initialement.
Cela s’est traduit par des économies d’environ 40 000 euros par mois.
Cela montre que la combinaison d’un processus structuré et d’une utilisation appropriée de l’intelligence artificielle peut avoir un impact direct sur les performances financières d’une organisation.
Et ensuite : mise à l’échelle de la solution
Après la phase de Proof of Concept, l’entreprise prévoit d’étendre la solution à d’autres équipes. GitHub Copilot sera déployé plus largement, et les pratiques Agile développées seront mises en œuvre dans toute l’organisation.
Grâce à l’expérience acquise, les prochaines implémentations devraient être plus rapides et plus efficaces.
Écoutez l’épisode du podcast
Si vous vous intéressez à l’utilisation pratique de l’IA dans les organisations ainsi qu’aux effets concrets de la transformation Agile, il vaut la peine d’écouter l’épisode complet.
Si vous souhaitez mieux comprendre l’ensemble du processus de transformation et découvrir davantage de détails sur la mise en œuvre, nous avons préparé une étude de cas complète sur notre site. Vous y trouverez une description détaillée des défis, du déroulement du projet ainsi que des résultats obtenus, y compris leur impact sur l’efficacité de l’équipe et les performances business.
