Aller au contenu principal
Accueil : Florian Bruniaux Engineering & AI Contact

Florian Bruniaux / Explore

Rechercher sur le site

Recherchez en français ou en anglais, ou accédez à une rubrique.

↑ ↓ pour naviguerEntrée pour ouvrirÉchap pour fermer

FR
Thème

L’IA accélère la production. Qui aide les équipes à suivre ?

Quand l’IA accélère le développement, la code review et les décisions produit peuvent ralentir la suite. Retour de Méthode Aristote dans The CTO Playbook.

17 min de lecture
Aller au résumé ↓

Chez Méthode Aristote, nous ajoutions parfois des fonctionnalités plus vite que nous ne pouvions les expliquer ou vérifier qu’elles répondaient à un besoin. Des utilisateurs nous ont dit qu’ils avaient l’impression de parcourir un catalogue Netflix. Ils avaient du choix et ne savaient plus quoi essayer. J’en parle dans The CTO Playbook avec Adam Horner.

J’aime construire. Quand une idée devient plus facile à réaliser, j’ai envie de l’essayer. Cette expérience m’a rappelé ma responsabilité dans le choix des fonctionnalités. Mon playbook de Chief AI Officer s’appuie sur ce travail chez Méthode Aristote, mes missions clients et mon parcours en startup, scale-up, PME et grand groupe.

TL;DR

Quand l’IA accélère le développement, le travail peut s’accumuler en code review, en CI ou côté produit.

  • Suivre une demande de bout en bout. Repérer la décision en attente, l’information manquante ou l’équipe qui ne peut pas encore reprendre.
  • Nommer qui vérifie et qui accepte. Après une correction, faire la review de la nouvelle version.
  • Prévoir du temps pour apprendre. Donner des accès autorisés et identifier qui peut aider sur une tâche réelle.
  • Mesurer avant d’étendre. Comparer l’usage, la qualité, l’attente et l’effort à l’état de départ.

Suivre une demande jusqu’à la personne qui la reçoit

Avec Adam, nous avons beaucoup parlé de code review. L’équipe produit peut elle aussi voir sa charge augmenter quand il faut trancher davantage de demandes, vérifier les changements et les expliquer aux utilisateurs.

Je partirais d’une demande réelle avec les personnes concernées. On peut alors repérer une décision sans responsable, des consignes dispersées, une information perdue en route ou une équipe qui n’a pas le temps de reprendre.

À chaque passage, je veux préciser :

  • La décision attendue, qui peut la prendre et ce que l’équipe peut décider dans son périmètre convenu.
  • La trace de la décision, sa raison et ce qui change pour les personnes concernées.
  • La passation elle-même : le résultat, son état, ce qui a été vérifié et la prochaine action attendue.

De la question à la réception du travail. L’équipe ou la personne désignée tranche. La décision écrite précise sa raison, son statut, sa version et quand la revoir. Le destinataire a besoin de temps, d’accès et de contexte, sinon le lot est réduit ou différé. Le schéma nomme aussi qui maintient le harnais et qui le reprend.

Un débat peut revenir chaque semaine quand personne ne retrouve la décision. Je limite chaque décision à 1 ou 2 questions liées et j’écris sa raison, son statut, le lien vers la version actuelle et la condition pour la rouvrir. Un document qui couvre toute la conception risque d’accumuler les objections et de rester ouvert pendant que le travail avance.

Quand l’équipe hésite sur une règle, je lui demande de l’appliquer à un cas réel avant d’ajouter une réunion. Selon ce qui bloque, je clarifie le texte, je nomme la personne qui décide ou je complète la passation.

Je regarde dès le début de l’essai si la code review, la CI et les environnements de test peuvent suivre, avec les équipes produit et design.

L’IA peut résumer une discussion ou relever les questions ouvertes. Une personne vérifie le contexte et confirme la décision. Quand je copie une synthèse, je garde le lien vers la source pour pouvoir vérifier qu’elle est à jour. Mon guide de la connaissance d’équipe distingue la documentation durable, les informations qui changent et les procédures réutilisables.

Dans l’expérience d’innovation produit de P&G, l’IA a aidé les participants à produire des propositions qui croisaient davantage les perspectives R&D et commerciales. L’atelier durait 1 journée. La coordination dans la durée reste à examiner. Je testerais si l’équipe peut préparer une décision avec moins d’informations manquantes.

À 33:18 dans l’épisode, Adam me demande comment partager ces pratiques quand l’organisation grandit. Les décisions écrites, la capacité à recevoir le travail et le schéma prolongent ma réponse à partir de missions clients. Je les propose comme pistes à tester. La méthode de comparaison est détaillée dans Lean AI: work that reaches users.

Prévoir du temps et de l’aide sur une vraie tâche

Je passe beaucoup de temps à essayer des outils parce que cela m’intéresse. Je ne peux pas attendre le même investissement sur le temps personnel de chacun.

Si la direction veut faire évoluer les pratiques, elle doit prévoir :

  • Du temps sur une tâche réelle.
  • Des outils autorisés, avec un budget ou un quota connu.
  • Une personne disponible pour aider en cas de blocage.

Lorsque l’accès est progressif, je précise qui commence, pourquoi et quand le reste de l’équipe pourra essayer. Je développe ces conditions dans Learning needs room in the job.

Terminer une formation ne dit pas encore ce qu’une personne saura faire sur sa prochaine tâche réelle, et un catalogue d’agents ne change pas seul les pratiques. Je regarde ce que les personnes reprennent et améliorent dans leur travail, plutôt que le nombre d’éléments publiés.

Chez Aristote, Augustin connaissait le produit et ses règles métier. Pour accompagner sa contribution, il fallait adapter l’environnement, définir son périmètre et reprendre les difficultés ensemble. Sa connaissance a aussi enrichi le contexte partagé.

Les premières contributions demandaient de la review et des corrections. Des sujets restaient confiés à des personnes expérimentées. Les 10 jours du récit de l’expérience d’Augustin décrivent ce parcours chez Aristote.

Une analyse d’un déploiement échelonné de l’IA dans le support client observe des gains plus importants chez les personnes moins expérimentées. Elle mesure les problèmes résolus par heure dans un lieu de travail donné. J’adapterais l’accompagnement aux niveaux d’expérience, puis je vérifierais ce qui se transfère à la tâche suivante.

Je fixe un créneau pour que les équipes présentent ce qu’elles ont essayé et je désigne une personne pour recueillir les retours. Je compte autant la reprise d’une pratique par une autre équipe que sa création. Pour garder les compétences nécessaires à la vérification, je garde une part de travail sans assistance et je demande aux personnes d’expliquer en revue ce qu’elles acceptent.

Nommer la personne qui accepte le résultat

Dans le passage sur l’acceptation à 57:25, je rappelle que la personne qui utilise Claude reste responsable de ce qu’elle accepte. Elle doit comprendre le résultat et pouvoir expliquer sa décision.

Je distingue qui contribue, qui fait la review et qui peut accepter, publier ou engager le client. Une même personne peut tenir plusieurs rôles. Je veux retrouver dans les outils qui a pris la décision. Une identité partagée masque cette information.

Quand des bots de review s’accordent, je vérifie le constat et la correction proposée sur le changement concerné. Dans mon export historique des reviews, je compte les réponses et résolutions humaines visibles. Un fil que le bot ferme seul ne permet pas d’attribuer l’acceptation à une personne.

Les 6 étapes du playbook

Je déroule la boucle à 49:54 dans l’épisode :

  1. Cadrer le besoin.
  2. Écrire le plan et challenger ses hypothèses.
  3. Construire un lot assez petit pour être vérifié.
  4. Vérifier avec des tests et une review.
  5. Accepter, puis observer l’usage après livraison.
  6. Garder ce qui a servi pour le prochain changement.

Schéma de la boucle d’exécution en 6 étapes.

Le changement doit rester assez petit pour être examiné par une personne identifiée. Le plan peut nous ramener au besoin. Une correction demande de revérifier la version modifiée. Le fonctionnement technique est détaillé dans Du code au merge.

Le harnais d’agents regroupe le contexte, les procédures, les outils et les contrôles qui encadrent le travail avec l’IA. Les instructions partagées demandent une personne qui les maintient, un moyen de les distribuer et des vérifications sur les postes concernés. Mon setup personnel garde les outils et réglages propres à mon travail.

Chez Aristote, un collègue a été bloqué par une obligation de code review à 3 reviewers alors que l’un des reviewers externes était indisponible. Le contrat a changé pour imposer la review native de l’outil, ajouter les reviewers externes disponibles et éligibles et conserver la review à 3 sur demande explicite. Le dossier de préparation documente ce changement. Il reste à vérifier son activation sur les postes et son effet sur le délai de review.

Les règles existent au niveau de l’organisation, de l’équipe ou de la personne. Une équipe peut ajouter une règle plus stricte. Pour changer ou retirer une règle commune, elle s’adresse à la personne qui en est responsable. Une copie de skill peut diverger si personne ne reprend les corrections. Je préfère une source versionnée que les dépôts référencent, avec des cas testés et une relecture avant diffusion. Un contrôle livré avec le dépôt demande moins d’installations individuelles, mais un hook local reste contournable.

Un accompagnement extérieur se termine. Dès le départ, je demande le nom de la personne interne qui entretiendra le harnais et une passation qu’elle aura relue avant mon départ.

Un défaut confirmé dans le code peut justifier un test de régression. Pour une fausse alerte, je regarde d’abord si le reviewer manque de contexte. Je décris comment corriger le code et le reviewer séparément. Pour chaque correction, je nomme qui s’en charge et je vérifie son effet.

Mesurer l’usage, les reprises et l’attente

Dans l’épisode, je consacre plus de temps à l’acceptation du changement qu’à son usage après livraison. Le playbook prolonge l’étape 5 pour observer comment le résultat est utilisé.

  • Usage : la personne concernée peut-elle faire le travail attendu ?
  • Qualité : quels défauts, corrections ou reprises restent nécessaires ?
  • Attente : quelles décisions, informations manquantes ou passations bloquent la suite ?
  • Effort complet : que demandent la réalisation, la vérification, l’aide et l’entretien ?

Une exécution plus rapide peut laisser une file d’attente plus longue. Mon guide d’évaluation distingue 4 durées : le délai avant un retour utile, le temps d’exécution, le temps d’attention humaine et le délai jusqu’au travail accepté. Le coût du travail accepté comprend aussi les tentatives et les reprises. Une baisse de la consommation d’outils renseigne sur une partie du coût.

Avant l’essai, je relève les mêmes éléments que ceux que je regarderai après. Je fixe le début, la fin et le budget, je nomme la personne qui mène l’essai et celle qui décidera de la suite, et je garde les tentatives échouées dans le journal.

Une trace dans l’historique des commits donne un minimum observable. Les usages sans marqueur échappent à ce décompte. Je relève séparément l’usage de l’IA, le travail accepté et l’origine des changements. Un gain déclaré par les personnes me donne une hypothèse à vérifier.

Ces observations aident à décider s’il faut étendre l’usage, l’ajuster, le limiter ou l’arrêter.

Le playbook de Chief AI Officer rassemble les visuels, les exemples et les fiches à utiliser avec une équipe. Pour un premier essai, je partirais d’une décision en attente et d’une personne nommée pour recevoir le travail. Cela nous donne une passation précise à examiner et à améliorer.