L’agilité est-elle un frein caché à l’IA

Les initiatives en matière d’IA négligent souvent les valeurs agiles en mettant l’accent sur les outils plutôt que sur les personnes.

La plupart des organisations qui intègrent l’intelligence artificielle dans leurs systèmes ne le font pas correctement. Elles se lancent tête baissée dans des outils et des plates-formes brillants, mais sautent les fondamentaux : quels problèmes résolvons-nous et pour qui les résolvons-nous ? La première valeur du Manifeste Agile est simple : les individus et les interactions priment sur les processus et les outils. Mais lorsqu’il s’agit d’IA, cette valeur est souvent ignorée.

Il y a une raison pour laquelle tant de projets d’intelligence artificielle ne donnent pas les résultats escomptés. L’état d’esprit se fige sur la dernière version du modèle ou la dernière mise à niveau de l’infrastructure, et oublie l’utilisateur. Vous ne pouvez pas construire des produits transformateurs sur des fondations mal alignées. Si les humains, les équipes, n’ont pas la possibilité d’explorer, d’itérer et de s’exprimer, les efforts en matière d’IA deviennent des objets d’exposition plutôt que des solutions. Ce n’est pas extensible et ce n’est certainement pas durable.

Les chefs d’entreprise disent comprendre l’importance de l’IA. En fait, 84 % d’entre eux reconnaissent que l’IA aura un impact significatif sur leurs modèles d’entreprise. Mais seuls 14 % d’entre eux se sentent tout à fait prêts. Il ne s’agit pas seulement d’un manque de préparation, mais aussi d’un manque de clarté sur la manière de faire le lien entre la vision et l’exécution. Si vos équipes ne se parlent pas entre elles et si vos systèmes sont optimisés pour des démonstrations élégantes plutôt que pour des problèmes réels, la technologie ne fera pas avancer les choses.

On ne gagne pas avec l’IA en poursuivant les outils. Vous gagnez en donnant aux gens les moyens d’agir, en définissant des priorités claires, en établissant des boucles de rétroaction étroites et en instaurant une culture qui aligne l’exécution sur les résultats. C’est ainsi que l’adoption réelle se produit.

La mauvaise communication et l « étroitesse d’esprit sont à l’origine de l » échec des projets d’IA

L’IA ne peut pas résoudre les problèmes que vous ne comprenez pas. C’est là que la plupart des échecs commencent, les parties prenantes ne sont pas alignées sur les objectifs et les développeurs travaillent vers les mauvaises cibles. C’est une défaillance de la coordination qui conduit à des modèles d’IA fragiles ou non pertinents déployés en production. Il n’est pas surprenant qu’ils ne soient pas à la hauteur.

RAND a interrogé 65 ingénieurs et data scientists expérimentés. Le résultat ? Les projets échouent souvent non pas parce que la technologie n’est pas assez bonne, mais parce que les organisations vont de l’avant avec des données médiocres, une infrastructure de déploiement faible et des systèmes d’IA optimisés pour des mesures non pertinentes. Dans certains cas, les modèles déployés ne s’intègrent même pas dans les processus opérationnels généraux. C’est un gaspillage de talents et de capitaux.

Les dirigeants doivent considérer l’IA non pas comme un investissement isolé, mais comme un investissement systémique. Si vous n’impliquez pas les utilisateurs clés et les parties prenantes dès le début, si vous n’affinez pas les problèmes réels que l’IA devrait résoudre, vous tomberez dans le piège de l’automatisation du bruit au lieu de résoudre quoi que ce soit de significatif. L’alignement est essentiel. La clarté au sommet jette les bases d’une IA réussie à tous les niveaux.

Vous ne pouvez pas forcer brutalement le succès de l’IA avec de l’argent ou des effectifs. Vous y parviendrez en favorisant la transparence, en posant de meilleures questions et en intégrant l’IA dans les flux de travail importants. C’est ainsi que ces technologies dépasseront la phase pilote.

Un décalage entre les attentes des dirigeants et les réalités des développeurs

Soyons directs. La plupart des dirigeants surestiment l’impact réel de l’IA sur la productivité des développeurs. Ils pensent que l’abandon des outils d’IA, en particulier la génération de coderésoudra les problèmes de vélocité et de satisfaction. Ce n’est pas le cas. Deux tiers des développeurs ont déclaré ne pas avoir constaté de gains de productivité significatifs grâce à l’IA. Il ne s’agit pas d’un désalignement mineur, mais d’une dérive stratégique.

Les dirigeants veulent aider les développeurs à prospérer, mais ils investissent dans les mauvais domaines. Les outils d’IA sont construits et déployés sans une compréhension claire de ce dont les développeurs ont réellement besoin. Lorsque les développeurs sont les plus productifs, ce n’est pas parce que quelqu’un d’autre écrit le code à leur place. C’est parce qu’ils ont le temps de se concentrer sur le codage, sans distraction, et sans chercher la documentation manquante ou réparer la dette technique qui s’accumule.

Andrew Boyagi, responsable de l’évangélisation DevOps chez Atlassian, l’explique clairement : « Les dirigeants veulent donner à leurs développeurs les moyens d’être heureux, d’être productifs. Mais lorsqu’ils ne comprennent pas comment le faire, c’est un énorme problème. » Le problème n’est pas une question d’attitude, mais de perspective. Il ne s’agit pas de remplacer le temps des développeurs, mais d’en améliorer la qualité.

Les dirigeants doivent commencer à écouter leurs équipes. L’IA peut créer un effet de levier, mais seulement lorsqu’elle est appliquée au bon endroit. Demandez aux développeurs à quoi ils consacrent leur temps. Identifiez les frictions. Ensuite, appliquez l’IA là où elle élimine ces obstacles. Tout le reste n’est que du bruit.

Une dépendance excessive à l’égard du code généré par l’IA peut compromettre la qualité et la stabilité des logiciels

L’utilisation accrue de l’IA générative dans le développement de logiciels a modifié la vitesse à laquelle les équipes peuvent écrire du code. Cette partie est claire. Ce qui est moins discuté, mais plus important, c’est l’impact de cette rapidité sur la qualité. Sans de solides systèmes de tests automatisés et de révision du code déjà en place, le code généré par l’IA est souvent poussé sans être correctement validé. Cela se traduit par des taux d’échec plus élevés, une récupération plus lente et une maintenabilité à long terme réduite.

Les données le confirment. Le rapport 2024 Accelerate State of DevOps montre que l’adoption de l’IA est corrélée à une baisse de 7,2 % de la stabilité des livraisons et à une réduction de 1,5 % du débit. Ce n’est pas marginal, c’est une régression. Les équipes avancent plus vite, mais échouent plus durement et se rétablissent plus lentement. Si vos systèmes ne sont pas stables, votre produit en pâtit. Pire encore, votre équipe s’épuise à réparer ce qui n’aurait pas dû tomber en panne.

Au-delà des mesures d’échec, il y a aussi un problème plus profond. Le code généré par l’IA est plus difficile à comprendre et à maintenir pour les humains. Lorsque les systèmes se développent, cela devient un handicap. Les développeurs ne peuvent pas résoudre les problèmes qu’ils ne comprennent pas entièrement. Au fil du temps, le coût caché d’un code illisible ou peu clair se transforme en dette technologique, ce qui ralentit tout.

Si vous souhaitez développer l’IA dans l’ingénierie, concentrez-vous d’abord sur la qualité du code et la maintenabilité. Assurez-vous que vos équipes ont la possibilité d’examiner, de tester et d’auditer ce que l’IA produit. Laissez l’IA vous assister, mais ne décidez pas. La qualité ne vient pas seulement de l’automatisation, elle vient d’équipes compétentes travaillant avec des outils en lesquels elles ont confiance. C’est ainsi que vous créerez une dynamique durable.

L’IA est prometteuse pour relever les défis de la documentation et de la compréhension du code par les développeurs

C’est là que l’IA crée déjà une véritable utilité. Les développeurs ne perdent pas seulement du temps à écrire du code, ils en perdent aussi à essayer de comprendre des systèmes obsolètes, à trouver de la documentation et à naviguer dans la dette technique. Lorsque l’IA est appliquée à ces goulets d’étranglement, elle apporte une valeur mesurable. Elle réduit les frictions.

Selon l’enquête DevEx Atlassian-DX, 69 % des développeurs perdent environ huit heures par semaine en raison d’inefficacités telles qu’une mauvaise documentation et le manque de contexte du système. Cela représente une journée de travail entière perdue, chaque semaine. C’est là que l’IA peut intervenir directement. Les outils de documentation et de résumé de code automatisés et générés par l’IA facilitent déjà le travail avec des bases de code complexes.

Le rapport DORA 2024 soutient cette évolution. Il constate que le seul résultat positif statistiquement significatif de l’adoption de l’IA jusqu « à présent est une amélioration de 7,5 % de la qualité de la documentation. Ce n’est pas rien. Cela signifie que lorsque l’IA vise la clarté plutôt que la quantité, elle amplifie les performances de l » équipe.

Les dirigeants doivent prendre cette question au sérieux. Cessez de considérer l’IA comme un multiplicateur de productivité en termes abstraits. Considérez-la comme un outil permettant d’éliminer le gaspillage, dans le cadre de tâches réelles auxquelles vos équipes sont confrontées quotidiennement. L’IA qui aide les développeurs à trouver les bonnes informations, à comprendre un code instable et à rédiger de la documentation vaut plus qu’un autre outil générant de nouvelles lignes de code. Résolvez les points douloureux, et la productivité suivra.

Les obstacles psychologiques et culturels freinent l’expérimentation efficace de l’IA

Il y a un problème dont nous ne parlons pas assez. Les développeurs utilisent des outils d’IA, améliorent leur productivité, mais n’en parlent pas. Pourquoi ? Ils craignent que le fait de montrer qu’ils améliorent leurs performances ne conduise les autres à se demander s’ils sont désormais remplaçables. Cette crainte fait passer les progrès sous le radar.

Patrick Debois l’a expliqué lors des DevOpsDays de Londres. Il a expliqué que les gens font exprès de ne pas signaler les gains de productivité dus à l’IA parce qu’ils ne veulent pas attirer l’attention sur eux. Ce n’est pas un problème technique, c’est un problème culturel. Et cela freine l’innovation au niveau de l’équipe.

Cette hésitation signifie que les entreprises manquent des opportunités. Si les développeurs cachent leurs expériences réussies en matière d’IA, les entreprises perdent toute visibilité sur ce qui fonctionne réellement. Les dirigeants sont donc dans le brouillard, et il est difficile de savoir où investir ou comment faire évoluer les choses.

Les dirigeants doivent remédier à cette situation, non pas en imposant des mandats, mais en façonnant l’environnement. L’adoption de l’IA doit se faire en toute sécurité, sans risque. Les équipes doivent avoir la liberté de tester, de partager les résultats et d’itérer sans craindre que le succès ne leur porte préjudice. Lorsque les gens se sentent en confiance, ils accélèrent la croissance. C’est ainsi que des outils révolutionnaires s’intègrent dans votre flux de travail et s’imposent.

Les méthodologies agiles peuvent soutenir le développement de l’IA si elles sont correctement adaptées

La méthode Agile fonctionne lorsque vous l’utilisez de manière appropriée. Le problème est que la plupart des organisations traitent la méthode Agile comme un ensemble de modèles rigides plutôt que comme un cadre flexible. Cette approche est particulièrement restrictive lorsqu’elle est appliquée aux projets d’intelligence artificielle. Le développement de l’IA ne suit pas les mêmes modèles que l’ingénierie logicielle traditionnelle. Le travail est plus expérimental, les produits livrables moins prévisibles et les étapes plus difficiles à quantifier dans des cycles courts.

Un participant sur cinq à une étude de la RAND a directement désigné les « interprétations rigides de la méthode Agile » comme un obstacle à la réussite de l’IA. Cette réaction n’est pas surprenante. Les principes Agile n’ont pas été conçus à l’origine pour tenir compte de l’évolution de la science des données et de l’IA. Les modèles d’apprentissage automatique changent souvent de portée en fonction des nouvelles données, et l’expérimentation de ces modèles ne s’intègre pas parfaitement dans des sprints de deux semaines.

Cela ne signifie pas que la méthode Agile est obsolète pour les équipes d’IA. Cela signifie simplement qu’il doit être appliqué avec plus de conscience. Par exemple, Snigdha Satti, analyste commercial, a expliqué comment l’équipe de science des données de News UK a eu du mal à planifier son travail à l’aide des routines Agile standard. Ils avaient trop de tâches, des priorités changeantes et aucune gestion claire du carnet de commandes. En brisant le cycle et en adaptant la méthode Agile à leurs besoins, en clarifiant les objectifs de l’entreprise, en introduisant des réunions de travail ciblées et en affinant la collaboration, ils ont créé une direction et une orientation.

Les dirigeants doivent intervenir à ce niveau. Ne demandez pas aux équipes d’IA d’entrer dans des moules Agile dépassés qui les ralentissent. L’objectif n’est pas d’imposer un processus, mais de favoriser la rapidité sans sacrifier la clarté. Le travail sur l’IA doit rester itératif et collaboratif, mais avec des cycles de planification adaptés et de l’espace pour la recherche. Si vous voulez que les projets d’IA réussissent à long terme, vos pratiques de développement doivent tenir compte du fait que l’IA se comporte fondamentalement différemment des systèmes logiciels traditionnels. Soyez disciplinés, mais ne soyez pas rigides.

Le bilan

Pour que l’IA fonctionne à grande échelle, il ne s’agit pas d’avoir les meilleurs modèles ou le plus gros budget. C’est une question d’alignement entre les équipes, les outils, les processus et les objectifs de l’entreprise. La plupart des échecs de l’IA ne sont pas d’ordre technique. Ils sont d’ordre organisationnel. Une mauvaise communication, des cadres mal utilisés comme Agile, et des hypothèses de leadership sont ce qui fait dérailler le progrès.

L’IA continuera d « évoluer rapidement. Mais si votre culture interne, vos flux de travail et votre processus décisionnel n » évoluent pas en même temps qu’elle, la technologie ne se traduira pas par un impact réel. Vous avez besoin d’une stratégie liée à l’exécution, et pas seulement d’une ambition associée à un investissement.

La leçon à tirer pour les dirigeants est claire : écoutez vos équipes. Construisez des systèmes qui privilégient la clarté, la confiance et l’adaptabilité. Laissez l’IA résoudre les bons problèmes, et pas seulement les problèmes visibles. Et si un processus existant comme Agile ne fonctionne pas pour vos équipes d’IA, adaptez-le. La flexibilité soutenue par la concentration est ce qui permet d’obtenir des résultats.

Votre avantage ne viendra pas de l’adoption de l’IA. Il viendra du fait que vous l’utiliserez mieux que ceux qui le font pour le titre.