{ Tribune Expert } - Les cinq étapes pour déployer l'IA au sein des équipes d'ingénierie

Bien que l'IA ait démontré un immense potentiel dans le développement logiciel, de nombreux responsables techniques peinent encore à trouver la meilleure façon d'adopter des outils basés sur l'IA pour garantir des résultats durables et mesurables. Alors que la course pour intégrer l'IA s'accentue, il devient essentiel pour les dirigeants de mesurer les bénéfices économiques à long terme d'une adoption systématique, face aux limites de solutions tactiques et rapides.

D'après une récente étude de GitLab, environ la moitié des entreprises en sont encore au stade d'évaluation et d'exploration de leur maturité en matière d'IA. Ces entreprises entrevoient les gains potentiels que peut offrir l'IA, mais n'ont pas encore formalisé une véritable stratégie pour la mettre en place.

Deux grands défis apparaissent lorsqu'il s'agit de mobiliser les équipes d'ingénierie autour de nouveaux outils et de nouvelles méthodes de travail. Le premier est la peur puisque beaucoup redoutent que l'IA vienne remplacer le travail des ingénieurs humains. Le second est de savoir par où commencer, d'autant plus que beaucoup d'ingénieurs ne voient pas l'intérêt de remettre en question des processus qu'ils jugent déjà efficaces.

Pour aider les équipes à surmonter leurs craintes, les dirigeants doivent clairement communiquer sur la valeur ajoutée de l'IA. Il s'agit de relier les activités de développement aux résultats concrets pour l'entreprise, en mettant l'accent sur la capacité de l'IA à résoudre des problèmes et à générer de l'impact sur l'activité, plutôt que sur la quantité de code produite. L'IA est donc en passe de devenir un partenaire de transformation essentiel pour les ingénieurs, mais encore faut-il qu'ils puissent compter sur le soutien de leur direction pour réussir cette transition.

Le parallèle avec le Pair Programming

Tout comme le Pair Programming a transformé le développement logiciel grâce à l'apprentissage collaboratif, il offre aujourd'hui un modèle précieux pour intégrer et aborder l'IA dans des processus de travail. Cette pratique familière permet de s'appuyer sur des méthodes déjà éprouvées, et de trouver des analogies claires pour l'intégration de l'IA.

Ainsi, l'IA peut jouer le rôle d'un « rubber duck». À l'image de l'exercice qui consiste à expliquer son problème de code à un canard en caoutchouc pour mieux clarifier ses idées, formuler un problème devant une IA pousse les développeurs à réfléchir de manière critique, à explorer de nouvelles pistes et à surmonter des blocages mentaux. En retour, ces interlocuteurs intelligents offrent des suggestions et des retours d'informations.

Les développeurs peuvent également recourir à l'IA dans le cadre d'un mob programming, afin d'enrichir leur réflexion avec des alternatives, de repérer des problèmes potentiels et de renforcer ainsi la robustesse du processus de résolution.

L'IA à destination des développeurs est une question d'évolution, et non d'extinction. Elle redéfinit peu à peu le métier d'ingénieur logiciel, en valorisant la créativité humaine et la pensée stratégique, pour apporter encore plus de valeur à chaque étape du processus de développement.

L'IA doit donc être perçue comme un membre supplémentaire d'une équipe, venant renforcer les capacités humaines plutôt que de les remplacer. Cette approche collaborative permet de désamorcer les craintes liées à la disparition des emplois et d'instaurer un climat plus favorable à l'adoption de l'IA.

Mettre l'IA en pratique: une approche en 5 étapes

Pour intégrer l'IA dans les workflows des équipes, les dirigeants doivent d'abord établir le contexte. Ensuite, ils doivent adopter une approche descendante pour sa mise en oeuvre. Concrètement, les leaders doivent définir comment les équipes vont utiliser l'IA, établir des processus clairs et fournir les ressources et le soutien nécessaires. Plutôt que de revoir complètement les workflows existants d'une équipe, il faut utiliser l'IA pour des tâches ou des étapes spécifiques du processus de développement. Cette approche itérative permet aux équipes d'apprendre, de s'adapter et de renforcer leur confiance en l'IA au fil du temps.

Pour commencer, il est important de définir des applications spécifiques à chaque rôle :

> Pour les développeurs : assurer une analyse initiale cohérente et approfondie, en imposant des revues de code et des analyses de sécurité alimentées par l'IA avant une revue humaine. Utiliser l'IA en premier pour analyser le code à la recherche de bugs, de vulnérabilités et de problèmes de performance peut fournir aux développeurs des informations exploitables pour la correction immédiate, créant ainsi des opportunités d'apprentissage.

> Pour les ingénieurs qualité (QA) : utiliser l'IA pour générer un premier test sur un nouveau code et analyser les résultats des tests, libérant ainsi du temps auprès des développeurs pour qu'ils se concentrent sur des scénarios de tests plus complexes et des problèmes critiques. Il est généralement plus facile de modifier un test proposé que de le créer de zéro.

> Pour les équipes opérationnelles : mettre en place l'IA pour automatiser les tâches opérationnelles répétitives, comme les déploiements, la gestion des infrastructures et la surveillance, permettant aux équipes opérationnelles de se concentrer sur des tâches plus stratégiques.

> Pour les chefs d'équipe : utiliser l'IA pour aider à la planification de projets, à la priorisation des tâches en attente, à l'allocation des ressources, au triage initial et au suivi des progrès, afin de fournir aux chefs d'équipe des informations en temps réel sur la santé du projet et les risques potentiels.

> Pour les responsables produits : utiliser l'IA pour analyser et résumer les segments de clients, les tendances du marché, les forums clients et l'opinion générale des utilisateurs.

Il faut par la suite sélectionner et intégrer soigneusement des outils alimentés par l'IA, tels que des outils d'analyse de code, des frameworks de tests et des plateformes de gestion de projet avec des capacités d'IA. Ces outils doivent s'intégrer de manière fluide dans l'environnement de développement existant afin d'éviter toute surcharge supplémentaire pour les développeurs. Pour éviter la fatigue décisionnelle, il faut mettre en place des lignes directrices claires et des formations sur l'utilisation efficace de ces outils au quotidien, y compris l'analyse critique des recommandations de l'IA.

La dernière étape consiste enfin en une mise en place des mécanismes de communication et de feedback clairs dans le cadre de ce déploiement. Cela passe par une incitation des développeurs à interagir avec l'IA, à donner leur avis sur le code généré, à affiner les cas de tests et à participer activement au processus collaboratif. En la matière, il est ainsi possible de créer un forum pour que les membres de l'équipe partagent leurs apprentissages et leurs réussites, afin d'encourager le partage de connaissances et l'adoption de solutions efficaces. Sur la base des retours des équipes et des résultats observés, il faudra ensuite surveiller et améliorer continuellement l'intégration de l'IA.

Après une période d'essai définie, il sera possible de communiquer sur la valeur de cet investissement auprès du comité exécutif. Il est essentiel de contextualiser la raison pour laquelle il était intéressant de promouvoir cette nouvelle technologie comme une priorité stratégique et non comme une mode passagère.

Les réussites progressives vont permettre aux équipes de gagner en dynamique et de prouver la valeur de l'intégration de l'IA dans leurs workflows. En adoptant une approche structurée et en définissant clairement le rôle de l'IA au sein d'une équipe, il sera possible de libérer tout son potentiel.

* Michel Isnard est vice-président EMEA de GitLab