Navigation principale

Le modèle opérationnel de l’ingénierie native de l’IA

La production de logiciels devient moins coûteuse, donnant l’avantage aux organisations capables de prendre de meilleures décisions et de valider leurs résultats en toute sécurité.

Synthèse de direction

  • L’IA réduit le coût de production logicielle; en tirer un avantage concurrentiel exige un changement de modèle opérationnel. Repenser le travail des équipes, plutôt que simplement déployer des assistants d’IA, favorise des gains durables.

  • L’ingénierie native de l’IA exige deux capacités complémentaires : des équipes applicatives proches des clients et des problèmes, et des équipes de plateforme ou du « harnais » fournissant le contexte, les garde-fous, les évaluations et la gouvernance pour que les humains et agents d’IA opèrent sûrement à grande échelle.

  • Le leadership technologique passe de la gestion de la capacité de livraison à la conception du système de livraison. Les dirigeants doivent clarifier quatre décisions : les responsabilités applicatives, le contexte et les contrôles partagés, les approbations humaines requises et la mesure de l’apprentissage validé et de la valeur client.

L’ancien modèle faisait de la capacité de mise en œuvre la contrainte principale

L’ingénierie moderne s’est largement développée à une époque où créer des logiciels coûtait cher. La question centrale était : comment permettre à plus d’équipes de livrer plus de logiciels, de façon plus prévisible? Ce postulat façonnait la structure des équipes, le financement des plateformes et la mesure de la livraison. Croître signifiait souvent embaucher, et la réussite se mesurait généralement au volume de travail traité.

L’IA change ce postulat. Selon nous, l’ingénierie native de l’IA n’est pas de l’ingénierie traditionnelle mieux outillée. Elle exige un autre modèle opérationnel : de petites équipes applicatives proches des problèmes clients, soutenues par des équipes de plateforme ou du « harnais ». Nous appelons « harnais » l’environnement opérationnel contrôlé qui fournit aux humains et agents le contexte, les outils, les permissions, les boucles de rétroaction et les limites nécessaires à une utilisation sûre de l’IA à grande échelle.

Pour les dirigeants des technologies et des données, les gains individuels de productivité ne suffisent pas à une adoption sûre dans toute l’organisation. Sans modèle opérationnel réfléchi, les équipes risquent des outils fragmentés, des schémas redondants, des responsabilités floues, une exposition incontrôlée des données et une qualité inégale.

La question des entreprises doit passer de « Comment aider les ingénieurs à utiliser l’IA? » à « Comment repenser le système d’ingénierie pour que les humains et agents créent de la valeur en toute sécurité à l’échelle de l’entreprise? »

Quand produire coûte moins cher, les décisions gagnent en importance

L’IA permet aux ingénieurs d’explorer plus d’idées, de prototyper plus vite et de tester plus d’approches. Produire davantage ne crée toutefois pas automatiquement plus de valeur. Sans jugement solide, contexte pertinent et évaluation efficace, le volume de travail peut croître plus vite que la capacité à décider quoi croire, déployer ou retenir.

L’IA peut réduire le coût de génération du code et des expériences. La baisse du coût total du logiciel dépend du travail restant pour le réviser, l’intégrer, l’exploiter, le maintenir et le retravailler.

Nous prévoyons que l’avantage en ingénierie dépendra de plus en plus de quatre capacités :

  • Décider quoi construire, comment le construire et comment consigner ces choix.

  • Fonder le travail des humains et des IA sur le savoir pertinent de l’organisation.

  • Changer d’échelle en sûreté via des plateformes, contrôles et tests partagés.

  • Concevoir des architectures intégrant de nouveaux outils et composants sans perturbations répétées.

La capacité rare n’est donc plus de produire, mais d’accroître le rendement : choisir le bon travail, l’ancrer dans son contexte, tester son efficacité et savoir quoi ne pas livrer.

L’expérimentation moins coûteuse accroît aussi la valeur des registres de décisions. Les organisations doivent savoir ce qui a été tenté, ce qui a échoué, ce qui a été appris et pourquoi une voie a été retenue.

Les systèmes d’ingénierie doivent privilégier la validation rapide, l’itération sûre et l’apprentissage documenté, pas seulement la vitesse de livraison. Cela transforme le rôle des ingénieurs et leur équipe.

Les ingénieurs orchestrent davantage le système

Il s’agit moins d’abandonner la construction que de façonner, d’évaluer et d’orchestrer ce qui est construit.

Les logiciels générés par l’IA ne suppriment pas le besoin d’ingénieurs. Ils rendent plus précieux ceux qui comprennent les contraintes, définissent les interfaces, conçoivent les évaluations et coordonnent humains et agents. Les ingénieurs alliant expertise technique, jugement, compréhension produit et compétences d’évaluation créeront souvent plus de valeur que ceux centrés sur la seule réalisation de composants.

L’IA renforce la boucle d’apprentissage produit-ingénierie

Autrefois, les équipes produit décidaient quoi construire et les équipes d’ingénierie déterminaient comment. Aujourd’hui, beaucoup d’organisations réunissent produit, conception et ingénierie. L’IA change le travail au sein de l’équipe : des prototypes moins coûteux permettent de passer du cadrage du problème à la réalisation et à l’évaluation dans un même cycle. Les équipes peuvent tester plus d’options, éliminer plus tôt les idées faibles et amener plus loin en production les idées validées.

Cela favorise de petites équipes interfonctionnelles où spécialistes produit, conception, ingénierie et métier partagent une boucle d’apprentissage. Les jugements produit et technique ne fusionnent pas en un rôle, mais doivent se rapprocher. Les responsables produit doivent maîtriser assez la technique pour prototyper et évaluer les options. Les ingénieurs doivent connaître assez les clients et les affaires pour cadrer le problème, plutôt que seulement appliquer une solution prédéfinie.

Le contexte organisationnel devient un actif stratégique

Les organisations d’ingénierie considéraient traditionnellement le code comme un actif majeur. Le code devenant plus facile à générer, la valeur durable réside davantage dans son contexte : savoir métier, compréhension client, expérience opérationnelle, données propriétaires, jeux d’évaluation, politiques lisibles par machine et historique des décisions d’architecture expliquant le fonctionnement des systèmes.

Les bases de code comptent notamment parce qu’elles incarnent un savoir durement acquis sur les affaires et les clients. L’IA change l’effort de production du code, pas celui nécessaire pour acquérir ce savoir. Les organisations doivent dépasser le volume de code et investir dans des actifs à valeur cumulative : données propriétaires bien gouvernées, systèmes de connaissances utilisables, compréhension approfondie des clients et registres de décisions clairs.

Pour les dirigeants de l’information et des données, l’architecture de l’information et la gouvernance des données sont essentielles à la performance en ingénierie. Les agents d’IA ne peuvent utiliser que le contexte qu’ils ont le droit de consulter et savent interpréter. Des connaissances fragmentées, des responsabilités floues sur les données et des permissions incohérentes entravent donc aussi l’ingénierie.

Intégré au système de production, le contexte ne peut rester une documentation passive. Il devient une capacité de plateforme.

Livraison d’IA fédérée : équipes locales, garde-fous communs

La livraison d’IA ne peut relever uniquement des équipes locales dès que contexte, évaluation et gouvernance intègrent le système de production. Elle ne doit pas non plus être centralisée au point d’éloigner les équipes des vrais problèmes clients.

Un modèle fédéré équilibre ces besoins. Les équipes applicatives autonomes restent proches du problème, soutenues par une plateforme et un harnais communs : outils réutilisables, accès contrôlé au contexte, schémas d’évaluation, permissions et gouvernance. La fédération exige des responsabilités claires : les équipes applicatives gèrent le flux et ses résultats; celles du harnais fournissent les capacités communes pour avancer sûrement; risque, sécurité et gouvernance gardent une surveillance indépendante.

Les équipes applicatives et experts métier doivent définir les cas d’évaluation et le seuil d’acceptation propres à la tâche. L’équipe du harnais doit fournir l’infrastructure d’évaluation, les contrôles communs et les rapports nécessaires à une exécution cohérente.

Domaine

Équipe applicative

Équipe du harnais

Risque, sécurité et gouvernance

Produit et résultat

Choisit le problème, le flux, l’expérience utilisateur et les mesures de réussite; répond des résultats clients et d’affaires

Fournit schémas réutilisables, outils et télémétrie

Fixe les contraintes si le cas d’usage présente un risque important

Contexte et accès

Précise les informations et actions nécessaires au flux

Fournit interfaces de contexte, identités d’agents et permissions des outils

Valide l’accès aux données sensibles et les limites de contrôle

Évaluation et diffusion

Fixe les critères d’acceptation et examine les résultats

Maintient suites d’évaluation, journaux d’audit et voies de déploiement approuvées

Approuve les usages à risque, les exceptions et les changements

Financement et responsabilité

Reçoit son financement et rend compte des résultats de l’application

Financée en commun, elle est évaluée sur le réemploi, la couverture et le délai de mise en production sûre

Assure un suivi indépendant et décide des contrôles

Cadence et apprentissage

Itère avec les experts métier et examine résultats, dérogations et incidents

Tire des acquis de nouveaux tests, contrôles et capacités réutilisables

Examine les incidents et changements aux validations convenues

Cela change aussi la façon dont les dirigeants doivent envisager la taille des équipes. Produire plus de logiciels avec de petites équipes n’est pas un but en soi. L’objectif est de placer le jugement humain là où il crée le plus de valeur : près du problème dans les équipes applicatives, et dans les capacités communes leur permettant d’avancer vite sans perdre le contrôle.

La plateforme devient un harnais pour humains et agents

Les équipes applicatives, plus petites et plus assistées par l’IA, ont besoin de capacités communes renforcées pour une livraison sûre, cohérente et responsable.

L’ingénierie de plateforme visait surtout la productivité des développeurs, ses principaux utilisateurs. Une plateforme native de l’IA doit servir les humains comme les agents.

Un agent n’utilise pas une plateforme de développement comme une personne. Il lui faut des instructions et outils accessibles aux machines, des permissions explicites et des moyens d’évaluation fiables. Le harnais doit aussi intégrer l’observabilité, la sécurité, la conformité et la gestion des connaissances. Il rend l’autonomie utile en lui imposant des limites claires et applicables.

Soutien assisté par l’IA dans une banque réglementée

Une banque adopte un flux assisté par l’IA pour les contestations d’opérations par carte. L’équipe applicative commence par classer le dossier, trouver la politique applicable et rédiger une réponse pour un agent de soutien humain. Elle gère le flux, l’expérience utilisateur, les seuils d’escalade et les critères de réussite. Elle ne fixe pas la politique réglementaire et n’accorde aucun nouveau droit à l’agent.

Ici, des agents pourraient aider à la mise en œuvre, exécuter des tests ciblés et préparer une version. Les humains approuveraient toujours la mise en production; les résultats guideraient le cycle suivant d’évaluation et de développement. Les contrôles d’exécution restent distincts : l’agent de soutien utilise uniquement des outils et données approuvés, selon les permissions et voies d’escalade définies.

  • Contexte : l’agent peut lire le dossier courant, les seuls champs clients requis, les procédures approuvées (produits/plaintes) et les règles d’escalade lisibles par machine. Sont exclus les identifiants de paiement bruts, les dossiers clients sans lien et l’écriture dans le système de gestion des dossiers.

  • Évaluation : avant diffusion, les tests sur des cas historiques représentatifs et des cas limites annotés par des experts doivent réussir : classement exact, respect des politiques, abstention à bon escient, aucune fuite de données personnelles et escalade des plaintes ou cas financiers sensibles.

  • Approbation : l’équipe applicative décide pour le produit. Risque, sécurité et conformité valident l’accès aux données, la correspondance avec les politiques et la voie de déploiement. Un agent de soutien humain approuve chaque envoi. L’agent ne décide jamais seul de l’argent ni des droits d’un client.

  • Registre du harnais : par exécution, noter identité de l’agent, version du modèle, contexte et sources, outils appelés, contrôles de politiques, résultats des tests, retouches ou dérogations humaines et incidents. Des réussites, tirer des interfaces de contexte, cas de test, modèles de droits et voies de déploiement approuvées réutilisables. Les échecs et dérogations inspirent de nouveaux tests et améliorent le flux.

L’agent peut donc agir, mais seulement à l’aide de contexte et d’outils approuvés. Chaque limite importante produit des preuves vérifiables et réutilisables. Les humains restent responsables des décisions importantes. La banque peut ensuite exploiter les cas réels — réussites, interventions humaines et échecs — pour améliorer le flux et décider d’élargir ou non son mandat. Voilà l’autonomie encadrée et l’apprentissage validé en pratique.

Cette répartition se reflète dans les systèmes et contrôles des équipes du harnais. Leurs responsabilités peuvent inclure :

  • Identité : créer une identité de service, noter le responsable et l’environnement, suivre les versions du modèle, de l’invite et des outils de chaque agent.

  • Droits des outils : fixer les accès en lecture et écriture, les limites d’accès aux données et de débit, les approbations et le refus par défaut.

  • Interfaces de contexte : exposer savoir et données approuvés selon les droits, via des interfaces versionnées précisant leur origine et leur âge.

  • Suites d’évaluation : maintenir exemples représentatifs, cas limites, tests de sûreté, de sécurité et de régression, et seuils de diffusion.

  • Audit et observabilité : noter l’identité de l’agent, le contexte obtenu, les outils appelés, les sorties, approbations, dérogations humaines, échecs et incidents, avec des contrôles de conservation et d’accès.

  • Déploiements approuvés : bac à sable, mode miroir, par étapes et en production, avec contrôles automatisés, retour arrière et gestion des changements.

Le terme « équipes du harnais » ne désigne pas toutes les fonctions de plateforme. Les équipes d’exploitation de l’apprentissage automatique, de sécurité, de gouvernance et de plateforme gardent leurs rôles. L’équipe du harnais relie leurs contrôles à la création et à l’exploitation des flux d’IA : droits et approbations pour les politiques, interfaces gouvernées pour le contexte, tests pour l’évaluation et journaux pour auditer et réutiliser les comportements des agents.

Schéma du modèle opérationnel de l’ingénierie native de l’IA, où les équipes applicatives sont soutenues par une plateforme et un harnais communs.

Revoir : effectifs, leadership et mesure

Si l’ingénierie se divise entre livraison applicative et capacités communes, les effectifs, le leadership et les mesures doivent suivre.

Sur le terrain, les équipes applicatives exercent leur jugement sur le produit, la technique et le métier. Les équipes de plateforme et du harnais doivent concevoir et exploiter un cadre commun aux humains et aux agents à grande échelle.

Les leaders technologiques conçoivent le système de livraison

Les dirigeants des technologies, des données et de l’information doivent décider quoi centraliser et quoi confier aux équipes.

Les équipes applicatives doivent pouvoir agir vite et rester proches des clients. Elles ne devraient pas devoir recréer l’accès sécurisé aux données, l’observabilité, l’évaluation et la gouvernance.

Dans une organisation native de l’IA, les dirigeants technologiques doivent moins se concentrer sur la capacité de livraison et davantage sur la conception du système. Il faut :

  • recruter et former pour le jugement et la qualité des décisions;

  • investir dans les plateformes d’IA, évaluations, garde-fous, voies approuvées, flux de savoir et accès partagés;

  • définir les limites des agents, des humains et des flux mixtes;

  • mesurer les acquis, la fiabilité, l’effet sur les clients et le réemploi sûr;

  • rester assez proches de la technologie pour comprendre où l’IA change réellement l’économie de la livraison.

Bien conçu, ce système facilite l’accès au bon contexte, les tests du travail généré par l’IA, la réutilisation de pratiques éprouvées et le repérage des approbations humaines nécessaires.

Les mesures actuelles d’ingénierie ne disent pas tout

De nombreuses mesures d’ingénierie datent d’une époque où produire des logiciels était une contrainte majeure. Vélocité, points de récit, débit et fréquence de déploiement restent utiles, mais moins révélateurs à eux seuls lorsque l’IA réduit l’effort de production logicielle.

Une équipe peut produire plus de code et d’expériences tout en décidant mal, en complexifiant inutilement le système ou en augmentant les risques.

Les dirigeants technologiques doivent donc regarder au-delà du volume logiciel produit et de l’adoption des outils d’IA. Ils doivent savoir si l’IA accélère l’apprentissage, améliore les résultats clients et permet une exploitation fiable dans les limites convenues.

Mesures possibles pour les équipes applicatives :

  • délai avant acquis validés;

  • meilleurs résultats clients;

  • valeur d’affaires livrée;

  • adoption et évolution des pratiques;

  • le taux d’expériences menant à des décisions étayées.

Le délai d’apprentissage validé va du début d’une expérience à la collecte de preuves suffisantes pour décider. Une équipe qui commence lundi, déploie mercredi et décide sur preuves vendredi a un cycle d’apprentissage d’une semaine, pas un cycle de livraison de deux jours.

Mesures possibles pour les équipes de plateforme et du harnais :

  • réemploi de bons schémas d’IA;

  • portée et efficacité des évaluations;

  • incidents et reprises liés à l’IA;

  • de l’idée à la production sûre;

  • observabilité des actions des agents;

  • préparation aux audits et règles.

Par résultat réussi, le coût doit inclure l’usage du modèle, la révision humaine, les tentatives ratées, les reprises et le soutien opérationnel.

Ces mesures exigent des définitions, références et méthodes d’évaluation claires. Le but n’est pas de remplacer un tableau de bord universel par un autre, mais de vérifier si le système de livraison produit des résultats fiables.

Même ce modèle pourrait être bref

Le modèle application-harnais répond à la phase actuelle de l’ingénierie native de l’IA. Il ne faut pas y voir un état final permanent.

Ces évolutions pourraient changer l’unité de base du travail d’ingénierie :

  • des agents responsables de flux complets;

  • des logiciels temporaires plutôt que maintenus des années;

  • le passage des interfaces applicatives aux expériences guidées par agent;

  • des modèles intégrant plus de fonctions de plateforme;

  • des règles faisant de l’auditabilité et de la responsabilité la contrainte dominante.

Ce sont des possibilités, pas des certitudes. Si elles se concrétisent, même la distinction entre équipes applicatives et de plateforme pourrait devenir trop étroite.

Les organisations les mieux préparées à cette incertitude adopteront un modèle opérationnel adaptatif. Elles privilégieront des principes clairs, un contexte solide, une autonomie encadrée et un apprentissage rapide, plutôt que des structures ou outils figés.

Des progrès fiables : la nouvelle norme d’excellence en ingénierie

L’IA ne réduit pas l’importance des systèmes d’ingénierie. Elle valorise leur bonne conception.

La production logicielle moins coûteuse favorise les organisations capables de mieux décider, d’enrichir le contexte utile et d’opérer en toute sécurité. L’ingénierie native de l’IA ne consiste pas seulement à utiliser des outils d’IA. Elle se réorganise autour des nouvelles contraintes : qualité des décisions, contexte commun, autonomie encadrée et apprentissage rapide.

Les leaders technologiques peuvent d’abord clarifier quatre choix

  1. Quels choix sur les clients et les produits garder près des équipes applicatives?

  2. Quels contextes, contrôles et capacités d’évaluation faut-il partager?

  3. Où les agents peuvent-ils agir seuls, et où faut-il une approbation humaine?

  4. Quelles mesures attestent les acquis validés, la valeur pour les clients et la sûreté?

Ces réponses détermineront davantage la valeur de l’adoption de l’IA que le nombre d’assistants déployés.

Authors

Abbie Manning, Saurabh Singh