Navigation principale

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

Produire des logiciels coûte moins cher : l’avantage va aux organisations capables de prendre de meilleures décisions et de valider les résultats en toute sécurité.

À retenir

  • L’IA réduit le coût de production logicielle ; en tirer un avantage concurrentiel exige de changer de modèle opérationnel. Les organisations qui repensent le travail des équipes, au-delà du déploiement d’assistants IA, ont plus de chances d’obtenir 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 plateforme ou « harnais » fournissant contexte partagé, garde-fous, évaluations et gouvernance pour que les humains et agents IA opèrent en sécurité à grande échelle.

  • La direction technologique passe de la gestion des capacités de livraison à la conception du système de livraison. Les dirigeants doivent expliciter quatre décisions : responsabilités des équipes applicatives, contexte et contrôles partagés, approbations humaines requises et mesure de l’apprentissage validé et de la valeur client.

L’ancien modèle faisait de la capacité d’implémentation la contrainte principale

L’ingénierie moderne s’est largement construite dans un monde où créer des logiciels coûtait cher. La question centrale était : comment permettre à davantage d’équipes de livrer davantage de logiciels, de façon plus prévisible ? Ce postulat a façonné la structure des équipes, le financement des plateformes et la mesure des livraisons. Changer d’échelle signifiait souvent recruter ; 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 une ingénierie traditionnelle mieux outillée. Elle exige un autre modèle opérationnel : de petites équipes applicatives proches des problèmes clients, soutenues par des équipes plateforme ou « harnais ». Le « harnais » désigne ici l’environnement contrôlé qui fournit aux humains et agents le contexte, les outils, permissions, boucles de retour et limites nécessaires à un usage sûr de l’IA à grande échelle.

Pour les responsables technologiques et des données, l’enjeu est majeur : les seuls gains de productivité individuels ne garantissent pas une adoption sûre à l’échelle de l’organisation. Sans modèle opérationnel délibéré, les équipes risquent outils fragmentés, schémas dupliqués, responsabilités floues, exposition incontrôlée des données et qualité inégale.

Les entreprises doivent passer de la question « 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 sécurité à l’échelle de l’entreprise ? »

Quand produire coûte moins cher, les décisions comptent davantage

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 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 expérimentations. Son effet sur le coût total dépend du travail restant pour vérifier, intégrer, exploiter, maintenir et reprendre le logiciel.

Selon nous, l’avantage en ingénierie dépendra toujours plus de quatre capacités :

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

  • Donner aux équipes et aux systèmes d’IA les connaissances utiles de l’organisation.

  • Montée en charge sûre : plateformes, contrôles et évaluations partagés.

  • Concevoir des architectures capables d’intégrer 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 le contexte, tester son efficacité et savoir quoi ne pas livrer.

La baisse du coût d’expérimentation renforce aussi la valeur des registres de décisions. Les organisations doivent savoir ce qui a été tenté, ce qui a échoué, les enseignements tirés et les raisons des choix.

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

Les ingénieurs orchestrent davantage le système

Pour les ingénieurs, il s’agit moins de cesser de construire que de façonner, évaluer et orchestrer ce qui est construit.

Les logiciels générés par IA ne suppriment pas le besoin d’ingénieurs. Ils renforcent l’importance de savoir comprendre les contraintes système, définir les interfaces, concevoir les évaluations et coordonner humains et agents. Les ingénieurs alliant expertise technique, jugement, compréhension du produit et évaluation créeront souvent plus de valeur que ceux centrés sur l’implémentation de composants isolés.

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

Historiquement, les équipes produit décidaient quoi construire, et les équipes d’ingénierie comment le construire. Aujourd’hui, nombre d’organisations réunissent produit, conception et ingénierie. L’IA change le travail au sein de l’équipe : des prototypes moins chers permettent de passer du cadrage du problème à l’implémentation et à l’évaluation dans un même cycle. Les équipes peuvent tester plus d’options, écarter plus tôt les idées faibles et pousser les idées validées plus loin en production.

Cela favorise de petites équipes pluridisciplinaires réunissant spécialistes produit, conception, ingénierie et métier dans une même boucle d’apprentissage. Les jugements produit et technique ne fusionnent pas en un seul rôle, mais doivent se rapprocher. Les responsables produit doivent maîtriser assez la technique pour prototyper et évaluer des options. Les ingénieurs doivent connaître assez le contexte client et métier pour cadrer le problème, pas seulement appliquer une réponse 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, connaissance client, expérience opérationnelle, données propriétaires, jeux d’évaluation, règles 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 métier et client durement acquis. L’IA change l’effort de production du code, mais ne supprime pas celui nécessaire pour acquérir ce savoir. Au-delà du volume de code, il faut investir dans des actifs à valeur cumulative : données propriétaires bien gouvernées, systèmes de connaissances utilisables, connaissance approfondie des clients et décisions clairement consignées.

Pour les DSI et CDO, l’architecture de l’information et la gouvernance des données deviennent centrales dans la performance de l’ingénierie. Les agents IA ne peuvent utiliser que le contexte auquel ils ont accès et qu’ils savent interpréter. Savoirs fragmentés, responsabilités floues sur les données et permissions incohérentes deviennent des contraintes d’ingénierie, pas seulement de gestion de l’information.

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

Fédérer la livraison IA : équipes locales, garde-fous communs

Dès lors que contexte, évaluation et gouvernance intègrent le système de production, la livraison IA ne peut relever entièrement de chaque équipe. Elle ne doit pas non plus être centralisée au point de couper les équipes des problèmes réels des clients.

Un modèle fédéré équilibre ces besoins. Les équipes applicatives autonomes restent proches du problème, soutenues par des capacités communes de plateforme et de harnais : outils réutilisables, accès contrôlé au contexte, schémas d’évaluation, permissions et gouvernance. La fédération exige des responsabilités claires : les équipes applicatives portent le processus et ses résultats ; les équipes harnais fournissent les capacités communes pour avancer en sécurité ; risques, sécurité et gouvernance gardent une supervision indépendante.

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

Domaine

Équipe applicative

Équipe harnais

Risques, sécurité et gouvernance

Produit et résultats

Choisit problème, processus, expérience utilisateur et critères de réussite ; répond des résultats clients et métier

Fournit schémas réutilisables, outils et télémétrie

Fixe les contraintes quand l’usage crée un risque important

Contexte et accès

Précise les informations et actions nécessaires au processus

Fournit interfaces de contexte, identité des agents et permissions des outils

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

Évaluation et publication

Fixe les critères d’acceptation, examine les résultats

Maintient suites d’évaluation, journaux d’audit et parcours de déploiement validés

Approuve les usages à haut risque, exceptions et changements majeurs

Financement et responsabilité

Reçoit un financement et répond des résultats de l’application

Est financée comme capacité commune ; indicateurs : réutilisation, couverture et délai de production sûre.

Assure la supervision indépendante et décide des contrôles

Rythme et apprentissage

Itère avec les experts métier et examine résultats, interventions humaines et incidents

Transforme les enseignements en tests, contrôles et capacités réutilisables

Examine les incidents et changements lors des validations prévues

Cela change aussi la manière d’envisager la taille des équipes. Faire produire plus de logiciels par des équipes réduites n’est pas une fin en soi. Le but est de placer le jugement humain là où il crée le plus de valeur : près du problème dans les équipes applicatives, et au sein des capacités communes leur permettant d’avancer vite sans perdre le contrôle.

La plateforme devient un harnais pour humains et agents

Avec des équipes applicatives plus petites et plus assistées par l’IA, il faut renforcer les capacités communes pour livrer de façon sûre, cohérente et responsable.

L’ingénierie de plateforme visait surtout la productivité des développeurs, avec des utilisateurs principalement humains. Une plateforme native de l’IA doit servir humains et agents.

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

Exemple : l’assistance par IA dans une banque réglementée

Une banque lance un flux de travail assisté par l’IA pour les litiges de paiement par carte. L’équipe applicative commence par une tâche ciblée : classer le dossier, trouver la règle applicable et rédiger une réponse pour un conseiller. Elle gère le flux, l’expérience utilisateur, les seuils d’escalade et les indicateurs de réussite, sans définir la réglementation ni accorder de nouvelles permissions à l’agent.

Des agents pourraient aider à l’implémentation, effectuer des tests ciblés et préparer une version. Les humains approuveraient la mise en production, dont les résultats guideraient le prochain cycle d’évaluation et de développement. Les contrôles à l’exécution restent distincts : l’agent d’assistance doit se limiter aux outils et données approuvés, aux permissions et circuits d’escalade définis.

  • Contexte : l’agent accède au dossier actuel, aux champs client requis, aux procédures approuvées sur les produits et réclamations et aux règles d’escalade lisibles par machine. Il ne peut consulter les identifiants de paiement bruts, les dossiers sans rapport ni écrire dans le système de gestion du dossier.

  • Évaluation : avant publication, une suite de tests fondée sur des cas historiques représentatifs et des cas limites annotés par des experts vérifie classement, respect des règles, abstention pertinente, fuites de données personnelles et escalade des réclamations ou cas financièrement sensibles.

  • Approbation : l’équipe applicative décide du produit. Les équipes risques, sécurité et conformité valident l’accès aux données, l’application des règles et le déploiement. Un conseiller valide chaque message sortant ; les décisions touchant l’argent ou les droits du client échappent à l’autonomie de l’agent.

  • Journal du harnais : chaque exécution note l’identité de l’agent, la version du modèle, le contexte et les sources consultés, les outils, contrôles, évaluations, corrections, dérogations humaines et incidents. L’équipe convertit les réussites en interfaces de contexte réutilisables, cas d’évaluation, modèles de permissions et parcours de déploiement approuvés. Échecs et dérogations alimentent tests et améliorations.

L’agent peut ainsi agir, mais uniquement via un contexte et des outils approuvés. Chaque limite importante produit des preuves vérifiables et réutilisables. Les humains restent responsables des décisions essentielles. La banque peut ensuite exploiter les cas réels — réussites, interventions humaines et échecs — pour améliorer le processus et décider d’élargir son périmètre. Voilà l’autonomie encadrée et l’apprentissage validé en pratique.

Cette répartition se retrouve dans les systèmes et contrôles gérés par l’équipe harnais. Les équipes harnais peuvent gérer :

  • Identité des agents : attribuer des identités de service, consigner responsables et environnement, suivre les versions des modèles, prompts et outils utilisés.

  • Permissions des outils : définir les droits de lecture/écriture, l’accès aux données, les limites de débit, les validations et le refus par défaut.

  • Interfaces de contexte : exposer savoirs et données approuvés via des interfaces versionnées, avec accès contrôlé, provenance et fraîcheur claires.

  • Suites d’évaluation : tenir à jour des exemples types, cas limites, tests de sûreté, sécurité et non-régression, seuils de déploiement.

  • Journaux d’audit et observabilité : consigner identité, contexte récupéré, outils appelés, résultats, approbations, interventions humaines, échecs et incidents, avec conservation et accès adaptés.

  • Parcours approuvés : modes bac à sable, miroir, par étapes et production, avec contrôles automatisés, retour arrière et maîtrise des changements.

Les équipes harnais ne rebaptisent pas toutes les fonctions de plateforme existantes. Les équipes opérations ML, sécurité, gouvernance et plateforme gardent leurs responsabilités. L’équipe harnais relie ces contrôles aux processus IA des équipes applicatives : permissions et approbations pour les règles, interfaces gouvernées pour le contexte, tests pour l’évaluation, journaux pour auditer et réutiliser les comportements des agents.

Schéma du modèle opérationnel de l’ingénierie native de l’IA : des équipes applicatives soutenues par une plateforme et un harnais communs.

Effectifs, direction et mesures doivent évoluer

Si l’ingénierie se répartit entre livraison applicative et capacités communes, effectifs, direction et mesures doivent suivre.

Les équipes applicatives ont besoin d’un jugement produit, technique et métier proche du problème. Les équipes plateforme et harnais doivent savoir concevoir et exploiter l’environnement commun aux humains et agents à grande échelle.

Les dirigeants deviennent concepteurs du système de livraison

Pour les CTO, CDO et DSI, l’enjeu est de décider quoi fournir de façon centralisée et quoi laisser aux équipes.

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

Les dirigeants techniques d’une organisation native de l’IA passent en partie de la gestion des capacités de livraison à la conception du système de livraison. Cela implique :

  • recruter et former les équipes à mieux juger et décider ;

  • investir dans des plateformes IA communes : évaluations, garde-fous, parcours validés, flux de savoir, modes d’accès ;

  • définir le cadre d’action des agents, des humains et des processus mixtes ;

  • mesurer apprentissage validé, fiabilité, impact client et réutilisation sûre ; et

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

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

Les indicateurs actuels d’ingénierie ne disent pas tout

Nombre d’indicateurs ont été conçus quand la production logicielle était une contrainte majeure. Vélocité, points d’effort, débit et fréquence de déploiement restent utiles, mais moins révélateurs à eux seuls quand l’IA réduit l’effort de production.

Une équipe peut produire plus de code et d’expériences tout en décidant mal, en créant une complexité inutile ou en augmentant les risques.

Les dirigeants doivent donc dépasser le volume de logiciels produits ou l’étendue de l’usage des outils IA. Ils doivent savoir si l’IA accélère l’apprentissage, améliore les résultats clients et permet un fonctionnement fiable dans les limites convenues.

Indicateurs utiles aux équipes applicatives :

  • Délai d’apprentissage validé

  • Résultats clients en hausse ;

  • valeur métier créée ;

  • adoption, changement d’usage ; et

  • taux d’expériences menant à des décisions étayées.

Le délai d’apprentissage validé va du lancement d’une expérience à la collecte de preuves suffisantes pour décider. Commencer lundi, déployer mercredi et décider sur preuves vendredi constitue un cycle d’apprentissage d’une semaine, non un cycle de livraison de deux jours.

Indicateurs utiles aux équipes plateforme et harnais :

  • réemploi de modèles IA validés ;

  • couverture, efficacité des évaluations ;

  • incidents et reprises IA ;

  • délai idée-production sûre ;

  • suivi des actions des agents ; et

  • préparation audit/conformité.

Les coûts doivent inclure, pour chaque réussite, usage du modèle, revue humaine, tentatives échouées, reprises et assistance opérationnelle.

Ces indicateurs exigent des définitions, références et méthodes d’évaluation claires. Il ne s’agit pas de remplacer un tableau de bord universel par un autre, mais de vérifier que le système de livraison produit des résultats fiables.

Même ce modèle peut ne pas durer

Le modèle application-harnais répond à la phase actuelle de l’ingénierie native de l’IA. Il ne constitue pas un état final immuable.

D’autres évolutions pourraient redéfinir l’unité du travail d’ingénierie :

  • des agents responsables de processus complets ;

  • des logiciels temporaires plutôt que maintenus pendant des années ;

  • des interfaces applicatives aux expériences pilotées par des agents ;

  • modèles de fondation aux capacités de plateforme accrues ; et

  • réglementation : auditabilité et responsabilité, contraintes clés d’ingénierie.

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

Les organisations les mieux préparées feront de leur modèle opérationnel un modèle adaptatif. Elles privilégieront principes clairs, contexte solide, autonomie encadrée et apprentissage rapide, plutôt que structures d’équipe 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 baisse du coût de production logicielle favorise les organisations qui décident mieux, enrichissent le contexte utile et opèrent en sécurité. Une ingénierie native de l’IA ne se limite pas à utiliser des outils IA. Elle se réorganise autour des nouvelles contraintes : qualité des décisions, contexte partagé, autonomie encadrée et apprentissage rapide.

Les dirigeants technologiques peuvent clarifier quatre décisions :

  1. Quelles décisions produit et client garder près des équipes applicatives ?

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

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

  4. Quels indicateurs attestent l’apprentissage validé, la valeur client 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