Nous avons vu dans le billet précédent (partie 1) que l’IA générative transforme profondément le cycle de vie des projets digitaux, de la collecte des besoins, à la maintenance; en automatisant et enrichissant chaque étape grâce à des capacités avancées de traitement et de création. Cela se traduit déjà par l’amélioration de l’efficacité sur certaines tâches. Mais avec les progrès très rapides de l’IA générative, elle va pour GreenSI devenir incontournable pour l’analyse des besoins, la documentation, et tout ce qui va réduire les risques et les délais.
Après avoir exploré les phases de conception et de réalisation, nous allons maintenant explorer les phases plus proche du déploiement, comme la gestion de la qualité, des portefuilles projets et des retours d’expérience.
Oui, l’IA générative peut aussi aider là, où souvent, les humains abandonnent par manque de temps, ou quand ils sont pris par les aléas des projets au lieu d’apprendre d’eux !
Et justement, avec les IA génératives, s’il y a un domaine où elles excellent, c’est bien l’apprentissage.
Etape Contrôle Qualité & Validation
Le contrôle qualité est un pilier incontournable pour garantir la conformité du projet aux standards attendus. L’IA générative apporte une valeur ajoutée en automatisant les processus de contrôle qualité tels que l’analyse des audits, des logs de fonctionnement ou la vérification des normes de conformité ou de sécurité. On a abordé dans le billet précédent les tests avec leur génération automatique dans la phase de développement, mais on peut y revenir pour leur analyse systématique des résultats de non regression des nouvelles versions livrées et leur mise en forme pour le documenter.
Des outils tels que SonarQube ou GitHub Copilot, illustrent cette capacité d’analyse de code source en temps réel, d’identification des erreurs potentielles et de vérification de la conformité aux bonnes pratiques de développement. Ils peuvent également fournir des suggestions pour améliorer la qualité du code. C’est donc tout l’atelier de génie logiciel qui est réinventé pour le développeur, de la création du code à son exécution.
L’informatique a déjà connu le passage du « code brut » (langage de bas niveaux) aux « AGL », les ateliers de génie logiciel,qui ont boosté la productivité de la production de code dans les années 1980, reposant sur des concepts apparus dans les années 1970 (Computer-Aided Software Engineering). Ensuite sont venus les approches objets, le RAD (Rapid Application Devlopment), l’agile puis l’intégration continue.
Ce qui se profile c’est l’étape suivante de cette évolution de l’usine à logiciel, avec l’IA mais aussi la recherche de plus d’automatisation, jusqu’à la documentation (UML). Ceci est aujourd’hui facilité par des architectures distribuées de micro-services, donc des tailles de codes sont plus réduites pour chaque service, mais beaucoup plus grandes pour l’ensemble du projet.
Toutes les entreprises sont devenus des usines à logiciel avec la transformation numérique.
Si on extrapole les tendances, GreenSI voit arriver de la génération de code à partir des spécifications textuelles ou visuelles, ce qui nous ramène au billet précédent. Pas comme sur les vidéos à la mode, quand on dessine un écran et que le LLM nous écrit le code, ce qui reste simpliste. C’est plus une nouvelle façon de spécifier en multi-formats qu’il faut imaginer, pour préparer la génération de code. Plus j’ai des spécifications de qualité, plus je pourrais automatiser. On peut aussi imaginer des modèles IA prédictifs de l’exécution, pour renseigner le développeur avant qu’il envoie sont code dans le pipeline CI/CD de mise en production.
Est-ce que demain mon ingénieur qualité pourra être un robot IA autonome ?
Oui, c’est certainement un objectif interessant à se fixer sur la trajectoire de la DSI, que le développement soit internalisé ou encore mieux quand il est externalisé.
Cela réduit non seulement les risques d’erreurs humaines, mais augmente aussi significativement la fiabilité du produit final, tout en optimisant les ressources allouées aux tests et à la validation. L’IA générative permet également de mettre en place des protocoles de tests plus exhaustifs en simulant des conditions variées, difficiles à reproduire dans des scénarios de tests manuels.
On trouve des retours d’expérience où l’implémentation d’IA dans les processus de tests peut réduire les délais de 30% et augmenter la couverture des tests de 40%. GreenSI a été plus conservateur avec une hypothèse moyenne à 25% mais croit beaucoup a son potentiel futur.
Etape Clôture et REX
Qui fait un REX systématique de tous ses projets ?
Avouons, que c’est peu d’entre nous. Et ce n’est pas l’envie qui manque, mais souvent tout simplement le temps, le budget, la sous-traitance ou la remobilisation des ressources impliquées dans les projets.
La phase de clôture qui se concentre sur l’évaluation des résultats, la rétention de la connaissance institutionnelle et la documentation des leçons apprises, est pourtant essentielle dans une organisation qui gère des dizaines, voire centaines de grands projets chaque année.
L’IA générative est un outil privilégié pour cette étape, car elle permet d’analyser des données a posteriori, de détecter des schémas récurrents, et d’extraire des enseignements pertinents pour de futurs projets. Comment ? En compilant les retours de toutes les parties prenantes (pas que la vision du chef de projet) et en les intégrant dans une synthèse structurée. C’est aussi ça la force de création de nouveaux documents de pilotage en automatique.
Pour les plus avancés (donc avec beaucoup de data sur le fonctionnement des projets), on peut imaginer que l’IA permettra d’identifier des axes d’amélioration parfois insoupçonnés, tels que les dysfonctionnements de communication, de validations ou des inefficacités structurelles, fournissant ainsi une base solide pour l’amélioration continue. Cet objectif devrait inciter a collecter beaucoup plus de données numériques et de métriques sur le déroulement des projets, car sans data, pas d’IA.
Les outils collaboratifs permettent aujourd’hui de collecter beaucoup plus d’information sur le fonctionnement des équipes, des réunions, des sentiments… et d’alimenter une synthèse IA. A nous de mieux les exploiter, mais on se doute que les suites logicielles de gestion de projets du marché sont aussi toutes sur la brèche pour sortir ces fonctionnalités les premières. Elles ont une vrai rupture devant elles.
Bien sûr on a pas besoin d’attendre la fin du projet pour enclencher une analyse systématique des retours et mettre en place une amélioration continue.
L’utilisation de l’IA, dans la phase de clôture, va donc au-delà de la simple documentation du projet exécuté, qui n’est cependant pas à négliger. Elle permet de créer des bases de connaissances dynamiques et enrichies, accessibles aux futurs projets et permettant une véritable capitalisation de l’expérience acquise.
Cette approche peut transformer chaque projet en une opportunité d’amélioration systématique de l’organisation, réduisant ainsi la répétition des erreurs et favorisant l’innovation continue.
Suivi du Portefeuille Projet en continue
Les démarches d’agilité à l’échelle et les architectures distribuées ont remis à l’ordre du jour la gestion globale de tous les projets, leur coordination (Release Train Engineer), et la prise en compte des aléas de façon dynamique. La promesse c’est, par exemple,de ne pas livrer des rames et une ligne de RER Eole de l’ouest parisien en 2026 quand le système de contrôle commande de cadencement de la ligne ne sera opérationnel qu’en 2030 😉
Le suivi du portefeuille projet est une activité transversale qui bénéficie d’une vision consolidée des projets en cours, qui peut être analysée en continu par l’IA et aider les décideurs à allouer les ressources de manière agile et à gérer les priorités globales.
La cible c’est certainement une IA chef d’orchestre proactif qui agit comme un facilitateur et coach au niveau d’un programme et dont l’objectif principal est de s’assurer que le train avance sans obstacle et livre de la valeur en continu.
Et comme tout enseignement ne vaut que s’il est partagé, c’est aussi l’opportunité de repenser les interfaces de communication entre les parties prenantes en offrant des interfaces plus intuitives pour consulter les avancées du projet et partager les conseils. Pourquoi pas un Chatbot, pour poser les questions sur l’avancement des projets à un LLM connecté en privé sur les données du projet et depuis la salle de réunion ?
L’IA est également capable d’analyser des données provenant de logs sur l’infrastructure physique, et de les coupler aux données de pilotage, ce qui dans certains cas peut ouvrir un nouveau champ de pilotage. C’est bien sûr encore plus intéressant en agile avec une succession de mise en production au cours du même projet. Les développements de l’observabilité de l’exécution de nos applications est en forte ébullition.
En conclusion de cette exploration sur ces deux billets, il n’y a aucun doute que l’IA générative a le potentiel de transformer radicalement la gestion de projet, que ce soit avec la génération de livrables de meilleure qualité réduisant les risques, mais également avec l’amélioration de la qualité et de l’amélioration continue au sens large.
Le potentiel est estimé sur l’ensemble du cycle projet a un gain en productivité par rapport aux moyens actuels déployés de 26%. Cela peut sembler faible, mais les outils testés n’ont qu’une année d’expérience au mieux. C’est donc plus dans la croissance de ce potentiel qu’il faut miser, et aller jusqu’à une IA autonôme pour piloter les projets et la qualité de leur livrable, sans laisser de place aux risques du facteur humain.
Maintenant ne soyons pas naifs non plus. Les risques amenés par le facteur IA générative ne sont pas non plus nuls, notamment sur la capacité à ne pas stabiliser les productions dans le temps, laisser de la place aux hallucinations et bien sûr ouvrir des données de l’entreprise à l’extérieur. Tous ces risques sont nouveaux et trouveront progressivement leur parade au fur et à mesure de la confirmation de son potentiel.
À l’ère de l’IA générative, la gestion de projet évolue donc vers une discipline adaptative, soutenue par une intelligence capable d’embrasser la complexité et d’anticiper les évolutions futures. Nous pouvons également anticiper des transformations encore plus profondes dans la manière dont les projets seront pilotés, avec des tâches routinières entièrement gérées par des algorithmes intelligents, laissant aux professionnels le soin de se concentrer sur des aspects stratégiques et humains des projets, comme l’accompagnement aux changements.
Comme les autres métiers de l’entreprise, la DSI qui a ces dernières années pris la main sur le processus de pilotage des projets numériques, a maintenant la responsabilité de trouver la bonne interaction entre l’humain et la machine pour relever ces défis. Comment faire évoluer le pilotage de plus en plus complexes des projets posés par des environnements en constante évolution, en exploitant plus l’IA et non en mettant plus de gouvernance.
Et on ne peut pas écarter un futur plus lointain, où des IA génératives et collaboratives, centrées chacune sur une mission, interagiront aussi entre elles, pour réduire le facteur de risque humain 😉
