Au-delà des outils : construire les fondations pour maximiser l'impact de l'IA

TL;DR

L’intelligence artificielle n’est pas une solution miracle, mais un amplificateur. Elle magnifie ce qui existe déjà : les forces des organisations performantes, mais aussi les dysfonctionnements des structures en difficulté. Le rapport DORA 2025 identifie 7 capacités fondamentales, à la fois techniques et culturelles, qui transforment l’adoption de l’IA en performance organisationnelle mesurable. Le succès ne vient pas des outils eux-mêmes, mais de l’investissement dans les fondations : une posture IA claire, des écosystèmes de données sains, le context engineering, des pratiques de version control solides, le travail par petits lots, un focus utilisateur fort, et des plateformes internes de qualité.

Introduction

Près de 90 % des professionnels de la technologie utilisent déjà l’IA dans leur travail. Les modèles deviennent de plus en plus puissants, les outils se multiplient, et la productivité individuelle semble s’accélérer. Mais cette adoption massive se traduit-elle réellement en performance organisationnelle ?

Dans mon équipe, où nous concevons des logiciels pour les coopératives agricoles, nous avons massivement adopté l’IA dans nos processus de développement. En cette fin d’année 2025, nous ressentons une réelle accélération : les outils d’IA assistent désormais chaque étape de notre cycle de développement, de la conception à la production. Cette adoption s’est faite progressivement, naturellement, au fil des mois.

Pourtant, un constat émerge : cette adoption massive ne se traduit pas systématiquement par une amélioration de la performance organisationnelle. Certaines équipes voient leurs gains de productivité absorbés par des goulots d’étranglement en aval. D’autres accélèrent dans la mauvaise direction, produisant plus de code mais moins de valeur. L’IA génère parfois de l’instabilité plutôt que de la qualité.

Il est important de se poser régulièrement des questions, de faire le point, de prendre du recul sur nos pratiques. C’est dans cette démarche de réflexion que j’ai découvert le rapport DORA 2025 sur l’état du développement assisté par l’IA. Cette recherche, menée par DORA (DevOps Research and Assessment, un programme de recherche de Google Cloud reconnu pour ses études sur les pratiques DevOps), est basée sur plus de 100 heures d’entretiens qualitatifs et les réponses de près de 5 000 professionnels de la technologie du monde entier.

Cette recherche révèle une vérité contre-intuitive : l’IA est un amplificateur. Elle ne transforme pas magiquement une organisation, elle magnifie ce qui existe déjà, pour le meilleur ou pour le pire. Le rapport introduit le DORA AI Capabilities Model, un nouveau cadre qui identifie 7 capacités fondamentales, à la fois techniques et culturelles, nécessaires pour maximiser l’impact positif de l’IA. Ce modèle ne remplace pas le DORA Core Model, il le complète en se concentrant spécifiquement sur les conditions qui permettent à l’IA de délivrer de la valeur.

Cette découverte a changé ma compréhension de l’adoption de l’IA. Il ne s’agit plus simplement de choisir les bons outils ou de former les équipes, mais de construire les fondations qui permettront à l’IA d’amplifier les forces plutôt que les dysfonctionnements.

Cet article explore ces 7 capacités comme un guide actionnable pour construire un environnement où l’IA peut réellement transformer la performance organisationnelle.

Le principe fondamental : L’IA comme amplificateur

Avant de plonger dans les 7 capacités, il est essentiel de comprendre le principe fondamental qui sous-tend le modèle DORA : l’IA est un amplificateur.

Cette idée simple a des implications profondes. L’IA ne crée pas de la valeur ex nihilo. Elle multiplie ce qui existe déjà. Dans une organisation performante, avec des processus solides et une culture saine, l’IA agira comme un multiplicateur de forces : elle accélérera les processus fluides, renforcera les bonnes pratiques, et amplifiera la performance existante.

À l’inverse, dans une organisation en difficulté, avec des dysfonctionnements, des goulots d’étranglement et une dette technique, l’IA ne fera qu’exacerber ces problèmes : accélération de la production d’erreurs, propagation des mauvaises pratiques à une vitesse alarmante, et visibilité accrue des dysfonctionnements.

The research reveals a critical truth: AI’s primary role in software development is to amplify. AI magnifies the strengths of high-performing organizations and the dysfonctionnements of struggling ones.

Cette perspective change radicalement la manière d’aborder l’adoption de l’IA. Les plus grands bénéfices ne viendront pas de l’achat du dernier outil à la mode, mais de l’investissement dans les systèmes fondamentaux : vos pratiques d’ingénierie, votre culture d’équipe, et vos plateformes internes.

L’analogie du tracteur puissant

Imaginez que l’IA soit un tracteur dernier cri, équipé d’un moteur surpuissant et de technologies de pointe. Si vous l’utilisez sur un sol bien préparé, avec un système de guidage GPS précis et des outils adaptés, ce tracteur vous permettra de labourer, semer et récolter avec une efficacité remarquable. Mais si vous l’utilisez sur un terrain en friche, sans préparation du sol ni plan de culture, vous n’obtiendrez pas de meilleurs rendements, vous risquez même d’endommager les terres et de gaspiller des ressources précieuses.

Les 7 capacités du modèle DORA représentent cette préparation du sol, ce système de guidage et ces outils adaptés. Elles forment l’infrastructure nécessaire pour canaliser la puissance de l’IA vers de véritables récoltes de valeur.

Les 7 capacités : un guide actionnable

Le modèle DORA identifie 7 capacités fondamentales qui amplifient l’impact positif de l’IA. Chacune peut être développée indépendamment, mais elles fonctionnent mieux comme un système intégré. Pour chaque capacité, nous explorerons le problème qu’elle résout, pourquoi elle est critique, et les leviers actionnables pour la développer.

Comment les capacités s’influencent mutuellement

Les 7 capacités ne sont pas isolées : elles forment un écosystème où certaines sont des prérequis pour d’autres. Par exemple, des écosystèmes de données sains (capacité 2) sont nécessaires avant de pouvoir implémenter efficacement le context engineering (capacité 3). De même, une posture IA claire (capacité 1) crée la sécurité psychologique nécessaire pour expérimenter avec les autres capacités.

Par où commencer ? Le rapport DORA suggère d’utiliser quatre critères pour prioriser vos initiatives :

• Impact prédit : Quelles capacités auront le plus grand effet sur vos résultats clés (performance organisationnelle, satisfaction utilisateur, etc.) ?
• Locus of control : Sur quelles capacités votre équipe a-t-elle un contrôle direct ? Commencez par des optimisations locales avant de viser des changements organisationnels plus larges.
• Statut actuel : Identifiez les “low-lying fruit” - les capacités où vous êtes actuellement sous-performants mais où une amélioration rapide est possible.
• Facteurs subjectifs : Y a-t-il un projet particulier qui motive votre équipe ? Un “pet project” peut être un excellent point de départ.

Il n’y a pas d’ordre unique, mais une approche pragmatique consiste souvent à commencer par la posture IA claire (elle débloque les autres) et les pratiques de version control (elles sécurisent l’expérimentation), puis de progresser vers les capacités plus complexes comme le context engineering et les plateformes internes.

1. Une posture IA claire et communiquée

Le problème

L’ambiguïté est l’ennemie de l’innovation. Sans politique claire sur l’utilisation de l’IA, deux scénarios négatifs émergent :

• Le conservatisme excessif : Les développeurs agissent de manière trop prudente, craignant de franchir des limites invisibles. Ils n’exploitent pas le plein potentiel des outils par peur de commettre une erreur.
• L’usage non approuvé : À l’inverse, certains développeurs utilisent l’IA de manière non approuvée, créant des risques de sécurité et de conformité.

Dans les deux cas, l’ambiguïté crée de la friction. Les développeurs perdent du temps à se demander si un outil est permis, si un usage est conforme, ou s’ils risquent des répercussions négatives.

Pourquoi c’est critique

Selon la recherche DORA, une posture IA claire amplifie considérablement l’influence positive de l’IA sur plusieurs indicateurs clés : efficacité individuelle, performance organisationnelle, débit de livraison logicielle, et réduction de la friction.

Une politique “extrêmement claire” est associée à une augmentation importante de l’efficacité, alors que l’impact reste non substantiel ou faible si la politique est ambiguë.

Exemple concret : Une équipe avec une politique claire peut utiliser l’IA pour générer du code propriétaire sur un outil d’entreprise approuvé, sachant exactement que cela nécessite une revue humaine systématique. Cette clarté élimine les hésitations et permet une expérimentation confiante, multipliant l’efficacité individuelle.

Les leviers actionnables

1. Créer un groupe de travail interfonctionnel

La politique d’IA ne peut pas être définie par une seule fonction. Elle nécessite la collaboration de plusieurs parties prenantes :

• Ingénierie : Pour garantir que les politiques sont applicables techniquement et répondent aux besoins réels des développeurs.
• Juridique : Pour s’assurer que l’usage respecte les lois, les contrats et les droits de propriété intellectuelle.
• Sécurité : Pour encadrer la protection des données sensibles et prévenir l’injection de données confidentielles dans des modèles publics.
• IT : Pour gérer l’infrastructure, l’accès aux outils et le support technique.
• Leadership Produit : Pour aligner l’usage de l’IA sur la stratégie produit et les besoins des utilisateurs finaux.

2. Adopter une approche par “trois paniers”

Plutôt qu’une simple approche binaire “oui/non”, structurez votre politique en trois catégories basées sur le risque :

• Interdit : Activités à haut risque et inacceptables (ex: insertion de données personnelles identifiables de clients dans un modèle public).
• Autorisé avec garde-fous : Outils et pratiques permis uniquement sous réserve de contrôles spécifiques (ex: code source propriétaire uniquement sur des outils d’IA de classe entreprise, ou nécessitant une revue humaine systématique).
• Autorisé : Activités à faible risque et à haute valeur que l’organisation encourage activement (ex: génération de boilerplate, brainstorming d’idées sans données propriétaires).

3. Traiter la politique comme un document vivant

La politique ne doit pas être un document statique. Elle doit évoluer grâce aux leçons tirées des expérimentations. Créez une boucle de rétroaction claire pour que les équipes puissent poser des questions et suggérer des mises à jour à mesure que la technologie et les besoins évoluent.

Hébergez la politique sur un portail interne ou un wiki, avec des propriétaires clairs responsables de sa maintenance. Communiquez-la régulièrement, en utilisant un langage clair et des exemples concrets (“à faire” / “à ne pas faire”) plutôt que du jargon juridique.

L’analogie des limites de parcelles

Une politique d’IA claire est comme les limites de parcelles bien délimitées dans une exploitation agricole. Sans ces limites claires, les agriculteurs hésitent, s’interrogent sur ce qu’ils peuvent planter ou non, et n’osent pas optimiser leurs cultures de peur de dépasser les autorisations. Une fois les limites clairement tracées et communiquées (zones autorisées, zones avec restrictions, zones interdites), ils peuvent cultiver en toute confiance et se concentrer uniquement sur l’optimisation de leurs rendements, car ils savent exactement où ils peuvent agir.

2. Des écosystèmes de données sains

Le problème

L’IA peut augmenter la productivité d’un développeur isolé, mais sans données saines, ces gains sont souvent absorbés par des goulots d’étranglement en aval, ne produisant aucune valeur réelle pour l’entreprise.

Les données internes (code source, documentation, wikis, guides de style) sont souvent fragmentées, de qualité variable, ou peu accessibles. Quand l’IA consomme ces données de mauvaise qualité, elle produit des réponses basées sur des informations erronées ou périmées, créant un cercle vicieux où les erreurs se propagent.

Pourquoi c’est critique

La recherche DORA est formelle : la valeur de l’IA est conditionnelle à l’environnement technique qui l’entoure. Lorsque les organisations investissent dans des données unifiées et fiables, l’influence positive de l’IA est considérablement amplifiée. Sans cette base, l’impact peut rester non substantiel.

Un écosystème de données sain se caractérise par trois piliers : haute qualité (données robustes, exactes, complètes et à jour), accessibilité (facilement accessibles à toutes les équipes et systèmes, y compris les outils d’IA), et unification (source unique de vérité pour une vue holistique et cohérente).

Exemple concret : Une équipe qui a unifié ses données de documentation dans un dépôt centralisé peut demander à l’IA “Quelles sont nos conventions de nommage pour les variables ?” et recevoir une réponse cohérente basée sur la dernière version du guide de style, plutôt que des réponses contradictoires basées sur des documents obsolètes dispersés dans différents wikis.

Les leviers actionnables

1. Traiter les données comme un produit stratégique

Le changement le plus important est culturel : passer du traitement des données comme un “sous-produit de transaction” à leur gestion comme un “atout stratégique” ou un “produit”. Cela implique une gouvernance claire (propriétaires responsables de domaines de données spécifiques), l’automatisation de la qualité (contrôles automatisés intégrés dans les pipelines CI/CD), et des métadonnées structurées (origine, format, propriétaire, fréquence de mise à jour, niveau de confiance).

2. Créer une source unique de vérité

Lutter contre les silos en consolidant ou en fédérant les données clés. Cela peut prendre plusieurs formes : consolidation (centraliser dans un dépôt unique), fédération (créer une couche d’abstraction qui unifie l’accès aux données dispersées), ou synchronisation (automatiser la synchronisation entre différentes sources pour maintenir la cohérence).

3. Prioriser l’accessibilité

Rendre les données facilement accessibles signifie : documentation claire pour chaque jeu de données (structure, usage, accès), APIs et outils pour faciliter l’accès programmatique, et formation des équipes sur l’existence et l’utilisation des données disponibles.

L’analogie du silo à grains

Imaginez que l’IA soit une moissonneuse-batteuse de dernière génération (votre moteur de performance). Si vous lui fournissez des grains de qualité variable, mal triés, ou stockés dans des silos différents sans traçabilité (données silotées et de mauvaise qualité), elle ne pourra jamais produire une récolte optimale, peu importe sa puissance. Une gestion de données saine est le silo à grains parfaitement organisé, avec un système de traçabilité clair et une qualité homogène, qui permet à la moissonneuse de transformer efficacement la matière première en valeur ajoutée.

3. Des données internes accessibles à l’IA (Context Engineering)

Le problème

Une IA générique, sans accès au contexte interne de votre organisation, reste un assistant limité. Elle peut générer du code syntaxiquement correct, mais il ne sera pas aligné sur vos conventions de codage, votre architecture, ou votre logique métier.

Sans connexion aux données internes, les développeurs perdent du temps à adapter des réponses génériques, chercher manuellement des informations, ou expliquer le contexte nécessaire pour chaque requête.

Pourquoi c’est critique

Le passage du “prompt engineering” au “context engineering” transforme l’IA d’un assistant générique en un expert spécialisé. Cette transition améliore directement l’efficacité individuelle (moins de temps perdu à chercher des informations, réponses immédiates et contextuelles) et la qualité du code (suggestions alignées sur les conventions internes, réduction de la dette technique).

Exemple concret : Un nouvel ingénieur peut demander à l’IA : “Quel est le processus pour émettre un remboursement et quels services sont impliqués ?” Au lieu de passer des jours à lire une documentation obsolète, il reçoit une réponse étape par étape avec des liens vers le code et les documents pertinents, accélérant ainsi sa montée en compétence.

Les leviers actionnables

1. Implémenter le Context Engineering

Le context engineering est un système automatisé qui rassemble les informations pertinentes pour gérer un flux de travail intelligent. Au lieu d’une simple ligne de texte (prompt), il s’agit de fournir à l’IA un “dossier de briefing complet” incluant le code source interne (bases de code, guides de style, patterns architecturaux), la documentation (wikis, guides, décisions d’architecture), et les règles et outils (politiques de sécurité, normes à respecter, outils disponibles).

2. Utiliser le RAG (Retrieval-Augmented Generation)

Imaginez que vous ayez une bibliothèque immense et que vous demandiez à un assistant de trouver uniquement les pages pertinentes pour répondre à votre question, plutôt que de lui donner tous les livres d’un coup. C’est exactement ce que fait le RAG : il recherche d’abord les documents les plus pertinents dans votre base de connaissances (retrieval), puis utilise ces informations ciblées pour générer une réponse contextuelle (augmented generation). Cette approche évite d’envoyer des documents volumineux et bruts dans une fenêtre de contexte, ce qui peut être contre-productif et générer des hallucinations. Le RAG privilégie la pertinence sur le volume.

3. Adopter le Model Context Protocol (MCP)

Le MCP est comme un pont standardisé qui connecte vos outils d’IA à vos systèmes internes. Plutôt que de devoir adapter chaque outil d’IA à votre infrastructure, un serveur MCP expose vos données internes (documentation, code source, décisions d’architecture) comme des ressources accessibles de manière uniforme. Il gère automatiquement l’indexation et la synchronisation, permettant à l’IA de répondre à des questions comme “Quelles sont nos règles internes pour écrire des tests unitaires ?” avec des réponses basées sur votre contexte réel, sans que vous ayez à reconstruire cette connexion pour chaque nouvel outil.

4. Phases d’implémentation

Une approche stratégique en trois phases permet de développer cette capacité progressivement : fondation (encourager l’ingénierie de contexte manuelle et prioriser l’amélioration de la documentation interne la plus critique), pilotage (lancer un projet pilote pour une solution de récupération automatisée sur un cas d’usage à fort impact), et mise à l’échelle (utiliser le succès du projet pilote pour justifier un investissement stratégique dans la construction d’APIs internes robustes et sécurisées).

L’analogie du plan de culture

Le prompt engineering, c’est comme donner une instruction isolée à un saisonnier : “plante du blé ici”. Le context engineering, c’est lui fournir un plan de culture complet avec l’historique des parcelles, les rotations culturales et les contraintes réglementaires, tout en le faisant superviser par un technicien agricole qui l’oriente selon le contexte de chaque parcelle.

4. Des pratiques de contrôle de version solides

Le problème

L’IA permet de générer du code à une vitesse et un volume sans précédent. Cette accélération peut augmenter l’instabilité des livraisons logicielles. Sans une discipline rigoureuse de contrôle de version, la vitesse accrue se traduit directement par une instabilité accrue, annulant les gains de productivité.

Le modèle traditionnel du “commit quand c’est prêt” devient insuffisant. Le cycle de “test et erreur” des outils d’IA nécessite une nouvelle discipline : apporter la rigueur de la “boucle externe” (commits propres au niveau de l’équipe) dans la “boucle interne” (le travail local d’un développeur).

Pourquoi c’est critique

Le contrôle de version constitue le filet de sécurité critique qui permet aux équipes de tirer parti de la puissance de l’IA tout en maîtrisant les risques. La maîtrise des fonctions de retour en arrière (rollback) est directement associée à une meilleure performance d’équipe dans un environnement assisté par l’IA.

Le contrôle de version offre plusieurs avantages essentiels : récupération rapide (retour instantané à un état stable en cas d’erreur ou d’hallucination de l’IA), sécurité psychologique (la certitude de pouvoir annuler une action réduit la peur de l’échec), piste d’audit (registre officiel de vérité dans un monde “agentique”), et cadre pour la revue humaine (infrastructure nécessaire pour valider le travail de l’IA avant la production).

Exemple concret : Un développeur génère 200 lignes de code avec l’IA, mais découvre que l’IA a introduit une vulnérabilité de sécurité. Grâce à des commits atomiques fréquents, il peut identifier précisément le commit problématique et utiliser git revert pour l’annuler en quelques secondes, sans perdre le reste de son travail. Sans cette discipline, il devrait déboguer manuellement ou tout recommencer.

Les leviers actionnables

1. Tout versionner

Versionner non seulement le code, mais aussi les configurations, les scripts, l’infrastructure (IaC), et même les prompts utilisés. Cela crée une traçabilité complète et permet de comprendre le “pourquoi” derrière chaque changement.

2. Faire des commits atomiques et fréquents

Passer d’un modèle où l’on commit “quand c’est prêt” à une discipline de commits fréquents et atomiques, même dans la boucle locale de développement. Chaque changement généré par l’IA doit être traité comme une unité distincte, permettant de trier finement ce qui est conservé et ce qui est jeté, transformant le cycle d’expérimentation en une série de petits pas réversibles.

3. Maîtriser le rollback

Encourager les équipes à devenir hautement compétentes dans l’utilisation des fonctions de retour en arrière : maîtrise de git revert, git reset, et des stratégies de branche, capacité de revenir rapidement à un état stable en cas de problème, et pratique régulière de ces opérations pour réduire la peur de l’échec.

4. Établir des normes d’équipe claires

Définir des standards pour la gestion de l’historique des commits (messages clairs, structure cohérente), la taille des lots (préférer des commits petits et fréquents), et les stratégies de branche (workflow Git adapté au contexte assisté par IA).

L’analogie du système d’irrigation réversible

Le contrôle de version est pour un développeur utilisant l’IA ce que le système d’irrigation avec possibilité de drainage est pour un agriculteur expérimentant de nouvelles techniques. Il ne l’empêche pas d’essayer de nouvelles méthodes de culture ou de faire des erreurs, mais il garantit qu’un excès d’eau ou une mauvaise décision peut être rapidement corrigé en drainant le surplus, lui donnant ainsi la confiance nécessaire pour innover et optimiser ses pratiques culturales.

5. Travailler par petits lots

Le problème

L’IA peut générer de grandes quantités de code en un clin d’œil. Cependant, ces “gros morceaux” sont intrinsèquement instables et difficiles à intégrer en toute sécurité. La charge cognitive nécessaire pour relire et comprendre un bloc de code inconnu généré par une machine est plus élevée par ligne que pour du code écrit par un humain.

Sans discipline de petits lots, l’IA crée des changements massifs difficiles à réviser, des intégrations risquées qui cassent le système, et une instabilité accrue qui annule les gains de productivité.

Pourquoi c’est critique

Le travail par petits lots est une contre-mesure essentielle aux risques du développement assisté par l’IA. Cette discipline force la décomposition du travail en unités gérables et vérifiables, ce qui, selon DORA, amplifie la performance du produit et réduit la friction organisationnelle.

Bien que cette pratique puisse légèrement réduire la perception d’efficacité individuelle (temps nécessaire pour découper les tâches), elle est indispensable pour débloquer une performance d’équipe durable et stable. C’est un arbitrage stratégique gagnant : échanger une perception de vitesse individuelle brute contre une amélioration mesurable de la performance et de la stabilité du produit.

Les leviers actionnables

1. Appliquer le principe INVEST

Décomposer le travail en unités qui sont :

• Independent (Indépendantes) : Chaque lot peut être développé et déployé indépendamment.
• Negotiable (Négociables) : Les détails peuvent être ajustés sans casser l’ensemble.
• Valuable (Valorisables) : Chaque lot apporte de la valeur aux utilisateurs.
• Estimable (Estimables) : La taille et la complexité sont claires.
• Small (Petites) : Des lots suffisamment petits pour être gérés facilement.
• Testable (Testables) : Chaque lot peut être testé indépendamment.

2. Utiliser le découpage vertical

Plutôt que de découper horizontalement (frontend, backend, base de données séparément), découpez verticalement en tranches de valeur complètes.

Exemple concret : Une fonctionnalité “sauvegarder pour plus tard” peut être découpée en plusieurs lots indépendants :

1. Créer l’endpoint API (backend)
2. Ajouter le bouton à l’interface derrière un feature flag (frontend)
3. Tester en interne avec le feature flag activé
4. Activer progressivement pour les utilisateurs

Chaque lot est un changement petit et sûr qui apporte de la valeur et peut être déployé indépendamment.

3. Implémenter des feature flags

Les feature flags permettent de découpler le déploiement de la mise en production. Vous pouvez déployer de petits lots de code en production sans les activer pour les utilisateurs, permettant un déploiement progressif et sûr.

4. Mettre en place des limites de travail en cours (WIP)

Les limites WIP rendent les goulots d’étranglement visibles et forcent l’équipe à terminer ce qui est en cours avant de commencer de nouvelles tâches. Cela encourage naturellement le travail par petits lots.

5. Mesurer la taille des lots

Suivre des métriques sur la taille des lots (nombre de lignes de code, nombre de fichiers modifiés, complexité) pour identifier les tendances et encourager l’amélioration continue.

L’analogie du dosage d’engrais

L’adoption de l’IA sans gestion par petits lots est comme épandre de l’engrais sur un champ entier d’un coup : la quantité massive risque de brûler certaines zones et de gaspiller des ressources. La gestion par petits lots est le système de dosage précis qui applique la juste dose à chaque parcelle, au bon moment, selon les besoins réels.

6. Un focus centré sur l’utilisateur

Le problème

L’IA agit comme un puissant amplificateur de vitesse. Cependant, si une équipe n’a pas une vision claire des besoins de ses utilisateurs, cette accélération peut l’entraîner très rapidement dans la mauvaise direction. L’IA facilite la production massive de code et de fonctionnalités, mais sans focus utilisateur, les équipes risquent de tomber dans le travers de la “Feature Factory” : mesurer la quantité de fonctionnalités livrées plutôt que la valeur réelle.

Les équipes peuvent devenir extrêmement efficaces pour produire du code, mais sans connexion profonde avec les besoins des utilisateurs, elles créent une activité élevée mais un faible impact.

Pourquoi c’est critique

C’est l’une des conclusions les plus alarmantes et importantes de la recherche DORA : une approche centrée sur l’utilisateur modère l’impact de l’IA, avec un double effet saisissant.

Pour les équipes avec une faible orientation utilisateur, l’adoption de l’IA peut voir la performance de l’équipe diminuer. C’est un cas où un investissement technologique peut activement causer du tort si les prérequis culturels ne sont pas en place. À l’inverse, un focus utilisateur élevé a un effet positif exceptionnellement fort sur la performance des équipes utilisant l’IA, prédictif d’une amélioration de 40 % de la performance organisationnelle.

Le focus utilisateur sert de “North Star” (Étoile Polaire) pour guider les développeurs assistés par l’IA vers des objectifs appropriés. Alors que les développeurs utilisaient autrefois leur intuition humaine pour chaque ligne de code, une grande partie est désormais générée par l’IA. Il incombe donc au développeur de devenir le représentant de l’utilisateur, en injectant continuellement des contextes précis (comportements, points de douleur, résultats souhaités) dans les modèles d’IA.

Exemple concret : Une équipe utilise le Spec-driven Development : avant de demander à l’IA de générer le code, elle écrit d’abord les spécifications basées sur des interviews utilisateurs réelles. L’IA génère ensuite le code qui implémente ces spécifications, garantissant que chaque fonctionnalité résout un problème utilisateur réel plutôt que de créer une “feature factory” de code sans valeur.

Les leviers actionnables

1. Rendre les métriques utilisateur visibles

Placer les métriques utilisateur (satisfaction, adoption des fonctionnalités, objectifs métier atteints, points de douleur résolus) au même niveau d’importance que les métriques d’ingénierie. Ces métriques doivent être visibles dans les tableaux de bord, les réunions d’équipe, et les décisions de priorisation.

2. Impliquer l’ingénierie dans la recherche utilisateur

Inviter les développeurs à observer les tests d’utilisabilité, à participer aux interviews utilisateurs, et à comprendre directement les besoins et les frustrations. Cette exposition directe crée une connexion émotionnelle avec les utilisateurs et informe les décisions de développement.

3. Intégrer des boucles de rétroaction continues

Mettre en place des mécanismes pour recueillir et intégrer la rétroaction utilisateur directement dans le processus de développement : tests utilisateurs réguliers, analytics en temps réel, canaux de feedback directs, et revue régulière des métriques utilisateur en équipe.

4. Adopter le Spec-driven Development (SDD)

Le Spec-driven Development consiste à verrouiller les besoins utilisateurs dans une documentation de référence avant que l’IA ne soit sollicitée pour l’écriture du code. Cela garantit l’alignement sur la valeur produite : écrire d’abord les spécifications basées sur les besoins utilisateurs, les valider avec les parties prenantes, utiliser ensuite l’IA pour générer le code qui implémente ces spécifications, et vérifier que le code généré répond bien aux besoins utilisateurs.

5. Éviter la Feature Factory

Rester vigilant contre la tentation de mesurer le succès par la quantité de code ou de fonctionnalités livrées. Se concentrer plutôt sur les résultats utilisateur : résolvons-nous un problème réel ? Les utilisateurs adoptent-ils la fonctionnalité ? Créons-nous de la valeur ?

L’analogie du GPS agricole

Si l’IA est un tracteur puissant qui peut labourer rapidement de vastes surfaces, le focus utilisateur est le GPS agricole qui guide le tracteur selon le plan de culture et les besoins réels des agriculteurs. Sans lui, le tracteur labourera simplement plus vite et plus loin, mais peut-être dans la mauvaise direction, sur des parcelles non prévues, ou en gaspillant du carburant. Avec lui, cette puissance vous permet d’optimiser chaque passage, d’éviter les chevauchements, et d’atteindre vos objectifs de rendement avec une efficacité maximale.

7. Des plateformes internes de qualité

Le problème

Imaginez que vos développeurs, augmentés par l’IA, produisent deux fois plus de code. Que se passe-t-il si ce code reste bloqué pendant des jours en attente de déploiement ? Les gains de productivité individuels sont souvent absorbés par les goulots d’étranglement en aval.

Sans une plateforme interne de qualité, les développeurs perdent du temps à configurer manuellement les environnements, attendre les approbations, gérer les problèmes d’infrastructure, ou naviguer dans des processus bureaucratiques. La vitesse gagnée grâce à l’IA est perdue dans le désordre des tests, des revues de sécurité et des déploiements.

Pourquoi c’est critique

La plateforme interne est le multiplicateur ultime qui transforme les gains de productivité individuels de l’IA en améliorations organisationnelles systémiques. La conclusion de DORA est sans équivoque : l’effet positif de l’IA dépend directement de la qualité de la plateforme interne.

Une plateforme bien conçue offre des “voies pavées” automatisées et sécurisées qui permettent de gérer le volume et la vitesse accrus du développement assisté par l’IA. Elle agit comme le système de distribution qui permet de passer d’une productivité individuelle à une performance organisationnelle à grande échelle.

Exemple concret : Une équipe qui a automatisé son pipeline CI/CD peut déployer le code généré par l’IA en production en quelques minutes, avec des tests automatisés et des contrôles de sécurité intégrés. Sans cette plateforme, le même code resterait bloqué pendant des jours en attente d’approbations manuelles, annulant les gains de productivité de l’IA.

Les leviers actionnables

1. Adopter une mentalité de gestion de produit

La plateforme interne doit être gérée comme un produit, où les développeurs sont les clients. Cela implique de comprendre les besoins (identifier les points de friction), mesurer la satisfaction (suivre des métriques de DevEx : temps de déploiement, temps de résolution d’incidents, satisfaction des développeurs), et itérer continuellement (améliorer la plateforme basée sur les retours et les métriques).

2. Se concentrer sur la réduction de la charge cognitive

Une bonne plateforme réduit la charge cognitive pour les équipes de développement en automatisant les tâches répétitives et en fournissant des chemins clairs : automatisation du déploiement (pipeline CI/CD), gestion des environnements (provisionnement automatique), sécurité intégrée (contrôles automatisés dans le pipeline), et monitoring et observabilité (outils intégrés par défaut).

3. Commencer par une plateforme minimale viable (MVP)

Plutôt que d’essayer de construire une plateforme complète d’un coup, commencez par un MVP qui apporte de la valeur rapidement : identifiez le goulot d’étranglement le plus critique, construisez une solution minimale qui résout ce problème, puis mesurez l’impact et itérez.

4. Éviter les écueils courants

Deux écueils à éviter :

• La plateforme tour d’ivoire : Ne pas construire la plateforme sans l’avis des développeurs. Impliquez-les dès le début.
• Le piège du ticket-ops : Éviter que l’équipe de la plateforme devienne un goulot d’étranglement réactif. Automatisez plutôt que de créer des processus manuels.

5. Obtenir un parrainage exécutif continu

Le développement d’une plateforme efficace est un projet stratégique qui nécessite un investissement durable. Obtenez le soutien de la direction pour garantir les ressources et l’autorité nécessaires.

L’analogie de la chaîne logistique de la coopérative

Si l’IA permet aux développeurs de produire plus de code (la récolte), la plateforme interne est la chaîne logistique de la coopérative qui permet à cette production d’atteindre les utilisateurs rapidement et en toute sécurité. Sans une bonne chaîne logistique, la récolte s’accumule dans les entrepôts (les branches Git) et n’atteint jamais la production. La coopérative doit avoir des processus automatisés et une traçabilité complète pour transformer la récolte abondante en valeur distribuée.

Auto-évaluation : Où en êtes-vous ?

Avant de construire votre feuille de route, évaluez votre position actuelle sur les 7 capacités. Voici trois exercices pratiques pour identifier vos forces et vos opportunités d’amélioration.

Exercice 1 : Identifier votre archétype d’équipe

La recherche DORA a identifié 7 archétypes d’équipes. Comprendre votre profil fournit un diagnostic de haut niveau sur le type de défis rencontrés. Voici les profils identifiés dans le rapport :

1. Harmonious high-achievers : Environnement stable, faible friction, haute performance. L’excellence, où un environnement stable permet de fournir un travail de haute qualité de manière durable.

2. Legacy bottleneck : Systèmes instables, dette technique qui dicte le travail. Des équipes bloquées en mode survie avec des lacunes importantes dans leurs processus et leurs résultats.

3. Constrained by process : Systèmes stables, mais étouffés par des processus inefficaces qui créent de la friction et limitent la performance malgré une base technique solide.

4. Foundational challenges : Équipes avec des défis fondamentaux dans leurs processus et leurs résultats, nécessitant une reconstruction des bases avant de pouvoir bénéficier pleinement de l’IA.

5. Trois autres profils : Le rapport identifie 7 profils au total, chacun représentant une combinaison unique de stabilité, friction et performance. Pour découvrir les profils complets et leurs caractéristiques détaillées, consultez le rapport DORA complet.

Comment procéder : Listez ces profils (et les autres si vous avez accès au rapport complet) sur un tableau et demandez à chaque membre de votre équipe de voter anonymement pour celui qui décrit le mieux leur quotidien. La discussion qui suivra sera plus riche qu’un audit formel et vous aidera à identifier vos priorités d’amélioration.

Exercice 2 : Value Stream Mapping simplifié

Le Value Stream Mapping (VSM) est l’outil de diagnostic granulaire qui permet de localiser les goulots d’étranglement. Il décompose le processus de livraison pour montrer où et pourquoi des retards se produisent.

Comment procéder :

1. Prenez un tableau blanc ou un outil de collaboration.
2. Dessinez le flux d’une idée, du commit jusqu’à la production.
3. Pour chaque étape, mesurez :
   • Process Time (temps de travail actif) : Le temps réellement passé à travailler.
   • Wait Time (temps d’attente) : Le temps passé à attendre (revue de code, approbation, déploiement, etc.).

Exemple de révélation : Si votre VSM révèle que le code attend 3 jours pour une revue manuelle, utiliser l’IA pour générer plus de code ne servira à rien. Il faut plutôt utiliser l’IA pour accélérer la revue elle-même.

Exercice 3 : Matrice Impact/Effort pour prioriser

Une fois vos goulots d’étranglement identifiés et vos capacités évaluées, utilisez une matrice Impact/Effort pour prioriser vos initiatives. Le rapport DORA suggère d’utiliser quatre critères pour affiner cette priorisation :

Critères de priorisation :

• Impact prédit : Quelles capacités auront le plus grand effet sur vos résultats clés (performance organisationnelle, satisfaction utilisateur, etc.) ?
• Locus of control : Sur quelles capacités votre équipe a-t-elle un contrôle direct ? Commencez par des optimisations locales avant de viser des changements organisationnels plus larges.
• Statut actuel : Identifiez les “low-lying fruit” - les capacités où vous êtes actuellement sous-performants mais où une amélioration rapide est possible.
• Facteurs subjectifs : Y a-t-il un projet particulier qui motive votre équipe ? Un “pet project” peut être un excellent point de départ.

Comment procéder :

1. Brainstorming : Générez des idées d’initiatives basées sur les goulots d’étranglement identifiés par le VSM et les capacités à améliorer.
2. Matrice 2x2 : Classez ces idées sur un graphique :
   • Gains rapides (Haut impact / Faible effort) : À faire immédiatement.
   • Prochaines étapes (Haut impact / Haut effort) : À planifier pour les prochains mois.
   • Remplisseurs (Faible impact / Faible effort) : À faire si le temps le permet.
   • À ignorer (Faible impact / Haut effort) : Ce qui demande beaucoup d’effort pour peu d’impact.
3. Définir le premier pas : Identifiez une ou deux initiatives prioritaires avec des propriétaires clairs pour lancer le mouvement.

Exercice 4 : Mesurer votre progrès

Pour suivre l’impact de vos améliorations, le rapport DORA identifie 10 métriques clés à surveiller :

Métriques organisationnelles :

• Performance organisationnelle : Rentabilité, part de marché, satisfaction client
• Performance d’équipe : Efficacité perçue et force collaborative de l’équipe
• Performance produit : Qualité et succès des produits/services

Métriques de livraison :

• Débit de livraison logicielle : Vitesse et efficacité du processus de livraison
• Instabilité de livraison : Qualité et fiabilité du processus de livraison
• Qualité du code : Évaluation individuelle de la qualité du code

Métriques individuelles :

• Efficacité individuelle : Auto-évaluation de l’efficacité et du sentiment d’accomplissement
• Travail valorisant : Temps passé à faire un travail perçu comme utile
• Friction : Étendue à laquelle la friction entrave le travail (moins c’est mieux)
• Burnout : Sentiments d’épuisement professionnel

Créez un tableau de bord simple pour suivre ces métriques avant et après vos initiatives d’amélioration.

Développer une culture d’amélioration continue

L’adoption de l’IA est un voyage de longue haleine. Pour maintenir le momentum, le rapport DORA recommande de cultiver une culture d’amélioration continue basée sur trois principes :

1. Célébrer le progrès, pas l’atteinte

Chaque équipe a un point de départ différent et rencontrera des obstacles différents. Plutôt que de déclarer une barre unique de succès (“tous les lots doivent faire moins de 100 lignes”), alignez-vous sur ce que “mieux” signifie (“préférer des lots plus petits”) et permettez à chaque équipe d’améliorer sa situation actuelle. Traitez chaque incrément de progrès comme une victoire. Une équipe en difficulté qui réduit de moitié la taille de ses lots mérite des félicitations, même si ses lots restent encore grands.

2. Embrasser l’échec

L’IA transforme le rôle du développeur d’auteur direct de code en stratège et orchestrateur de haut niveau. Dans ce rôle, la curiosité, l’adaptation et l’apprentissage sont plus importants que jamais. Les gens apprennent en essayant, en échouant, et en réessayant. Facilitez l’innovation en permettant aux développeurs d’échouer en toute sécurité : hackathons, environnements sandbox, accès à de nouveaux outils. Plus important encore, faites de l’apprentissage par l’échec quelque chose qui est récompensé et encouragé : en embrassant l’échec, les développeurs sont découragés de cacher leurs erreurs et encouragés à partager de nouvelles idées.

3. Utiliser des communautés de pratique

Vous ne pouvez pas faire cela seul, et vous n’avez pas à le faire. Bien que le parcours de chaque équipe soit unique, les défis qu’elles rencontrent et les stratégies pour les surmonter sont souvent universels. En tant que membre d’une communauté de pratique, vous pouvez célébrer les succès et les échecs, trouver des causes communes, et continuer à construire sur les connaissances collectives de l’industrie. Utilisez les structures fournies par votre organisation pour établir un groupe interne de partage d’informations, et rejoignez la communauté DORA mondiale pour vous connecter avec des personnes de toutes les industries, partout dans le monde.

Conclusion : Construire les fondations pour amplifier le succès

Le message central de la recherche DORA est clair : le succès de l’IA n’est pas le fruit d’une simple acquisition de technologie, mais le résultat d’une transformation organisationnelle délibérée axée sur la culture et les capacités.

Le rôle des dirigeants et des équipes n’est donc pas de se concentrer sur l’IA elle-même, mais sur le renforcement des systèmes, des processus et de la culture que l’IA amplifiera.

Les 7 capacités : un système intégré

Les 7 capacités du modèle DORA forment un système intégré où chacune renforce les autres :

Votre prochain pas

L’adoption de l’IA est un voyage de longue haleine, pas une destination. Le défi consiste à cultiver une culture d’amélioration continue, à créer une organisation qui apprend et s’adapte constamment.

Action immédiate : Commencez par l’exercice 1 de la section d’auto-évaluation. Identifiez votre archétype d’équipe, puis utilisez le Value Stream Mapping pour localiser vos goulots d’étranglement. Ensuite, priorisez une ou deux capacités en utilisant les critères d’impact, de contrôle, et de statut actuel.

Get better at getting better.

Chaque petit progrès sur une capacité amplifie l’impact de l’IA. L’objectif n’est pas d’atteindre la perfection, mais de devenir meilleur à s’améliorer continuellement. Le rapport DORA complet est disponible ici pour approfondir votre compréhension et guider votre transformation.

---

Note : Cet article a bénéficié d’une relecture et d’améliorations assistées par IA, ainsi que d’un brainstorming initial avec NotebookLM.