Lean, AI et Delivery Tech - J’ai observé le futur du développement

Depuis plusieurs mois, nous poursuivons un travail d’exploration sur l’adoption de l’IA dans les processus de développement, en y portant un regard Lean. Lors de nos nombreuses discussions sur le sujet, trois questions reviennent sans cesse et restent largement ouvertes : la valeur livrée, la qualité pour le client et sur le long terme, l’impact réel sur les organisations. Pour avancer dans cette réflexion, rien ne vaut le Gemba. J’ai donc choisi d’aller voir une équipe reconnue pour être en avance dans ce domaine, afin d’apprendre sur le terrain de ce qu’elle fait plutôt que de ce qu’on en dit.

C’est ainsi que j’ai passé du temps avec Sara, Lead Tech dans une grande entreprise de la tech. Je venais pour avoir un échange sur le déploiement de l’IA à l’échelle, mais j’ai finalement vécu un “vis ma vie” passionnant m’offrant un aperçu du futur du développement augmenté par l’IA. Sara travaille au sein d’une petite équipe dont l’objectif est de redévelopper intégralement une application web importante. La manière de travailler n’a plus grand-chose à voir avec ce qu’on connaissait il y a encore un an, voire quelques mois. Autrement dit, l’idée qu’il ne faut pas plaquer l’IA sur nos pratiques mais repenser complètement le travail était en train de prendre vie sous mes yeux.

Ce que j’ai vu et que je vous propose de partager n’est pas “la vie de son entreprise”, mais celle d’une équipe d’expérimentation, de son propre aveu “en avance sur le reste du monde”. Il s’agit donc d’un retour terrain : non pas une preuve, mais un aperçu de ce vers quoi beaucoup d’entre nous vont.

Le repo comme source de vérité

Image décorative d'archive pour symboliser les repos comme source de vérité.

Avec l’IA, le code tend à devenir la source principale de documentation. Ici, l’équipe est allée encore plus loin. La documentation est travaillée en amont, et vit dans le repo de code. Tout y est : la vision du produit, les profils des utilisateurs, les personae, les jobs to be done, les processus métier, les domaines fonctionnels, les règles de gestion, les données de référence. Tout y passe, jusqu’à un glossaire intégrant des termes bannis pour interdire le terme de “client” seul sans précision du type “prospect” ou “abonné” (c’est un exemple). Lorsqu’elles travaillent, les IA héritent automatiquement de tout cela. La documentation n’est plus rangée au fond d’un drive ou d’un wiki et devient un socle commun que chaque agent lit avant d’agir.

On touche ici au sujet du langage ubiquitaire servant à aligner la définition métier et sa traduction dans le code lui-même. Désormais, il ne sert plus seulement à aligner les personnes métiers et techs, il aligne aussi la machine. Lors de nos échanges, Sara répète sans cesse le mot “standard”. Étant déjà formée au Lean, elle a utilisé le format “standard Lean” pour formaliser ses bonnes pratiques en termes de définition des besoins, de développement, de test, etc. Cela a facilité leur intégration en tant que skills que l’IA consomme. L’IA fonctionne d’ailleurs bien mieux avec des standards Lean clarifiant les situations OK et KO. Sara m’en a fait la démonstration en me montrant l’historique d’une conversation. Lorsqu’elle intègre un standard pour faire comprendre à l’IA l’attendu d’un change, celle-ci répond : “Tu me donnes enfin une cible”.

Cette phrase mérite qu’on s’y arrête quelques secondes. Pendant des années, on a utilisé le standard comme le phare qui met chacun en situation de savoir si une situation est OK ou KO. On a passé (et on passe toujours) un temps certain à convaincre les équipes de son intérêt. Et voilà qu’un nouvel acteur en redécouvre la valeur, spontanément. Sans standard, l’IA n’a aucun moyen de savoir si son travail est bon ou mauvais. Le standard est exactement ce qui lui permet de déterminer si on est OK ou KO. Retirez-le, et elle produit du plausible ; donnez-le-lui, et elle produit du conforme (à vos standards). C’est la base du harness engineering qui cadre ce que l’IA a le droit de faire ou pas.

Cependant, rien de tout cela n’est gratuit, et Sara l’avoue, elle a investi énormément dans ce patrimoine documentaire. C’est donc un point à ne pas négliger. Ce que je vois là, la possibilité de faire un change en cinq minutes, repose sur des semaines de cadrage en amont. Le standard n’a pas disparu à l’ère de l’IA. Il est devenu la pièce la plus rentable de la chaîne.

Autonomation et Jidoka restent de mise

Image décorative d'une main qui écrit pour symboliser la qualité portée sur les spécifications.

On prête souvent à l’IA un comportement “anti-Jidoka” : sa tendance à aller dans notre sens la pousserait à maquiller les écarts plutôt qu’à s’arrêter et les signaler. Sur le terrain présenté par Sara, l’image semble s’être inversée. Grâce à la standardisation mise en place (configuration et harness engineering), l’IA relève désormais le moindre écart, parfois même jusqu’à l’agacement. Lors d’une discussion, si un écart est constaté, l’IA le signale systématiquement. Deux réponses sont alors possibles : expliciter concrètement, ou ranger la proposition d’évolution sous forme de question ouverte quand on ne veut pas trancher tout de suite. Cette rigueur, aussi pénible soit-elle, est ce qui garde le produit propre, mais nécessite une compétence métier très avancée.

Ce comportement n’est pas magique. Sara a cadré l’outil. Elle a explicité les règles avec l’IA en spécifiant que c’est elle qui commande, et que l’IA a interdiction d’inventer lorsqu’elle n’a pas explicitement l’information. Dans le référentiel, une règle simple revient sans cesse : “si tu ne sais pas, tu n’inventes pas !”, chaque information est marquée comme sourcée ou non. On est loin du vibe coding où l’on accepte aveuglément ce que la machine veut bien produire. C’est le poste de travail qui reprend la main sur son assistant. L’autonomation, qu’on pouvait croire menacée, reste donc forte ici.

Un contre-exemple partagé par Sara m’a d’ailleurs marqué. Avant que la bonne architecture applicative soit décrite et que les profils soient détaillés dans la base de connaissance, un développement a engendré le fait qu’un profil utilisateur pouvait se retrouver branché sur un espace qu’il n’aurait jamais dû pouvoir atteindre. Et l’IA n’a rien signalé. Lors des premières semaines de développement, les standards n’étaient pas encore bien définis, et là où ils manquaient, le défaut est passé sans un bruit.

La leçon est claire : l’IA respecte le Jidoka uniquement si un standard se tient derrière elle.

Le réflexe de Sara après coup le confirme : elle a resserré la règle. Pas le droit de créer quelque chose sans un profil en face. Autrement dit, l’arrêt au défaut ne s’improvise pas et n’est pas le comportement par défaut. Il faut donc le définir, écart après écart, un standard à la fois, avec rigueur, pour que le défaut ne passe plus.

Le paradoxe du système qui devient aveugle

Image décorative d'un oeil barré pour symboliser le système qui devient aveugle

Il existe un paradoxe que je considérais jusqu’ici comme un risque. Si le code devient la source de la documentation, alors l’IA qui documente risque de masquer l’écart entre ce qu’on voulait et ce qui a été fait. L’outil censé nous faire voir l’écart pouvait devenir celui qui le cache. Sara m’a montré comment son équipe s’en sort, et c’est finalement plus subtil que je ne l’imaginais.

Chez eux, deux choses cohabitent sans se confondre. D’un côté les specs : l’ensemble des documents qui décrivent le produit tel qu’il est aujourd’hui, avec sa vision et ses règles. De l’autre les changes : des fichiers séparés, un par évolution, où le PM décrit ce qu’il veut modifier de manière standardisée. Sara a également mis en place une règle importante, et qui change tout : le PM ne touche jamais aux specs. Ce sont les développeurs, avec leur IA, qui les mettent à jour une fois le code implémenté.

Ça ne paraît pas grand-chose, mais en y réfléchissant, cette règle est primordiale : “Ce que je veux, ce n’est pas que les specs reflètent ce que le PM voudrait que ça fasse, c’est qu’elles reflètent ce qu’il y a dans le code”, me raconte Sara. Je suis resté un peu sec face à cette information. Cela paraît tellement simple, mais c’est tellement loin du fonctionnement habituel.

La spécification n’est donc plus l’intention, mais le miroir de ce qui est implémenté dans le code.

L’intention, elle, vit dans les changes. En gardant les deux séparés, on conserve précisément ce que je craignais de perdre : la capacité de mettre l’un en face de l’autre et de voir l’écart entre la théorie et la pratique. Et cela ne reste possible que parce que le standard voulu et le code réalisé restent deux objets distincts.

On touche là à quelque chose de très ancré dans la culture Lean. L’écart est bien une valeur mesurée entre la cible et l’état réel. Fondre les deux dans un seul artefact généré par l’IA reviendrait à rendre aveugle le système censé nous le faire voir. L’équipe évite le piège en séparant ce qui relève de la décision produit de ce qui est dans le code. L’attendu d’un côté, l’état actuel de l’autre. Et entre les deux, l’espace où l’amélioration continue peut encore respirer.

Où en sont les flux et les stocks ?

Image décorative d'une boite avec un stock de dossier pour symboliser le stock

Sur le flux, Sara me présente un problème qu’elle sait important pour un œil Lean. En effet, en ouvrant le dossier contenant les changes, quinze fichiers apparaissent. C’est du stock. Une partie trouve une explication dans le fait que le produit est neuf et qu’il faut poser le socle de base avant d’ouvrir. Mais le risque qu’elle voit venir est ailleurs. Elle constate que chacun travaille sur son sujet avec son IA en parallèle. Et au final, l’équipe travaille moins ensemble. Sa cible, et la cible de toute organisation qui souhaite tirer profit de l’IA, c’est le trunk-based development et un fonctionnement au fil de l’eau. Un fonctionnement plus proche du one-piece flow que du tas de changes qui s’accumulent.

Pour réussir à s’organiser, le réflexe est d’apporter de la vision sur ce qui est à faire en estimant. Problème : Sara m’avoue en être incapable, et à travers cela, plusieurs habitudes vont encore disparaître. La roadmap à un an n’a évidemment plus de sens. Le temps passé n’est plus proportionnel au nombre de lignes, mais à la complexité du code dans lequel on s’insère. Une modification de dix mille lignes peut prendre une heure. La user story telle qu’on l’a définie dans de nombreuses organisations n’a donc plus de raison d’être. L’IA peut avaler de gros incréments d’un coup, découper ne sert plus à rien. Le pair programming aussi tombe. Chacun code avec son agent. Mais le mob et le pair-work Dev/Produit/Design gardent tout leur sens pour aligner les standards et partager prompts, configuration d’outil, etc.

Le travail peut sembler magique, mais il a un coût qui ne s’ignore plus. Une stratégie sur les tokens n’est plus une option aujourd’hui. Dans l’équipe, chaque développeur voit sa propre consommation. Le pilotage de cette consommation permet à Sara de distinguer deux profils de gros consommateurs : celui qui brûle beaucoup parce qu’il va vite et livre, et celui qui brûle autant en livrant beaucoup moins. Et ce second profil met en lumière un des principaux pièges de l’IA : celui de plaquer des agents calqués sur les anciens rôles. Définir un agent PO, un agent dev, c’est mettre de l’IA par-dessus sans changer sa façon de travailler. Le gain de productivité, dans ce cas, reste faible. L’équipe a alors choisi de supprimer purement et simplement les rôles étanches plutôt que de les cloner en version numérique.

On retrouve ici un Muda et un Mura que l’IA n’efface pas mais déplace : le stock, quand les changes s’entassent au lieu de couler, et la variabilité qui naît autant du travail en solitaire que des configurations différentes d’un poste à l’autre. Aller vite ne dispense pas de maîtriser son flux. Ça l’exige même davantage.

Le développeur comme expert métier ?

Image décorative d'un détective pour symboliser le l'expert métier

Avec l’IA, la question de la maîtrise du métier par les développeurs devient centrale. On peut d’ailleurs se demander si un développeur travaillant sur la réservation d’hôtels pourra encore aussi facilement changer pour travailler dans la banque. Quand je pose la question à Sara, elle ne prend aucune précaution : “j’en suis 150 % convaincue”. Dans son équipe, elle l’a d’ailleurs très vite observé. Ses développeurs sont montés d’un cran dans l’abstraction et font beaucoup plus de fonctionnel qu’avant. Un développeur fait du produit sur certains sujets, un UX touche parfois au code. Elle-même, Lead Tech, contribue désormais à la vision produit en co-rédigeant les changes avec le PM qui, lui, s’autorise à implémenter lui-même les changes les plus simples. La spécialisation étanche, celle qui rangeait chacun dans une case spécifique de l’organisation, est en train de s'estomper.

La contrepartie, c’est un coût d’entrée plus important. Un développeur pourra travailler demain dans la banque, mais le coût lié au changement de domaine fonctionnel sera plus important. Il faudra réapprendre, un peu comme un développeur qui change de technologie. Certains domaines comme la réservation d’hôtel seront plus simples à apprivoiser car ils touchent à la vie courante. Mais les statistiques de l’Insee ou le trading d’une salle de marché le seront beaucoup moins. L’expertise métier devient alors le vrai différenciant, et elle ne se télécharge pas.

Heureusement, toute la documentation existe, et elle est dans le repo. De son propre aveu, Sara ne l’ouvre quasiment jamais, elle demande à son IA d’aller la lire pour elle en lui posant des questions spécifiques. La compréhension reste de son côté, c’est la recherche qui est déléguée. Sur le moment, c’est d’une efficacité redoutable. Mais je tique quand même sur le fait de vraiment tout déléguer à l’IA. Sara est lucide : ce sur quoi elle monte clairement en compétence, c’est l’usage de l’IA et une nouvelle méthode de travail. Sur l’imprégnation lente du métier, celle qui vient à force de relire, la réponse est plus ouverte.

Je boucle alors sur ce sujet d’autonomation qui reste ouvert pour moi. L’autonomation, dans le Lean, ne sert pas à rendre la machine plus savante mais à développer les personnes. La machine n’est qu’un moyen. Le glissement à surveiller n’est pas chez Sara, car elle en est consciente, elle lit, elle tranche, elle garde la main. Mais il existe une pente que ce confort dessine : déléguer la recherche, puis la lecture, puis, sans y prendre garde, une part de la compréhension et de la connaissance. La question n’est pas tranchée. Elle mérite de rester ouverte, parce que c’est probablement la plus importante de toutes.

Le futur du développement ?

Image décorative d'un point d'interrogation  pour symboliser les questions qui restent ouvertes dans la conclusion.

J’étais venu chercher auprès de Sara des réponses à mes trois questions : la valeur livrée, la qualité pour le client et sur le long terme, l’impact sur les organisations. Sur la dernière, j’ai été servi au-delà de mes attentes, même si je n’ai vu qu’une équipe, et non une organisation. Cela permet toutefois de se projeter dans l’avenir des DSI augmentées. Sur les deux autres, l’honnêteté oblige à dire que le brouillard n’est pas totalement levé.

D’un point de vue qualité, la réflexion sur la mesure reste à construire. La couverture de code historique à base de tests unitaires n’a plus de sens et est remplacée par la mesure de la couverture de tests fonctionnels, en cours de mise en œuvre. Cependant, le sentiment de sérénité n’est pas encore complètement acquis, et de nombreux apprentissages attendent probablement encore ces équipes d’un nouveau genre sur la valeur produite et la qualité durable.

Mais qu’on ne s’y trompe pas, ce que j’ai vu m’a profondément marqué. Pas tant la prouesse technique (une application importante refaite en quelques semaines) que ce qui la rend possible. Rien de tout cela ne tient sans un socle Lean assumé : des standards à chaque étape du processus, un langage partagé, des écarts rendus visibles pour sans cesse améliorer toute la chaîne, la rigueur du poste de travail sur son agent. Tout cela avec pour seule obsession : réussir à faire bon du premier coup. L’IA ne dispense d’aucune de ces disciplines. Elle les rend même vitales parce qu’elle amplifie tout ce qu’on lui donne, le meilleur comme le pire. Là où le standard existe, elle décuple la performance. Là où il manque, elle propage le défaut sans un bruit.

Reste la question qui m’accompagne depuis le début de cette exploration, et que ce retour terrain n’a fait que rendre plus pressante : dans ce nouveau monde, développons-nous les personnes, ou déléguons-nous à la machine jusqu’à notre propre compréhension ? Sara garde la main. À nous de nous assurer que nous la garderons aussi.