L'écart entre la productivité individuelle grâce à l'IA et la performance de l'équipe

En tant que chef de produit chez Upsun et forte d'une formation en génie informatique, Kateryna Dvornichenko a passé des mois à étudier les outils concurrents dans le domaine du développement agentique, à effectuer des tests, à comparer les fonctionnalités et à se faire une idée de l'orientation que prenait le marché. Elle s'est rendu compte que ces outils étaient impressionnants, mais qu'un point continuait de la frapper.

« La collaboration n'était le point fort d'aucun d'entre eux », explique-t-elle. « Chacun reste sur sa propre machine, avec sa propre configuration. »

Cette observation est devenue le point de départ de sa réflexion sur ce que devait être Upsun Dispatch™. Plus important encore, elle a mis en lumière un problème que la plupart des discussions sur la productivité de l’IA en génie logiciel ont tendance à négliger : rendre un développeur plus rapide ne rend pas forcément l’équipe plus rapide.

Une productivité qui reste locale

Les chiffres sur la productivité individuelle grâce à l’IA montrent que les développeurs avancent plus vite, écrivent plus de code et gèrent plus de tâches en une journée qu’ils ne le pouvaient il y a un an. Ces outils ont véritablement changé ce qu’une personne peut accomplir en une heure donnée.

Mais la productivité qui reste sur l’ordinateur d’une seule personne ne se traduit pas automatiquement par la productivité de l’équipe. Les processus qu’un ingénieur configure, les invites qu’il affine et le contexte qu’il construit au fil des semaines passées à travailler avec un agent : tout ça reste local. Du coup, quand il s’en va, ça part avec lui. Ce qui veut dire que si quelqu’un doit s’appuyer sur son travail, il repart de zéro.

« Les gens ont déjà en quelque sorte des processus sur leurs ordinateurs », explique Dvornichenko, « mais tout ça reste individuel ». En gros, le problème, ce n’est pas que les outils ne fonctionnent pas ; c’est que les progrès ne s’accumulent pas dans un endroit où l’équipe peut y accéder et s’en servir comme base.

Le goulot d’étranglement qui suit la vitesse

À mesure que la productivité individuelle augmente, le goulot d’étranglement peut passer de l’exécution à la coordination. Cet écart entre les performances individuelles et celles de l’équipe se manifeste d’abord dans la file d’attente des révisions : un ingénieur produit du code plus vite que l’équipe ne peut l’assimiler, et les ingénieurs seniors passent leurs journées sur du travail qu’ils n’ont pas écrit et dont ils n’ont peut-être pas le contexte pour l’évaluer efficacement.

Ensuite, ça a un impact sur le processus de validation, où une seule personne devient le goulot d’étranglement pour chaque décision qui doit être approuvée. Et enfin, sur la visibilité des coûts, où les responsables paient pour l’utilisation de l’IA par toute l’équipe sans avoir une idée claire de ce qui est dépensé ni de savoir si ça produit des résultats.

« Si tu paies un abonnement, par exemple, et que tu débourses environ 200 euros par personne », explique Dvornichenko, « mais que tu ne sais pas s’ils utilisent réellement tous les jetons inclus dans l’abonnement. » Les dépenses sont bien réelles, mais les informations ne le sont pas.

Ce sont là différents symptômes d’un même problème : les outils d’IA ont été largement conçus pour des utilisateurs individuels, tandis que l’infrastructure nécessaire pour transformer les gains individuels en productivité au niveau de l’équipe n’a pas été prise en compte lors de leur conception.

Ce dont l’IA au niveau de l’équipe a réellement besoin

Dvornichenko identifie trois éléments qu’une véritable approche de l’IA au niveau de l’équipe doit offrir : la fiabilité, la collaboration et la transparence des coûts. Ça a l’air simple, mais dans la pratique, de nombreux outils de développement d’IA n’ont pas été conçus pour les offrir au niveau de l’équipe.

La fiabilité, c'est un historique complet et traçable de tout ce qui s'est passé. « Tu effectues une action dans un outil, puis dans un autre », explique-t-elle, « ensuite l’agent se met au travail, et tu as besoin de comprendre comment on en est arrivé à ce bout de code en production, mais tu n’en as pas vraiment la moindre idée. » Sans traçabilité, tu ne peux pas instaurer la confiance dans le système. Et sans confiance, les équipes restent indéfiniment en mode de supervision totale, ce qui va à l’encontre de l’intérêt même d’avoir recours à des agents.

La collaboration, ça veut dire que n’importe qui dans l’équipe peut participer au processus, pas seulement la personne qui a configuré le processus sur son ordinateur portable. « N’importe qui dans l’équipe peut valider des choses », explique Dvornichenko. « Tu n’es pas le seul à pouvoir valider, et du coup, tu risques de devenir un goulot d’étranglement pour certaines actions. » 

Lorsque les processus tournent sur une infrastructure partagée plutôt que sur des ordinateurs personnels, toute l’équipe peut voir ce qui est en cours, y contribuer et s’appuyer sur ce que les autres ont fait.

La transparence des coûts, c’est savoir combien tu dépenses avant et après l’exécution d’un processus. Ça veut dire que la direction dispose d’un seul et même endroit pour comprendre les dépenses liées à l’IA au sein de l’équipe, et non plus d’un patchwork de reçus d’abonnements individuels et de factures de jetons qui arrivent après coup.

Ensemble, ces fonctionnalités transforment l’IA, qui n’est plus un outil utilisé isolément par des ingénieurs individuels, en un outil qu’une équipe peut réellement exploiter, superviser et améliorer ensemble.

Le changement de mentalité que les outils ne peuvent pas opérer à eux seuls

Une autre dimension de ce problème que Dvornichenko prend soin de ne pas sous-estimer. Combler le fossé entre les performances individuelles et celles de l’équipe n’est pas seulement un problème d’outils. C’est aussi un problème de mentalité, et les outils ne peuvent pas résoudre ce genre de problèmes à eux seuls.

Les équipes doivent cesser de considérer l'IA comme un outil utilisé par des ingénieurs isolés pour la voir comme un projet auquel participe toute l'organisation. Comme le dit Dvornichenko : « On peut accompagner ce changement de mentalité, mais on ne peut pas le faire tout seul. » 

Les outils qui ont aidé les ingénieurs à travailler plus vite n’ont pas encore relevé le défi de faire avancer les équipes ensemble. La prochaine étape du développement assisté par l’IA ne consiste pas simplement à rendre les ingénieurs plus rapides ; il s’agit de faire en sorte que cette productivité se répercute au niveau de l’équipe.