Naviguer les défis de la mise en œuvre de la GenAI

Le développement de logiciels basé sur la GenAI (Intelligence Artificielle Générative) améliorera la productivité et l’efficacité du travail – la question est, à quel point ? La plupart des recherches de marché sur ce sujet montrent des gains considérables en termes de productivité. Les recherches de Harvard ont montré que les spécialistes, en fonction de la tâche et de l’ancienneté, ont vu une augmentation de 43 % de la productivité selon une étude. De même, un rapport de Goldman Sachs suggère que la productivité pourrait augmenter de 1,5 point de pourcentage avec la GenAI après dix ans d’adoption généralisée, ce qui équivaut à près du double du rythme de croissance de la productivité aux États-Unis. Même si ces constats sont éclairants, la plupart de ces résultats proviennent de milieux contrôlés qui ne reflètent pas nécessairement les nuances des cas d’utilisation réels.

Pour mieux répondre à la question de savoir à quel point la GenAI peut améliorer la productivité dans le développement de logiciels, une société de services de transformation numérique et d’ingénierie de produits a décidé d’enregistrer ses constats pratiques et ses connaissances issues d’un projet récent de mise en œuvre de la GenAI à grande échelle avec l’un de ses clients. Ce client voulait adopter la GenAI dans les processus de travail de 10 équipes de développement sur trois flux de travail, impliquant plus de 100 spécialistes. Ces constats réels révèlent les divers défis que les entreprises rencontreront au cours de leur parcours ; en outre, ils soulignent la nécessité d’une feuille de route à l’échelle de l’entreprise pour mettre à l’échelle l’adoption de la GenAI.

Aborder les attitudes et les attentes négatives des spécialistes

De nombreux défis peuvent retarder le succès d’un projet de GenAI, tels que les préoccupations juridiques et réglementaires, le manque de capacité de traitement, la sécurité et la confidentialité, etc. Cependant, le plus important obstacle rencontré lors de cette mise en œuvre à grande échelle a été les attitudes et les attentes des spécialistes à l’égard des technologies. Lors de la mise en œuvre, la société d’ingénierie a observé que les spécialistes du client avaient certaines attentes à l’égard de la GenAI et de la façon dont elle allait améliorer leur travail. Lorsque ces attentes initiales n’ont pas correspondu aux résultats en termes de qualité ou de temps d’exécution, ils ont développé des attitudes négatives à l’égard des technologies. En particulier, lorsqu’ils ont dit que la GenAI ne “faisait pas le travail pour moi”, ils ont répondu avec des commentaires tels que : “J’attendais mieux et je ne veux plus perdre mon temps.”

Les entreprises doivent changer les perceptions et passer à une nouvelle culture de travail qui empêche ces attitudes négatives de se manifester et de gêner l’adoption et la mesure précise. Les enquêtes et les évaluations sont un moyen efficace de cartographier et de catégoriser les attitudes et l’engagement perçu des spécialistes. À partir de là, les entreprises doivent regrouper les spécialistes en fonction de leurs sentiments à l’égard de la GenAI. Ensuite, les entreprises peuvent créer des approches de gestion du changement adaptées à chaque groupe pour promouvoir une intégration réussie de l’IA ; par exemple, les spécialistes les plus sceptiques recevront plus d’attention et de soins que les spécialistes neutres.

Tenir compte des complexités des projets réels

Le deuxième défi le plus important a été de mesurer avec précision l’impact de la GenAI sur la productivité tout en tenant compte des complexités des conditions de projet réel. Dans les environnements contrôlés, il est plus facile de mesurer l’influence de la GenAI – cependant, comme mentionné précédemment, de tels tests ne tiennent pas compte de certaines variables et incohérences. Les projets ne sont pas statiques. Ils évoluent constamment. Une organisation peut avoir une situation où elle a des spécialistes qui tournent en raison des vacances et des jours de maladie ou des changements soudains de priorités. Les spécialistes ne travaillent pas toujours sur des activités de projet spécifiques où l’impact de la GenAI peut être le plus bénéfique, car ils ont des réunions à assister, des e-mails à répondre et d’autres tâches en dehors de la portée du sprint qui sont souvent négligées dans les mesures de productivité. Ces incohérences et variables doivent être prises en compte lors de la mesure objective de l’impact de la GenAI sur le développement de logiciels.

D’autres bonnes pratiques incluent l’intégration d’outils de gestion de tâches dans les flux de travail pour voir combien de temps les tâches restent dans chaque état pour déterminer la productivité et l’efficacité des spécialistes non techniques. De même, les solutions d’intelligence d’affaires peuvent collecter automatiquement des points de données, réduire les erreurs et gagner du temps. En outre, les organisations peuvent atténuer les complexités des conditions de projet réel et assurer une évaluation plus précise de l’impact de la GenAI sur la productivité en employant des pratiques de nettoyage de données approfondies.

Feuille de route à l’échelle de l’entreprise : mesurer avec précision

Cette mise en œuvre de la GenAI à grande échelle a également mis en évidence l’importance d’une feuille de route à l’échelle de l’entreprise qui marque le début et la fin de l’intégration. Les entreprises doivent noter qu’un élément crucial de cette feuille de route est de définir les métriques qu’elles utiliseront pour les étapes de référence et de reporting final. Des dizaines de métriques différentes peuvent aider à évaluer l’impact de la GenAI sur la productivité, notamment, mais sans s’y limiter, la vitesse dans le temps, le débit, le temps de reprise et de révision moyens, les taux de révision et d’acceptation de code, le temps passé à corriger les bogues, etc.

Après avoir défini ces métriques, les entreprises doivent les classer en catégories objectives et subjectives. Les entreprises peuvent utiliser des données provenant d’outils de suivi de tâches comme Jira pour les métriques objectives. De même, elles doivent maintenir et respecter les flux de qualité, les mises à jour de tâches et les étapes de clôture approfondies. Rappelez-vous que les métriques subjectives, telles que les enquêtes auprès des spécialistes et des pilotes, aideront les entreprises à comprendre les niveaux d’adoption et les corrélations avec les mesures objectives. Du point de vue de la fréquence, les mesures doivent être régulières et planifiées, et non rares et aléatoires. En outre, les résultats du projet soulignent l’utilité de métriques telles que l’impact moyen quotidien, la compétence perçue, les changements de performance, la couverture de travail, l’utilisation d’outils d’IA et le flux de travail ininterrompu pour mesurer la progression de l’adoption.

Feuille de route à l’échelle de l’entreprise (suite) : apprentissage et développement culturel à grande échelle

En plus de mesurer avec précision l’impact de la GenAI, un autre élément essentiel d’une feuille de route réussie est qu’elle favorise un apprentissage continu et une maîtrise de l’IA grâce à différentes stratégies de formation et de coaching. Ces initiatives financeront en fin de compte une culture d’apprentissage à l’échelle de l’entreprise, permettant l’adoption de l’IA à grande échelle dans l’entreprise. Différentes stratégies incluent la création de groupes de travail qui se concentrent sur les endroits et les moyens par lesquels l’entreprise peut exploiter la GenAI, ainsi que l’encouragement des individus à partager ce qui fonctionne et ce qui ne fonctionne pas. Il est également utile de définir des priorités de croissance et de développement accompagnées de parcours d’apprentissage aux niveaux individuel et d’équipe.

Une autre façon pour les entreprises de créer une culture qui adopte facilement de nouvelles technologies de GenAI est de mettre en évidence des cas d’utilisation à succès rapides. Ceux-ci démontreront le pouvoir de la GenAI à l’ensemble de l’organisation et aux sceptiques réticents. Les entreprises doivent également établir des lignes directrices de sécurité et des règles d’engagement avec l’IA pour permettre aux équipes d’expérimenter et d’explorer de nouvelles approches sans exposer l’entreprise à des risques. De même, les organisations doivent faire respecter l’adéquation aux normes de l’industrie et à d’autres bonnes pratiques tout en abordant la gestion du changement parmi les individus et les équipes au niveau des tâches et des outils.

Garder les personnes au centre

Les deux principales conclusions de cette mise en œuvre réelle sont : premièrement, la GenAI peut conduire à des gains de productivité importants dans le cadre d’une stratégie et d’une feuille de route appropriées ; deuxièmement, une telle intégration a un aspect humain indéniable que les entreprises doivent aborder en conséquence. La GenAI va à jamais changer la façon dont ces spécialistes effectuent leurs tâches quotidiennes. Il est également probable que la GenAI puisse faire que certains spécialistes se sentent menacés par la technologie, ce qui peut causer une résistance à l’adoption. En fin de compte, la clé d’une mise en œuvre réussie de la GenAI reste distinctement humaine. Il est crucial pour les entreprises de comprendre la profondeur de cela, car ce sont les humains qui mettent en œuvre la technologie, débloquant ainsi sa valeur pratique.