Le directeur technique refond le cycle de vie de l’ingénierie — et son impact sur son équipe
Découvrez comment un directeur technique d’une fintech a intégré l’IA à chaque étape du cycle de vie de l’ingénierie afin d’accélérer la livraison, de réduire les coûts opérationnels et de transformer les flux de travail de son équipe.
Sergey Terentyev
Directeur technique, banque et fintech — Émirats arabes unis
Intégration de l’IA: Sergey Terentyev a intégré l’IA à chaque étape afin d’améliorer la rapidité, la livraison et la productivité.
Évolution culturelle: L’IA est devenue une composante standard des flux de travail d’ingénierie, dépassant son rôle d’outil expérimental.
Équilibre réglementaire: Concilier innovation et réglementation est essentiel dans un environnement bancaire fortement réglementé.
Équilibre entre l’humain et l’IA: Certaines tâches restent réalisées par des humains ; l’IA ne peut pas entièrement remplacer le jugement des ingénieurs dans les domaines réglementés.
Modèle opérationnel: Les directeurs techniques doivent considérer l’IA comme une transformation du modèle opérationnel plutôt que comme une simple mise à niveau des outils.
Sergey Terentyev dirige la technologie et l’ingénierie au sein d’un environnement bancaire numérique agréé. Au cours de l’année écoulée, il a remanié l’ensemble du cycle de vie de l’ingénierie afin que l’IA soit intégrée à chaque étape.
Nous nous sommes entretenus avec Sergey pour en savoir plus. Il nous a expliqué ce qu’il avait changé et les effets de ces changements sur son équipe.
L’IA transforme bien plus que les outils
Je m’appelle Sergey et je suis actuellement directeur technique dans les secteurs bancaire et des technologies financières aux Émirats arabes unis. J’ai commencé comme ingénieur logiciel, puis j’ai accédé à des fonctions de direction en créant des produits, en développant des équipes et en résolvant des problèmes technologiques complexes.
Envie d'en avoir plus avec The CTO Club ?
Créez un compte gratuit pour terminer cet article et rejoindre une communauté de CTO et de leaders en ingénierie partageant des cadres pratiques, des outils et des conseils pour concevoir, déployer et faire évoluer des technologies alimentées par l'IA.
Have an account? Log In
Mon parcours vers la transformation par l’IA a été simple : les méthodes traditionnelles de constitution et de gestion des équipes technologiques deviennent trop lentes. Les équipes consacrent encore trop de temps aux tâches répétitives, à la coordination, à la documentation, au support et aux processus manuels.
Désormais, je me concentre sur l’adoption concrète de l’IA au sein des organisations d’ingénierie et de développement de produits. Il ne s’agit pas de considérer l’IA comme un effet de mode, mais comme un moyen d’aller plus vite, d’améliorer la livraison, de réduire le gaspillage et d’aider les petites équipes à accomplir beaucoup plus.
Je considère ce moment comme une occasion de repenser le fonctionnement des organisations technologiques. L’IA ne transforme pas seulement les outils, mais aussi les équipes, le leadership et la manière dont les entreprises conçoivent leurs produits.
Concilier innovation et réglementation
L’organisation au sein de laquelle je dirige la technologie et l’ingénierie évolue dans un secteur fortement réglementé. Le paysage technologique associe donc le développement moderne de produits à des exigences de sécurité, de conformité et d’exploitation de niveau entreprise.
L’organisation d’ingénierie couvre les plateformes mobiles et web, les services dorsaux, l’infrastructure infonuagique, la cybersécurité, les intégrations, les plateformes de données et la gestion des fournisseurs. Nous travaillons à la fois avec des équipes de développement internes et des partenaires externes stratégiques, tout en transférant progressivement davantage de capacités essentielles en interne.
Du point de vue de l’architecture, nous évoluons vers un modèle plus modulaire et axé sur les API, avec une responsabilité accrue au sein des équipes d’ingénierie produit. L’environnement est assez complexe, car nous opérons sur des systèmes bancaires, des intégrations de technologies financières, des infrastructures de paiement, des applications destinées aux clients et des plateformes opérationnelles internes.
Le déploiement et la livraison sont fortement itératifs, avec un accent marqué sur l’automatisation, l’intégration et la livraison continues (CI/CD), l’infrastructure infonuagique, l’observabilité et la résilience opérationnelle. Une priorité majeure consiste à réduire la dépendance aux modèles de livraison traditionnels et à accroître la vélocité de l’ingénierie grâce au développement assisté par l’IA et à l’automatisation.
Une grande partie de mon rôle consiste à concilier la rapidité de l’innovation avec les réalités d’un environnement financier réglementé, où la fiabilité, la sécurité et la gouvernance sont essentielles.
Comment l’IA obligatoire transforme les flux de travail de l’ingénierie
Nous avons intégré directement l’IA au flux de travail de livraison de l’ingénierie, au lieu de la considérer comme un outil individuel facultatif.
Auparavant, les ingénieurs consacraient beaucoup de temps à des tâches répétitives telles que l’implémentation de code répétitif, la documentation, l’analyse du code, le débogage, la préparation des tests, la vérification du code des fournisseurs et la traduction des exigences métier en tâches techniques. La surcharge opérationnelle accaparait les ingénieurs seniors et les empêchait de se concentrer sur l’architecture et les décisions produit.
Au cours de l’année écoulée, nous avons systématiquement intégré le développement assisté par l’IA aux processus d’ingénierie quotidiens. Cela comprenait la génération de code, l’assistance à la revue de code, la génération de documentation, l’analyse d’impact, l’analyse des incidents et le prototypage accéléré.
Le changement n’a pas seulement eu un effet sur la vitesse, mais aussi sur la manière dont les équipes travaillent. Les ingénieurs consacrent désormais moins de temps aux activités répétitives à faible valeur et davantage à la conception des systèmes, à la réflexion produit et à la prise de décision. Il a également réduit la dépendance à l’égard d’un petit nombre de personnes expérimentées en facilitant la diffusion des connaissances entre les équipes.
Le changement le plus important a probablement été culturel. Les équipes ont cessé de considérer l’IA comme un outil expérimental, qui est devenue une composante normale du flux de travail de l’ingénierie. Elles s’attendent désormais à ce que l’automatisation soit la norme, au lieu de partir du principe que chaque processus doit être manuel.
Comment l’IA peut intervenir à chaque étape du cycle de vie de l’ingénierie
Examinons le parcours qui va de l’exigence métier à une mise en œuvre technique prête pour la production.
Tout commence généralement par une demande produit ou métier formulée en langage courant. L’IA aide à la traduire en exigences techniques structurées, identifie les dépendances, suggère des contrats d’API et met rapidement en évidence les cas limites ou les risques d’intégration potentiels.
À partir de là, les ingénieurs utilisent des outils de développement assisté par l’IA lors de la mise en œuvre pour créer la structure initiale des services, générer des modèles de code répétitifs, créer des cas de test et accélérer la documentation. L’objectif n’est pas de parvenir à un codage entièrement autonome, mais de réduire le travail manuel à faible valeur ajoutée afin que les ingénieurs puissent se concentrer sur l’architecture et la logique.
Au cours du développement, l’IA aide également lors des revues de code, explique les parties peu familières de la base de code, identifie les vulnérabilités potentielles et valide les approches de mise en œuvre. Pour les systèmes sujets aux incidents, les ingénieurs utilisent l’IA pour analyser les journaux et résumer les comportements anormaux bien plus rapidement qu’avec une investigation manuelle traditionnelle.
Une fois les modifications intégrées aux pipelines de déploiement, l’automatisation prend en charge les tests, la validation et l’observabilité. L’IA redevient utile après le déploiement en aidant les équipes à interpréter les alertes, à corréler les incidents et à réduire le temps d’investigation lors des problèmes opérationnels.
Comme vous pouvez le constater, l’IA est désormais intégrée à l’ensemble du cycle de vie de l’ingénierie, et non plus seulement utilisée comme un chatbot isolé ou un assistant de codage. Elle fait désormais partie du flux de travail quotidien, de la planification aux opérations.
Pourquoi les CTO doivent améliorer la lisibilité par les machines
Nous avons réduit notre dépendance à l’égard des connaissances centralisées et de la coordination manuelle. Au lieu de laisser les informations critiques entre les mains de personnes ou d’équipes spécifiques, nous avons mis en place des flux de travail dans lesquels l’IA aide les ingénieurs à parcourir les systèmes, à comprendre l’architecture, à analyser les incidents et à accélérer leur intégration de manière autonome.
Cela m’amène à une autre évolution importante que nous avons mise en œuvre : concevoir des systèmes lisibles par les machines, et pas seulement par les humains.
Des API claires, une documentation structurée, une bonne observabilité, des services modulaires et des interfaces bien définies améliorent considérablement à la fois la productivité humaine et l’efficacité de l’IA.
Pourquoi l’IA ne peut pas exercer son jugement dans un secteur réglementé
L’IA accélère tout particulièrement la livraison et réduit le travail répétitif des équipes d’ingénierie. Par exemple, lors de la réponse aux incidents, elle aide les ingénieurs à analyser les journaux, à identifier les causes profondes possibles, à résumer les résultats et à accélérer l’investigation.
Dans le même temps, certains domaines restent explicitement du ressort des humains. Les décisions finales en matière d’architecture, la gouvernance de la sécurité, l’acceptation des risques, la priorisation et la responsabilité en production exigent toujours que des personnes expérimentées exercent leur jugement.
En termes simples, l’IA excelle dans l’accélération et la reconnaissance des schémas, mais les décisions de direction dans des systèmes complexes dépendent toujours du contexte, des compromis, des priorités métier, de la réglementation et d’une réflexion à long terme. Dans les services financiers en particulier, il est impossible d’automatiser entièrement la responsabilité.
L’IA excelle dans l’accélération et la reconnaissance des schémas, mais les décisions de direction dans des systèmes complexes dépendent toujours du contexte, des compromis, des priorités métier, de la réglementation et d’une réflexion à long terme.
Comment l’IA peut avoir un impact négatif sur les équipes d’ingénierie
Le principal résultat positif a été l’accélération du travail d’ingénierie. Des tâches qui prenaient auparavant plusieurs jours peuvent désormais parfois être réalisées en quelques heures. Les difficultés opérationnelles ont également été réduites, ce qui améliore le flux global de livraison et permet aux collaborateurs expérimentés de se concentrer davantage sur l’architecture et la prise de décision plutôt que de gérer constamment des situations urgentes.
Nous avons également constaté une intégration plus rapide des nouveaux arrivants, car l’assistance de l’IA aide les ingénieurs à comprendre beaucoup plus rapidement les systèmes qu’ils ne connaissent pas.
Toutefois, il y a également eu un aspect négatif :
- Nous avons appris que l’IA peut créer un faux sentiment de confiance. Le code généré semble souvent correct, même lorsque les hypothèses sous-jacentes sont erronées. Sans solides fondamentaux d’ingénierie et processus de revue, les équipes peuvent avancer plus vite dans la mauvaise direction.
- Nous avons constaté que les ingénieurs moins expérimentés deviennent parfois trop dépendants des outils d’IA sans comprendre pleinement les systèmes qu’ils construisent. Ainsi, un défi inattendu a consisté à faire en sorte que l’IA augmente les capacités au lieu de réduire la profondeur technique.
- La gouvernance et la sécurité sont devenues davantage un défi. Dans les environnements réglementés, il faut définir clairement les limites concernant les données auxquelles les systèmes d’IA externes peuvent accéder, la manière de réviser le code généré et la façon de garantir que les décisions restent auditables.
Les domaines dans lesquels l’IA n’est pas à la hauteur
L’IA n’a pas encore permis d’atteindre une ingénierie logicielle autonome. L’idée de systèmes entièrement générés par l’IA ou du remplacement des équipes d’ingénierie suscite beaucoup d’enthousiasme, mais en pratique, nous en sommes encore loin dans les environnements d’entreprise complexes.
L’IA accélère très efficacement le travail des ingénieurs expérimentés, permet de réaliser des prototypes et leur apporte une assistance précieuse. Mais lorsque les systèmes deviennent volumineux, interconnectés, réglementés et critiques sur le plan opérationnel, les limites deviennent évidentes. La gestion du contexte, la cohérence à long terme, les compromis architecturaux et la compréhension approfondie des systèmes restent faibles par rapport à celles d’humains expérimentés.
La fiabilité des résultats destinés à la production m’a également déçu. Le code généré par l’IA paraît souvent impressionnant au départ, mais sa qualité peut rapidement se dégrader dans les cas limites, face aux enjeux de montée en charge, aux exigences de sécurité ou aux besoins de maintenabilité. Les 20 derniers pour cent du travail d’ingénierie restent encore très humains.
Comment l’IA remet en question les idées reçues sur les équipes et l’architecture
La mise à l’échelle de l’ingénierie ne repose plus principalement sur l’ajout de personnel.
De petites équipes très techniques dotées d’outils d’IA performants peuvent avancer beaucoup plus vite que des organisations bien plus grandes, freinées par de lourdes procédures. Dans certains cas, la coordination elle-même est devenue un goulot d’étranglement plus important que le travail d’ingénierie proprement dit.
C’est pourquoi nous sommes passés à des équipes d’ingénierie plus petites et orientées produit, avec une responsabilité accrue et davantage d’automatisation concernant la livraison, les opérations et la documentation.
L’IA a également changé ma façon de concevoir la séniorité. Auparavant, l’accès à l’information et à l’expérience créait de forts goulots d’étranglement autour de quelques ingénieurs seniors ou architectes. L’IA réduit une partie de cette asymétrie, car les connaissances, la documentation et l’exploration technique deviennent beaucoup plus accessibles à l’ensemble de l’organisation.
Sur le plan architectural, elle m’a également incité à privilégier des systèmes plus simples et plus modulaires. L’IA est beaucoup plus performante lorsque les systèmes sont bien structurés, observables et clairement séparés. Les environnements complexes et non documentés créent des difficultés aussi bien pour les humains que pour les systèmes d’IA.
Pourquoi l’adoption de l’IA exige de se concentrer davantage sur les humains que sur les outils
J’ai sous-estimé la dimension humaine de l’adoption.
Au départ, nous nous sommes surtout concentrés sur les outils et les capacités. Nous pensions qu’une fois que les ingénieurs auraient accès à des systèmes d’IA performants, l’adoption se ferait naturellement. Les équipes ont réagi de manière très différente. Certains ingénieurs sont immédiatement devenus beaucoup plus productifs, tandis que d’autres ont à peine modifié leurs méthodes de travail.
Si je pouvais recommencer une partie du déploiement, je consacrerais moins de temps à l’évaluation de dizaines d’outils d’IA et davantage à la refonte des flux de travail, à la formation des équipes et à la définition de pratiques opérationnelles claires concernant l’utilisation de l’IA dans l’ingénierie.
J’ai sous-estimé la dimension humaine de l’adoption… Nous pensions qu’une fois que les ingénieurs auraient accès à des systèmes d’IA performants, l’adoption se ferait naturellement. Les équipes ont réagi de manière très différente… Considérez l’IA comme une évolution du modèle opérationnel, et pas seulement comme une mise à niveau des outils.
Pourquoi les CTO doivent considérer cela comme une évolution du modèle opérationnel
Mon conseil aux CTO est de considérer l’IA comme un changement de modèle opérationnel, et pas seulement comme une mise à niveau des outils.
De nombreuses entreprises abordent encore l’IA comme elles ont abordé les précédentes vagues logicielles — en achetant des plateformes, en lançant des projets pilotes et en ajoutant des cas d’usage isolés. Elles passent ainsi à côté du changement plus profond. L’IA transforme la manière dont les équipes d’ingénierie travaillent, dont les produits sont conçus et dont les organisations se développent.
Deuxièmement, restez pragmatiques. À l’heure actuelle, l’enthousiasme est immense et de nombreuses entreprises essaient d’imposer l’IA à des problèmes pour lesquels elle apporte peu de valeur. Les meilleurs résultats viennent généralement de l’amélioration des flux de travail existants, plutôt que de la poursuite d’idées futuristes.
Troisièmement, investissez fortement dans les fondamentaux de l’ingénierie au lieu de supposer que l’IA les remplace. Une architecture solide, une bonne culture d’ingénierie, une responsabilité clairement définie, une discipline opérationnelle et des collaborateurs expérimentés sont encore plus importants dans un environnement piloté par l’IA.
Enfin, les CTO doivent utiliser personnellement ces systèmes et les expérimenter directement — et non se contenter de rapports ou de démonstrations de fournisseurs. Le rythme du changement est trop rapide pour gérer ce sujet uniquement sur le plan stratégique, sans être directement exposé à la technologie elle-même.
Suivez-nous
Vous pouvez suivre le travail de Sergey Terentyev sur LinkedIn.
D’autres entretiens avec des experts sont à venir sur The CTO Club.
