Cas d’utilisation de l’IA en informatique qui méritent de devenir la norme
En bref
- L’outil basé sur l’IA de Thoughtworks, CodeConcise, analyse le code hérité, extrait les règles métier et accélère la modernisation des mainframes. À ce jour, il a réduit de 4 semaines le temps de transformation par module et permis d’économiser 240 années EDT dans le cadre d’une refonte à grande échelle.
- Les enquêtes de suivi de productivité propulsées par l’IA de Finastra ont mis en évidence une hausse non détectée de 6 heures hebdomadaires de la charge de travail. Ces données ont permis à la direction d’affiner les flux, d’optimiser la répartition des tâches et de réduire les risques d’épuisement professionnel. Des IDE dopés à l’IA, des suggestions de code intelligentes et des flux automatisés réduisent la charge cognitive.
- CreateFuture s’est appuyée sur le suivi de backlog alimenté par l’IA pour réduire de 30 % le temps consacré à la gestion des user stories et regagner 4 à 8 heures par sprint. Grâce à l’IA, les équipes détectent les dérives de périmètre, automatisent les rapports de sprint et anticipent les fonctionnalités sous-estimées avant qu’elles ne perturbent le développement.
- L’analyse des logs par LLM de Chamomile.ai détecte les anomalies subtiles, anticipe les pannes et automatise leur résolution. Cela a permis de réduire le temps d’investigation manuelle et d’éviter que les incidents ne se transforment en pannes majeures.
L’IA s’est immiscée dans presque tous les recoins de l’informatique et du développement. On entend partout qu’elle va booster l’efficacité des équipes, améliorer l’équilibre vie pro/vie perso, ou encore offrir un assistant intelligent, omniprésent et omniscient. C’est à en avoir le tournis.
Mais malgré cette omniprésence, l’IA ne livre pas encore tout ce qu’on en attendait, ni parfois quoi que ce soit. Plus de la moitié des responsables informatiques peinent à démontrer le ROI de l’IA et brûlent des milliards dans la foulée.
Dans les salles du conseil, on parle d’IA agentique, de gestion des risques et du dernier buzz sur DeepSeek, mais une question fondamentale reste absente : sommes-nous réellement en train de résoudre les bons problèmes avec l’IA ? Peut-être que la véritable difficulté ne tient pas à la technologie elle-même, mais à la capacité de savoir où l’appliquer.
Cela dit, tout n’est pas si sombre. Certaines équipes ont trouvé la clé. Nous avons rencontré quelques pionniers de l’IA qui obtiennent de vrais résultats grâce à des applications business étonnamment simples (mais efficaces). Voici les cas d’usages IA qui leur inspirent le plus confiance :
1. Moderniser les systèmes hérités
L’IA résout un défi de longue date dans la modernisation des systèmes hérités : empêcher que des logiques obsolètes ne s’immiscent dans les nouveaux environnements. « Les agences gouvernementales fonctionnent encore sur d’énormes systèmes monolithiques, » explique Noel Hara, VP & CTO secteur public chez NTT DATA. « Même lorsque la logique métier est extraite ou le code refactorisé, on y retrouve souvent des briques obsolètes cachées dans les profondeurs du code. »
L’équipe de Noel utilise désormais l’IA pour analyser les règles extraites, puis les croiser intelligemment avec les politiques en vigueur. Mieux encore, les outils suggèrent automatiquement des mises à jour intelligentes lorsque les politiques évoluent, sans surcharger les responsables métier. « Cette méthode fluidifie la modernisation et évite que la dette technique ne s’accumule dans le nouveau système. »
Thoughtworks a développé CodeConcise, un accélérateur interne propulsé par l’IA, capable de décomposer des architectures complexes, cartographier les dépendances et dégager des informations cruciales, même lorsque les développeurs historiques sont partis. Cet outil sait aussi convertir du code hérité dans des langages modernes pour assurer conformité et alignement avec les équipes de développement.
À ce jour, le déploiement interne est plutôt couronné de succès : il a déjà réduit de 4 semaines le délai de transformation par module et généré une économie spectaculaire de 240 années EDT lors d’une transformation mainframe à grande échelle.
Cela dit, moderniser les systèmes hérités peut aussi passer par le choix du bon partenaire de développement logiciel nearshore.
2. Améliorer la productivité des collaborateurs
Même avant l’actuel âge d’or de l’IA, celle-ci s’attaquait déjà aux tâches fastidieuses telles que la génération de code standard et la gestion des cas de tests – des corvées autrefois chronophages pour les équipes IT. Désormais, des IDEs boostés à l’IA comme Tabnine ou JetBrains AI enrichissent ces fonctions avec des revues de code intelligentes, des synthèses contextuelles et la documentation automatisée du savoir. Les développeurs n’ont plus à jongler sans fin entre les contextes ni à traquer des corrections non documentées.
Jimmy Xu, field CTO de Cycode, voit l’avenir de l’ingénierie assistée par l’IA se dessiner à tel point qu’il considère l’IA comme le « moyen » de permettre l’émergence de développeurs 10x. Il n’a pas tort. Avec du recul, l’IA apparaît moins comme un outil et davantage comme le tissu conjonctif du développement logiciel moderne.
Il peut assembler des flux de travail fragmentés, assurer des relais plus intelligents, offrir une visibilité granulaire et révéler des inefficacités dont les équipes n’avaient peut-être même pas conscience. Finastra en a fait l’expérience directe après avoir déployé un outil d’IA personnalisé pour surveiller l’expérience des développeurs.
Au départ, la direction utilisait des enquêtes de satisfaction pilotées par l’IA pour évaluer le bien-être en ingénierie, mais elles ont vite mis au jour un problème négligé : les développeurs effectuaient (et ce sans suivi préalable) six heures supplémentaires par semaine, à cause des exigences incessantes et des mises à jour produits continues.
Conscients du risque d’épuisement, la direction a exploité l’IA pour optimiser les charges de travail, imposer des heures de concentration et affiner les plages horaires de communication afin de réduire les interruptions inutiles. Désormais, les ingénieurs pouvaient consacrer leur énergie à l’innovation sans être freinés par de constants changements de contexte.
3. Maîtriser la portée du produit pour éviter qu’elle ne sombre dans le chaos
« Pour un ingénieur logiciel, coder ne représente qu’une petite fraction de la semaine de travail — environ deux heures par jour, » commente Jeff Watkins, CTO chez CreateFuture. Le reste de la semaine est consacré à l’ajustement des user stories, des épopées, des critères d’acceptation, des workflows de QA et, si l’on n’y prend garde, à lutter contre un périmètre qui ne cesse de s’étendre.
Heureusement, c’est ici que l’IA a apporté à CreateFuture certains de ses gains les plus significatifs. « Nous avons réduit d’environ 30 % le temps consacré à la rédaction, la relecture et la synchronisation des épopées, user stories et critères d’acceptation, » explique-t-il, soulignant à quel point l’IA a affiné leur flux de développement produit.
Son équipe s’appuie désormais sur l’IA pour :
- Automatiser les comptes-rendus de réunion afin de suivre les discussions clés et les écarts de périmètre par rapport à l’objectif initial, puis établir une liste d’actions correctives.
- Générer des rapports de sprint en surveillant les tâches réalisées, les évolutions de la backlog et les besoins qui changent — aidant les équipes à repérer une dérive du périmètre avant qu’elle n’entrave les progrès.
- Effectuer des analyses prédictives sur des projets passés pour détecter précocement des fonctionnalités sous-dimensionnées.
- Construire des boucles de retour d’expérience qui synthétisent les retours pairs et soulignent les opportunités de progression.
Jeff voit l’IA comme le « canard en plastique » du périmètre produit : elle pose les bonnes questions, détecte les blocages et connecte les investissements techniques aux priorités de l’entreprise. « Grâce à l’IA pour les rapports de sprint et la relecture documentaire, nous récupérons quatre à huit heures par sprint. »
4. Activer une infrastructure IT auto-réparatrice
Une panne est une crise coûteuse pour les équipes IT. Même les bons jours, une panne peut engloutir jusqu'à 9 000 $ la minute pour les grandes entreprises. Ajoutez à cela les amendes réglementaires, la perte de données et l’atteinte à la réputation dans les secteurs régulés, et l’impact peut dépasser les 5 millions de dollars. Malgré cela, la plupart des outils de supervision IT restent réactifs : ils détectent les incidents mais ne préviennent pas leur réapparition et peinent à passer à l’échelle. Comme le souligne Jimmy, « la montée en charge et la livraison deviennent des défis critiques dans un environnement toujours plus complexe. »
Une infrastructure auto-cicatrisante comble ces lacunes grâce à des outils de supervision autonomes. Pour Tirath Ramdas, CEO de Chamomile.ai, l’analyse des journaux (logs) illustre parfaitement comment l’IA peut soulager les développeurs tout en renforçant l’autonomie des systèmes IT. « L’analyse des rapports de bugs est fastidieuse, rarement plaisante, et s’effectue souvent sous pression quand les défaillances ou pannes commencent à impacter les utilisateurs finaux, » explique Tirath. Pourtant, une véritable analyse de la cause racine requiert davantage qu’un simple balayage des logs d’ERREURS.
« Cela signifie corréler plusieurs journaux et détecter des anomalies subtiles. » Il utilise des LLM pour automatiser la chasse fastidieuse dans les logs et relier rapidement les schémas contextuels. « Ils excellent dans la comparaison floue de termes, l’analyse intelligente des différences entre logs et la détection de comportements inhabituels. » Et mieux encore, cela permet de détecter automatiquement les petits dysfonctionnements dans les logs et de réduire les enquêtes manuelles pour accélérer la résolution des incidents.
Au-delà de l’analyse de logs, les outils d’IA peuvent aussi corriger automatiquement les incidents mineurs. Les systèmes autonomes pilotés par l’IA surveillent en continu des métriques en temps réel — utilisation CPU, latence réseau, consommation mémoire — pour détecter les anomalies, réduire les faux positifs et agir lorsque des seuils critiques sont franchis.
Si une métrique système dépasse un seuil prédéfini, l’IA peut déclencher un protocole de remédiation automatisé. « Pour la remédiation, l’IA peut fournir des conseils personnalisés de correction et générer des propositions de correctifs de code avec des flux d’automatisation. Vous pouvez ensuite utiliser l’IA pour quantifier un score de risque normalisé pour des constatations diverses et automatiser la priorisation, » commente Jimmy.
L’IA stimule le changement si votre culture y est favorable
L’IA peut véritablement faire gagner du temps et offrir une visibilité complète sur les workflows aux équipes d’ingénierie et d’informatique – mais seulement si la culture est prête à la soutenir. « Vous n’avez pas besoin d’une technologie sophistiquée pour obtenir ces résultats, » dit Jeff. Tout cela est réalisable avec les outils d’IA déjà intégrés à votre suite bureautique, comme Microsoft Copilot 365 ou Google Gemini Advanced.
« Ce qui compte réellement, c’est d’investir dans les personnes. Montrez-leur comment tirer parti de ces outils pour obtenir ce dont ils ont besoin, » ajoute-t-il. Même dans des équipes réduites, consacrer quelques heures à accompagner chacun finit par porter ses fruits et vous remarquerez rapidement un véritable retour sur investissement.
Les équipes plus importantes peuvent lancer des projets expérimentaux, tels que les célèbres journées « hack the scope ». Donnez à vos ingénieurs un projet ambigu, un tas de données et des outils d’IA pour résoudre des problèmes comme la prédiction des risques ou la rédaction d’epics. La meilleure solution remporte le droit de se vanter, quelques incitations pour encourager leur prochain projet pilote, et probablement un trophée démesuré.
« Pour moi, la leçon à retenir, c’est de maîtriser les outils que vous avez sous la main avant d’en acheter d’autres ; sinon, vous risquez de tomber dans l’adage ‘tout l’attirail, mais aucune idée’. »
Abonnez-vous à la newsletter du CTO Club pour plus d’analyses sur l’IA, l’alignement business-ingénierie et l’informatique autonome.
