Michael Curry, President of Data Modernization chez Rocket Software
La mesure du ROI de l’IA générative dépend fortement du type de solution mise en place par l’entreprise. Deux types d’usage existent actuellement : le premier prédéfini et codifié de l’IA, conçu pour développer de nouveaux processus automatisés pour des fonctions commerciales spécifiques ; l’autre ad hoc au sein des organisations, souvent expérimental, tel que l’étude de marché, la synthèse d’idées ou la recommandation d’approches structurées. Cette dernière catégorie est plus difficile à quantifier explicitement. Néanmoins, les études menées auprès des équipes indiquent que ces outils permettent une meilleure productivité. En réalité, certains gains de productivité liés à ces cas d’usage ad hoc ont été si efficaces et reproductibles qu’ils ont été transformés en modèles prédéfinis et codifiés, permettant ainsi d’être appliqué à des équipes plus larges. C’est le début d’un modèle qui devrait être de plus en plus adopté.
Pour l’usage de type prédéfini et codifié pour la plupart des fonctions, le gain de temps standard est l’indicateur de mesure le plus utile. Lorsque les organisations sélectionnent les domaines sur lesquels l’IA doit se concentrer, elles optent pour une analyse, selon la loi de Pareto, des tâches de chaque rôle. L’objectif est de réduire le temps que prend chaque mission, en commençant par la tâche la plus longue. Le plus difficile reste de mesurer le temps passé sur les missions pour lesquelles aucune mesure automatique est en place. Dans ces cas, les organisations se reposent sur les heures déclarées par les collaborateurs, ce qui n’est pas l’idéal.
La réponse est légèrement plus nuancée du côté de la Recherche & Développement. La production de logiciels est un domaine mature pour l’automatisation, mais de multiples rôles sont impliqués dans le processus, notamment les gestionnaires de produits, les développeurs, les testeurs, ou support client. Dans ces cas, il reste pertinent de mesurer les gains de productivité, mais l’IA générative est surtout utile pour les tâches qui concernent plusieurs rôles à la fois et où la collaboration peut être compliquée. Par exemple, l’IA peut capter des modifications apportées aux cas utilisateurs qui sont évoquées lors de réunion Scrum impliquant plusieurs parties prenantes. Ensuite, elle peut mettre à jour automatiquement ces récits dans le système de suivi des tickets.
La productivité de chaque développeur est aussi souvent difficile à suivre. Diverses méthodologies sont utilisées à travers les années pour y parvenir, dont le calcul par point d’effort pour estimer la quantité de travail nécessaire pour réaliser une tâche, la fréquence de déploiement et le taux d’échec des changements. Cependant, la complexité du travail en équipe rend impossible une approche uniforme. Bien que nous utilisions une variété d’indicateurs pour suivre l’impact de l’IA sur la productivité du développement, nous nous reposons encore fortement sur les retours d’expérience des développeurs pour déterminer l’efficacité réelle.
Au sujet de la mesure de l’impact de l’IA sur la productivité de l’entreprise, le plus gros risque est d’avoir une vision trop incrémentale. Si les organisations cherchent uniquement à améliorer leurs processus existants, elles risquent potentiellement de manquer une réinvention totale de ces processus. La plupart des entreprises sont encore dans la phase progressive, mais de plus en plus travaillent pour pousser leur organisation à se réinventer. »
Pour l’usage de type prédéfini et codifié pour la plupart des fonctions, le gain de temps standard est l’indicateur de mesure le plus utile. Lorsque les organisations sélectionnent les domaines sur lesquels l’IA doit se concentrer, elles optent pour une analyse, selon la loi de Pareto, des tâches de chaque rôle. L’objectif est de réduire le temps que prend chaque mission, en commençant par la tâche la plus longue. Le plus difficile reste de mesurer le temps passé sur les missions pour lesquelles aucune mesure automatique est en place. Dans ces cas, les organisations se reposent sur les heures déclarées par les collaborateurs, ce qui n’est pas l’idéal.
La réponse est légèrement plus nuancée du côté de la Recherche & Développement. La production de logiciels est un domaine mature pour l’automatisation, mais de multiples rôles sont impliqués dans le processus, notamment les gestionnaires de produits, les développeurs, les testeurs, ou support client. Dans ces cas, il reste pertinent de mesurer les gains de productivité, mais l’IA générative est surtout utile pour les tâches qui concernent plusieurs rôles à la fois et où la collaboration peut être compliquée. Par exemple, l’IA peut capter des modifications apportées aux cas utilisateurs qui sont évoquées lors de réunion Scrum impliquant plusieurs parties prenantes. Ensuite, elle peut mettre à jour automatiquement ces récits dans le système de suivi des tickets.
La productivité de chaque développeur est aussi souvent difficile à suivre. Diverses méthodologies sont utilisées à travers les années pour y parvenir, dont le calcul par point d’effort pour estimer la quantité de travail nécessaire pour réaliser une tâche, la fréquence de déploiement et le taux d’échec des changements. Cependant, la complexité du travail en équipe rend impossible une approche uniforme. Bien que nous utilisions une variété d’indicateurs pour suivre l’impact de l’IA sur la productivité du développement, nous nous reposons encore fortement sur les retours d’expérience des développeurs pour déterminer l’efficacité réelle.
Au sujet de la mesure de l’impact de l’IA sur la productivité de l’entreprise, le plus gros risque est d’avoir une vision trop incrémentale. Si les organisations cherchent uniquement à améliorer leurs processus existants, elles risquent potentiellement de manquer une réinvention totale de ces processus. La plupart des entreprises sont encore dans la phase progressive, mais de plus en plus travaillent pour pousser leur organisation à se réinventer. »