Dernier de trois articles. Un processus peut devenir spectaculairement plus rapide sans que l’entreprise avance vraiment. Le chiffre le plus modeste impressionnait beaucoup moins et servait beaucoup plus.
Avec l’IA, il est très facile d’avoir l’air productif. On produit davantage, l’activité devient plus visible, et tout semble avancer.
L’entreprise a-t-elle avancé plus vite ?
Dans une partie de notre travail, nous avons mesuré la même chose de deux façons.
Mesurée en traitement brut, l’étape était spectaculairement plus rapide que notre façon de faire précédente. C’est le chiffre que l’on cite. Il est réel, vérifiable, et c’est celui qui apparaît dans les présentations.
Mesurée sur le calendrier, du moment où le travail a commencé au moment où il est devenu utile à quelqu’un, l’amélioration n’en représentait qu’une fraction.
L’écart entre les deux chiffres n’est pas une erreur de mesure. C’est l’organisation.
Les revues ont toujours lieu, et c’est normal. Quelqu’un doit lire le livrable.
Les décisions exigent toujours une personne qui en répond, et cette personne a sa propre semaine.
Et une recommandation n’est suivie d’effet qu’après avoir été juste plusieurs fois de suite sous le regard de quelqu’un, ce qui prend le temps que cela prend.
Le travail attend toujours derrière d’autres travaux. L’étape que vous avez rendue quatre fois plus rapide se trouve entre deux étapes que vous n’avez pas touchées, et le processus avance au rythme de ce que vous n’avez pas changé.
L’essentiel de tout cela, c’est le dispositif de contrôle qui fait son travail. Ce ne sont pas des frictions à éliminer par l’ingénierie. Une organisation qui supprimerait tout pour atteindre le grand chiffre aurait supprimé la raison même pour laquelle on fait confiance au résultat.
Il impressionne moins et sert beaucoup plus, pour une raison simple. Il décrit ce que l’organisation peut réellement faire aujourd’hui et qu’elle ne pouvait pas faire avant. Le grand chiffre décrit ce qu’une étape d’un processus peut faire isolément, ce que personne ne vit.
Il y a aussi un argument commercial. Un fournisseur qui annonce un multiple de traitement brut annonce quelque chose qui ne se reproduira pas dans votre environnement, parce que votre environnement a ses propres revues, ses propres validations et ses propres files d’attente. Quand l’amélioration promise n’apparaît pas, le fournisseur n’a techniquement pas eu tort, et le client a tout de même été induit en erreur. C’est une mauvaise façon de construire une relation qui doit durer des années.
Nous préférons annoncer le chiffre qui résiste au contact d’une organisation réelle.
Notre attention est passée de l’étape à l’enchaînement. Dès lors que l’on voit que le chiffre calendaire est freiné par la disponibilité des relecteurs et par la longueur de la file d’attente, ce sont ces points qui méritent d’être travaillés, et aucun des deux ne relève de l’IA.
Dans nos missions clients, c’est le chiffre calendaire que nous pilotons. Ce que vit un client, c’est le temps écoulé entre la première conversation et quelque chose qu’il peut utiliser, puis entre chaque démonstration de jalon et la recette. La mission est donc construite autour des étapes qui, d’habitude, font la queue. Les exigences sont confirmées et signées avant le début du développement, et notre équipe QA revoit chaque jalon avant que le client ne voie la démonstration, de sorte que la recette devient une décision que le client peut prendre en séance. Le déroulement est décrit sur la page Engagement et livraison assistés par l’IA.
Cela a aussi changé ce que nous acceptons de dire publiquement. Nous documentons la mesure qui sous-tend les deux constats de cette série, et nous publierons les chiffres lorsque nous pourrons indiquer exactement ce qui a été mesuré, sur quelle période et par rapport à quel point de référence. Sans cela, un chiffre n’est qu’un décor.
Nous avons commencé cette série en reconnaissant que nous pouvions décrire tout ce que nous avions construit, et presque rien de ce que cela avait changé. En reprenant les choses dans l’ordre, les corrections ont été les suivantes. Mettre de l’ordre dans la connaissance avant de choisir un modèle. Savoir où le traitement a physiquement lieu. Prolonger ce qui fonctionne déjà, sans repartir de zéro. Laisser la responsabilité exactement là où elle était. Puis mesurer les résultats, et non l’activité, et accepter de croire ce que la mesure montre.
Nous ne serons pas l’acteur le plus avancé de ce marché. Nous aimerions être celui dont les chiffres tiennent encore quand un client les mesure de son côté. Nous publierons les nôtres quand la méthode sera rédigée, et cela vaut la peine de demander les leurs à vos fournisseurs.
Fait partie de la série Insights. Recevez les nouvelles analyses par e-mail ou suivez le flux RSS.
Demandez pourquoi un programme d’IA s’est enlisé, et la réponse sera technique. En dessous, il y a généralement une question que personne n’avait correctement formulée, et dont personne n’attendait la réponse.
Il y a un an, les conseils d’administration parlaient de cas d’usage et de preuves de concept. La question posée aujourd’hui est plus difficile, et les études montrent que la plupart des organisations n’y ont pas encore répondu.
En début d’année, nous pouvions décrire tout ce que nous avions construit avec l’IA, et presque rien de ce que cela avait changé. Voici le premier article d’une série sur ce que nous avons fait pour y remédier.
