Former des équipes techniques qui maîtrisent l'IA : le guide interne de GitLab

Donnez le même outil d'IA à deux équipes d'ingénierie et vous obtiendrez deux résultats très différents. L'une livrera plus rapidement avec moins de bogues, tandis que l'autre se fera piéger par un agent qui génèrera avec assurance des résultats erronés.

Chez GitLab, nos équipes disposaient d'outils d'IA à portée de main et certains membres en ont rapidement tiré une réelle valeur ajoutée, en accélérant leur productivité et en détectant les problèmes plus tôt. D'autres, en revanche, n'avaient pas encore trouvé de point d'entrée pour développer des workflows efficaces d'IA native.

Nous avons appris que développer la maîtrise de l'IA, c'est-à-dire savoir ce que nos équipes peuvent déléguer à l'IA, comment construire les bons processus intégrant l'IA native et comment évaluer les résultats obtenus, était tout aussi essentiel que l'adoption et l'accès aux outils d'IA. Développer cette maîtrise à l'échelle de GitLab représentait à la fois un défi opérationnel et technique, qui nécessitait une collaboration étroite entre nos équipes Enterprise Technology et Talent Development.

Dans cet article, nous partageons notre guide interne afin que d'autres responsables techniques puissent bénéficier d'une perspective supplémentaire sur la manière d'encourager une adoption pertinente de l'IA au sein de leurs propres organisations.

Une stratégie d'IA adaptée à notre rythme de travail

Pour définir les bonnes orientations pour nos équipes techniques, nous devions d'abord établir une infrastructure de base intelligente. L'équipe Enterprise Technology a envisagé plusieurs structures de gouvernance. La première consistait en une équipe entièrement centralisée, mais nous craignions qu'avec la rapidité d'évolution de l'IA, les autorisations de mise en production délivrées par un seul groupe ne finissent par constituer un goulot d'étranglement. En conséquence, les membres de l'équipe risquaient de s'impatienter et de tenter de contourner l'infrastructure de gouvernance en effectuant des expérimentations avec l'IA. La seconde option consistait en une approche entièrement décentralisée, mais cela risquait de fragmenter les efforts au sein de l'entreprise, ce qui aurait accru la complexité et rendu difficile le maintien d'une cohérence au niveau des garde-fous.

Nous avons finalement opté pour un modèle hybride, intégrant gouvernance et accompagnement dans une approche tirant le meilleur parti des stratégies centralisées et décentralisées :

• Enterprise AI comme pôle central de gouvernance et de technologie : rattachée à notre équipe Enterprise Technology, l'équipe Enterprise AI fonctionne comme une plateforme centrale qui définit les normes ainsi que les garde-fous de sécurité. Cette équipe pilote également la stratégie globale pour nos principaux fournisseurs d'IA et nos solutions développées en interne qui soutiennent la gouvernance et le contrôle ; tout autre outil d'IA s'appuie sur ces garde-fous.
• Les AI Transformation Owners élaborent une stratégie d'IA décentralisée et spécifique à chaque fonction : chaque fonction dispose d'un AI Transformation Owner intégré, soit un responsable senior suffisamment proche du terrain pour identifier les domaines où l'IA peut aider à l'automatisation des tâches.
• Les AI Champions font la promotion des bonnes méthodes d'adoption et d'accès : une communauté d'AI Champions fait office de centre d'excellence interne. Elle est composée de personnes issues de chaque fonction qui sont les premières à effectuer des expérimentations, à soutenir leurs collègues et à contribuer à la promotion de l'adoption de l'IA telle que définie par l'équipe Enterprise AI et les AI Transformation Owners.

« Chez GitLab, l'une des valeurs que nous offrons à nos clients est la rapidité maîtrisée. En interne, l'un de nos principes de fonctionnement est la rapidité alliée à la qualité. Notre modèle de gouvernance combine ces deux dimensions : il permet aux équipes de livrer rapidement, avec un haut niveau de qualité, tout en respectant les exigences de gouvernance et de conformité de l'entreprise. » – Manu Narayan, CIO

Il en résulte un modèle fédéré dans lequel les outils d'IA fondamentaux sont gouvernés de manière centralisée, tandis que l'expérimentation et la stratégie fonctionnelle se développent localement, là où l'action se déroule.

La collaboration au cœur de la réussite de cette approche

Pour que chaque groupe puisse jouer efficacement son rôle dans ce modèle, il fallait aussi comprendre où se situaient nos équipes dans leur parcours d'IA.

L'équipe Talent Development a aidé l'équipe Enterprise Technology à rendre l'accès à l'IA à la fois utile et personnalisé. Un ingénieur senior et un nouvel arrivant n'ont pas besoin du même type d'accompagnement. Nous avons donc conçu un outil d'auto-évaluation, l'AI Literacy Ladder, qui identifie le niveau réel de maîtrise de l'IA de chaque membre de l'équipe et recommande un parcours adapté à son rôle, y compris un parcours d'apprentissage spécifique et dédié à l'ingénierie.

Les parcours destinés à l'ingénierie se concentrent sur les connaissances pratiques et les workflows : planification, revue de code, résolution d'un pipeline défaillant et correction de vulnérabilités de sécurité. Ancrer le programme dans le quotidien de chacun favorise une maîtrise durable de l'IA.

« Notre objectif n'était pas d'enseigner les outils d'aujourd'hui, mais de développer le discernement et les compétences durables qui permettent à nos équipes de s'adapter en toute confiance à l'évolution continue de l'IA. » – Rob Allen, Chief People Officer

Nous avons associé l'AI Literacy Ladder à des formations pratiques de perfectionnement. Des sessions destinées à l'ensemble de l'entreprise ont permis à chacun d'acquérir un socle commun, suivies de sessions spécifiques à chaque fonction. Pour les ingénieurs, nous avons organisé des ateliers avancés, comprenant des travaux pratiques : 87 % des participants ont déclaré avoir acquis des connaissances qu'ils pouvaient mettre en pratique immédiatement. Dans le cadre d'une série d'ateliers non techniques, 95 % des participants ont déclaré qu'ils étaient susceptibles de mettre en pratique ce qu'ils avaient appris dans les deux semaines suivant l'atelier, et 92 % ont indiqué avoir gagné en confiance dans l'utilisation de l'outil d'IA présenté pendant l'atelier.

D'après les retours obtenus sur les formations, plus de 87 % des ingénieurs ayant participé ont confirmé qu'ils étaient susceptibles de mettre en pratique ce qu'ils avaient appris au cours des deux semaines suivantes. Et un mois après le lancement de l'initiative AI Literacy Ladder, nous avons constaté une hausse de 22,3 % des interactions quotidiennes avec le principal outil interne d'IA pour le code, en lequel nos ingénieurs ont confiance.

Évaluation globale de l'impact du programme

Pour mesurer la réussite du programme, nous suivons trois indicateurs clés :

• La portée nous indique combien de membres des équipes effectuent l'auto-évaluation et suivent les parcours.
• La profondeur nous indique si les membres des équipes progressent régulièrement dans les parcours.
• La valeur appliquée, mesurée à travers les retours d'expérience recueillis lors des ateliers, permet de déterminer si les ingénieurs trouvent une utilité concrète aux formations. Nous examinons également si l'utilisation des outils progresse de manière significative en corrélation avec le lancement du programme.

Nous évaluons tous ces éléments conjointement, car pris isolément, ils ne reflètent pas toute la réalité. Ensemble, ils nous aident à mieux déterminer la façon dont l'accompagnement favorise réellement la maîtrise de l'IA et génère de la valeur à mesure que notre transformation liée à l'IA progresse.

Enseignements à retenir pour construire votre propre guide

Il est impossible de définir la stratégie d'adoption de l'IA parfaite. L'IA évolue extrêmement rapidement et interagit avec la culture et les processus internes de façon différente dans chaque organisation. Votre stratégie d'adoption doit pouvoir s'adapter à mesure que le marché évolue.

Si vous en êtes encore aux prémices de ce parcours, voici six enseignements tirés de notre propre approche qui ont contribué à notre réussite :

1. Réunissez les équipes Enterprise Technology et Talent Development dès le premier jour. L'adoption est autant un enjeu opérationnel et de changement de comportement qu'un enjeu technique, et aucune de ces fonctions ne peut y répondre seule.
2. Mettez en place une gouvernance qui évolue au rythme de l'adoption de l'IA. De nouveaux outils d'IA sortent chaque semaine ; la gouvernance doit donc permettre à l'équipe Enterprise Technology de garder le contrôle sans ralentir l'adoption, l'expérimentation ni la mise hors service de certains outils.
3. Adaptez-vous au niveau de chacun plutôt que d'imposer un programme unique. Les membres des équipes adoptent l'IA à des rythmes différents. Il est essentiel de proposer un programme concret pour développer efficacement la maîtrise de cette technologie chez les personnes qui l'adoptent plus tardivement.
4. Considérez l'accompagnement à l'IA comme un produit en constante évolution. Les outils d'IA sur lesquels repose le travail de vos équipes vont continuer à évoluer. La maîtrise de ces outils doit être soutenue en continu grâce aux ressources des équipes Talent Development et Enterprise Technology.
5. Enseignez un esprit critique durable. L'utilisation des outils et des fonctionnalités d'IA ne représente qu'une petite partie de la maîtrise. Savoir comment et quoi déléguer à l'IA, ainsi qu'évaluer les résultats qu'elle produit, sont tout aussi importants.
6. N'attendez pas d'élaborer la stratégie d'accompagnement parfaite. L'IA évolue trop rapidement pour attendre une stratégie aboutie. Le progrès repose sur l'accumulation de petites victoires et sur l'itération à partir de celles-ci.

L'IA transforme les organisations, et bien plus rapidement que ce que quiconque aurait pu anticiper. Nous sommes d'avis qu'il faut donner à nos équipes les outils et l'infrastructure qui les aideront à adopter l'IA et à développer la maîtrise nécessaire pour l'utiliser dès aujourd'hui dans leur travail quotidien. La collaboration entre nos équipes Enterprise Technology et Talent Development est au cœur de la façon dont nous construisons cette culture centrée sur l'IA, étape par étape.

Si vous souhaitez savoir comment renforcer la maturité de votre organisation en matière d'IA, GitLab propose également une évaluation de la modernisation avec l'IA pour vous aider à accélérer le développement alimenté par l'IA grâce à une roadmap personnalisée. Réalisez cette évaluation pour connaître le niveau de maturité de votre organisation à mesure que vous continuez à bâtir des équipes d'ingénierie assistées par l'IA.