Résumé des points clés
Cet article se concentre sur la pratique du développement d'origine AI (AI-native) au sein des entreprises et explique pourquoi ces dernières peuvent ressentir un sentiment de « déconnexion » lorsqu'elles s'engagent dans cette voie (utiliser l'IA pour améliorer l'efficacité individuelle est facile, mais sa mise en œuvre à l'échelle de l'organisation est plus complexe). Il présente ensuite la méthode SDD (Spec-Driven Development), une approche d'origine AI au niveau organisationnel. À travers des exemples concrets de réorganisation de projets, l'article compare les caractéristiques, avantages et inconvénients des outils Spec-Kit et BMAD. Enfin, il souligne que l'essence du développement d'origine AI réside dans la réorganisation des processus de collaboration : il s'agit de faire en sorte que les équipes s'adaptent aux capacités de l'IA, et non simplement de permettre à chaque individu d'utiliser des outils IA.
I. Pourquoi les entreprises peuvent-elles trouver le développement d'origine AI peu attrayant ou même déconnectant ?
Lorsque les individus utilisent l'IA pour écrire du code, ils constatent souvent une augmentation significative de l'efficacité. Cependant, lorsqu'une entreprise décide de mettre en œuvre un développement d'origine AI, elle se heurte à de nombreux problèmes perçus comme peu pratiques :
- Comment définir les droits d'accès ? Quelles tâches peut l'IA effectuer automatiquement ? Qui va vérifier les propositions de modification (PR) ?
- Que faire en cas de doublons dans les listes de tâches générées par l'IA ? Qui est responsable en cas d'échec des tests unitaires ?
- Qui est responsable en cas de problèmes lors de la fusion automatique du code ? Les messages envoyés par l'IA pour solliciter des informations peuvent-ils offenser les collègues ?
Ces règles et mécanismes de prise en charge des erreurs peuvent sembler insignifiants, mais ils sont essentiels. Pour les individus, l'objectif est la rapidité ; pour les organisations, c'est une rapidité stable et fiable. Les moments de surprise occasionnels ne suffisent pas : l'IA doit fonctionner sans erreur et de manière contrôlable au sein des processus aziendaux.
II. L'essence du développement d'origine AI : ce n'est pas « que tout le monde utilise l'IA », mais plutôt « l'IA participant à la collaboration »
De nombreuses entreprises pensent que l'utilisation de outils comme ChatGPT pour écrire du code constitue déjà un développement d'origine AI, mais elles se trompent. L'essence réelle du développement d'origine AI est de faire en sorte que l'IA intègre les flux de travail, de collaboration et de livraison des équipes en tant que membre virtuel. Par exemple, un IA pourrait :
- Écouter automatiquement les discussions de groupe et les journaux pour identifier des problèmes et organiser des tâches ;
- Créer des exigences, modifier du code, exécuter des tests et soumettre des propositions de modification (PR) de manière autonome ;
- Demander aux responsables d'apporter des informations supplémentaires en cas de manque de contexte ;
- Même utiliser deux modèles pour réviser conjointement des codes à faible risque.
Le changement clé est de passer de la question « L'IA peut-elle m'aider à écrire du code ? » à la question « Selon quels critères l'IA doit-elle écrire le code ? », ce qui implique de fournir à l'IA des règles claires, des limites pour les exigences et une logique commerciale afin qu'elle puisse produire des résultats stables.
III. SDD : Le développement guidé par les spécifications (Spec-Driven Development)
Le SDD est une méthode qui consiste à définir des règles précises pour l'IA, en utilisant des spécifications claires (exigences, solutions, tâches) pour guider son développement et éviter qu'elle ne fonctionne de manière aléatoire. L'outil Spec-Kit sur GitHub a popularisé cette approche.
- Rôle essentiel : fournir à l'IA un environnement contextuel stable (limites des exigences, règles de codage, contraintes commerciales), ce qui permet une utilisation plus organisée et réduit les retours de travail et les gaspillages d'énergie au sein de l'organisation. Par exemple, Spec-Kit standardise les exigences, les solutions et les tâches dispersées, permettant à l'IA de suivre des étapes bien définies.
- Nature fondamentale : transformer l'IA d'un assistant libre en un collaborateur qui agit selon des règles établies, offrant ainsi une base commune pour la collaboration au sein de l'équipe.
IV. Comparaison pratique entre Spec-Kit et BMAD
1. Spec-Kit : Comme un « modèle de processus fixe »
- Caractéristiques : Processus clair (définir → planifier → organiser les tâches → mettre en œuvre), avec une standardisation obligatoire. Adapté aux projets simples et aux équipes bien organisées (avec des normes et plusieurs répertoires de code).
- Problèmes : Lorsque les projets sont complexes (de nombreux répertoires, plusieurs rôles), il est nécessaire d'ajouter de nombreux mécanismes supplémentaires (adaptation aux différents répertoires, vérification des compatibilités). Par exemple, l'utilisateur doit encapsuler lui-même les commandes pour indiquer à l'IA où se trouvent le code front-end et back-end, et vérifier si les API ne sont pas en conflit.
2. BMAD : Comme une « équipe virtuelle avec des IA »
- Caractéristiques : Intègre des rôles tels que celui de produiteur, d'architecte et de testeur ; propose des révisions collectives (avec plusieurs personnes critiquant les propositions). Permet de combler les lacunes dans les compétences. Par exemple, aide l'utilisateur à prendre en compte les impacts du changement sur le système en ligne ou à identifier des problèmes liés aux systèmes existants, tout en supprimant 13 exigences inutiles.
- Problèmes : Le travail de révision est volumineux et psychologiquement lourd ; chaque détail doit être examiné, ce qui peut être particulièrement difficile dans les domaines où l'utilisateur n'est pas expert (par exemple, un testeur front-end évaluant une solution back-end). Le temps nécessaire pour cette approche peut même être plus long que celui d'une collaboration humaine.
V. Choix de l'outil en fonction de l'équipe
- BMAD est adapté aux : Petites équipes manquant de certains rôles (par exemple, d'architecte), qui ont besoin de l'IA pour combler des lacunes dans leurs compétences. Il permet de simuler le fonctionnement d'une équipe complète et d'éviter des erreurs.
- Spec-Kit est adapté aux : Équipes compétentes avec une bonne organisation (avec des normes et plusieurs répertoires de code), qui nécessitent que les résultats fournis par l'IA soient plus contrôlables. Il permet à l'IA de travailler efficacement dans le cadre des systèmes existants.
En conclusion, le développement d'origine AI ne consiste pas simplement à accumuler des outils, mais à réorganiser les processus pour que les équipes s'adaptent aux capacités de l'IA, afin de transformer réellement l'efficacité de l'IA en efficacité organisationnelle.