L'adoption de l'IA n'a pas accéléré le développement : l'expérience de Raiffeisenbank

Le paradoxe de l'adoption de l'IA : chez Raiffeisenbank, 500 ingénieurs utilisent activement des outils d'IA, chats comme agents de programmation, mais la vitesse de développement n'a pas changé.

Le problème que les dashboards ne montrent pas

L'adoption de l'IA dans une grande entreprise donne généralement un tableau encourageant : les utilisateurs actifs augmentent, les ingénieurs prennent en main de nouveaux outils, la direction reçoit des rapports positifs. Cela suffit souvent à considérer le déploiement comme réussi.

Le problème apparaît plus tard, quand on se penche sur les métriques métier. L'équipe de Kiniabulatov a comparé les indicateurs avant et après l'adoption : temps de cycle des tâches, vitesse de livraison des fonctionnalités, nombre d'itérations avant la production. Les 500 ingénieurs ont appris à se servir des outils, mais la productivité des équipes est restée au même niveau.

Selon Kiniabulatov, ce schéma n'est pas propre à Raiffeisenbank. La plupart des entreprises qui déploient l'IA à grande échelle dans le développement se heurtent à la même chose : les métriques d'usage des outils progressent avant que quoi que ce soit change dans les processus de travail réels.

Pourquoi usage ≠ accélération

L'équipe a testé plusieurs hypothèses sur l'effet de l'IA sur la vitesse de développement. La logique de départ paraissait raisonnable :

• Les chats d'IA réduisent le temps passé à chercher de la documentation et des explications
• Les agents de programmation prennent en charge l'écriture de code répétitif et standard
• Moins de routine laisse aux ingénieurs du temps pour les tâches complexes

En pratique, chacun de ces liens s'est révélé non linéaire. Un ingénieur obtenant des réponses rapides d'un chat pouvait consacrer le temps gagné à des précisions et reformulations supplémentaires plutôt qu'à faire avancer la tâche. Un agent de programmation produisait du code qu'il fallait vérifier et retravailler, ce qui prenait parfois plus de temps que de l'écrire soi-même.

«

Sur les graphiques, les utilisateurs et l'activité augmentent, les ingénieurs essaient les outils et s'habituent à la nouvelle réalité, mais en vérifiant les métriques, on constate très souvent que rien n'est devenu plus rapide », écrit Kiniabulatov.

Quelles métriques ont permis de distinguer l'habitude du résultat

Le défi central a été de bâtir un système de mesure qui montre non pas le fait d'utiliser les outils, mais leur effet sur le résultat. L'équipe a cherché des corrélations entre l'activité dans les outils d'IA et des indicateurs réels d'efficacité : cycle time, throughput et part des tâches passées en production sans retour pour reprise.

En parallèle, elle a étudié les schémas de comportement : qu'est-ce qui changeait précisément dans le travail des ingénieurs dont la productivité avait tout de même augmenté. La différence clé ne tenait pas à la fréquence d'usage des outils, mais à la manière de les intégrer au processus de travail.

Cette analyse a conduit au concept d'Agentic Engineering, une approche dans laquelle l'ingénieur construit des chaînes d'agents d'IA qui prennent en charge des étapes entières du travail, au lieu d'employer l'IA comme un ouvrage de référence interactif pour des questions isolées.

Ce que cela signifie

Le cas de Raiffeisenbank illustre un problème systémique des transformations par l'IA : les métriques visibles d'usage des outils créent une illusion de progrès alors que la productivité réelle reste inchangée. Le véritable effet ne vient pas de l'adoption de la technologie, mais de la refonte des processus de travail autour d'elle. Kiniabulatov promet dans la seconde partie une analyse détaillée de la manière dont l'équipe a construit l'Agentic Engineering.

Pourquoi l'adoption de l'IA n'a-t-elle pas accéléré le développement ?

Le nombre d'utilisateurs et la fréquence d'usage augmentent, mais les métriques réelles montrent que la vitesse de développement n'a pas changé.

Pourquoi l'adoption de l'IA n'accélère-t-elle pas le développement ?

Selon l'expérience de Raiffeisenbank, la hausse du nombre d'utilisateurs d'outils d'IA et de la fréquence d'usage ne garantit pas un développement plus rapide. Marat Kiniabulatov, responsable de l'efficacité des équipes d'ingénierie de la banque, a analysé pourquoi l'activité autour de l'IA ne se convertit pas en accélération du travail réel.