Raiffeisenbank : 500 ingénieurs ont adopté l'IA, mais la vitesse de développement n'a pas augmenté

Les ingénieurs de la Banque Raiffeisen utilisent activement des outils d'IA — des interfaces de chat et des agents de codage. Sur les graphiques, l'activité semble convaincante : le nombre d'utilisateurs augmente, la fréquence des demandes augmente. Mais lorsque l'équipe a vérifié les métriques réelles, il s'est avéré que la vitesse de développement n'avait pas changé. Marat Kinyabulatov, expert en pratiques Agile et responsable de l'efficacité des équipes d'ingénierie de la banque, a analysé pourquoi la croissance de l'utilisation ne se traduit pas par une accélération.

Le problème qui n'est pas visible sur les tableaux de bord

L'image de la mise en œuvre de l'IA dans une grande entreprise semble généralement prometteuse : les utilisateurs actifs augmentent, les ingénieurs maîtrisent les nouveaux outils, la direction reçoit des rapports positifs. Cela s'avère suffisant pour considérer la mise en œuvre comme réussie.

Le problème émerge plus tard — quand on commence à examiner les métriques commerciales. L'équipe de Kinyabulatov a comparé les indicateurs avant et après la mise en œuvre : le temps de cycle des tâches, la vitesse de lancement des fonctionnalités, le nombre d'itérations avant la production. 500 ingénieurs ont maîtrisé les outils, mais la productivité de l'équipe est restée au même niveau.

Selon Kinyabulatov, ce tableau est typique non seulement de la Banque Raiffeisen. La plupart des entreprises qui mettent massivement en œuvre l'IA dans le développement sont confrontées à la même chose : les métriques d'utilisation des outils augmentent avant que quelque chose ne change dans les processus de travail réels.

Pourquoi l'utilisation ≠ accélération

L'équipe a testé plusieurs hypothèses sur l'impact de l'IA sur la vitesse de développement. La logique initiale semblait raisonnable :

• Les chats d'IA réduisent le temps consacré à la recherche de documentation et d'explications
• Les agents de codage gèrent l'écriture du code modèle et répétitif
• La routine réduite donne aux ingénieurs du temps pour les tâches complexes

En pratique, chacune de ces connexions s'est avérée non-linéaire. Un ingénieur recevant des réponses rapides d'un chat pouvait passer le temps économisé sur des clarifications et des reformulations supplémentaires — plutôt que d'avancer sur la tâche. Un agent de codage générait du code qui devait être révisé et affiné : parfois, cela prenait plus de temps que de l'écrire indépendamment.

"Sur les graphiques, les utilisateurs et l'activité augmentent, les

ingénieurs essaient les outils et s'habituent à la nouvelle réalité, mais lors de la vérification des métriques, il s'avère très souvent que rien ne fonctionne plus vite," écrit Kinyabulatov.

Quelles métriques ont aidé à séparer l'habitude du résultat

Le défi central était de créer un système de mesure qui montre non seulement le fait de l'utilisation des outils, mais aussi leur impact sur les résultats. L'équipe a cherché des corrélations entre l'activité dans les outils d'IA et les indicateurs réels de performance : le temps de cycle, le débit, la proportion de tâches qui ont traversé la production sans retouche.

En parallèle, ils ont étudié les modèles comportementaux — ce qui a exactement changé dans le travail des ingénieurs dont la productivité a augmenté. La différence clé n'était pas la fréquence d'utilisation des outils, mais la façon dont ils étaient intégrés au processus de travail.

Cette analyse a conduit au concept d'Agentic Engineering — une approche où un ingénieur construit des chaînes d'agents d'IA qui gèrent des étapes de travail entières, plutôt que d'appliquer l'IA comme une référence interactive pour des questions individuelles.

Ce que cela signifie

Le cas de la Banque Raiffeisen décrit un problème systémique des transformations d'IA : les métriques visibles de l'utilisation des outils créent une illusion de progrès tandis que la productivité réelle reste inchangée. L'effet réel ne vient pas de la mise en œuvre de la technologie, mais de la restructuration des processus de travail autour de celle-ci. Kinyabulatov promet une analyse détaillée de la façon exacte dont l'équipe a construit l'Agentic Engineering dans la deuxième partie.