Auchan Tech a montré comment l’AI permet à un analyste système d’économiser jusqu’à 70 % de temps sur les tâches routinières

Auchan Tech a publié une analyse pratique montrant comment les modèles génératifs s'intègrent déjà au travail quotidien d'un analyste système. La conclusion principale de l'auteur est simple : l'IA ne libère pas l'analyste de sa responsabilité, mais est capable d'accélérer significativement la préparation des questions, diagrammes et brouillons d'exigences.

Trois Scénarios de Travail

Le matériel analyse trois tâches typiques qu'un analyste rencontre dans pratiquement chaque cycle produit : la collecte et clarification des exigences, la modélisation des processus et la préparation des Use Cases. L'auteur compare ce que produisent les modèles avec une requête simple par rapport à un prompt structuré avec rôle, contexte, contraintes et format de réponse attendu. Les exemples utilisent ChatGPT, Qwen et DeepSeek, en mettant l'accent non pas sur la « magie » du modèle, mais sur ce que l'analyste doit fournir en entrée.

• Liste de questions de clarification pour le stakeholder sur un compte personnel
• Diagramme PlantUML d'enregistrement d'utilisateur dans une boutique en ligne
• Use Case pour le tri des avis sur une fiche produit
• Comparaison des prompts basiques et détaillés par qualité de résultat

Où l'IA est Déjà Utile

L'exemple le plus parlant concerne la collecte des exigences. Pour une demande concernant un compte personnel avec visualisation des commandes et édition des données de contact, un prompt basique a produit beaucoup de bruit : questions générales, sujets inutiles et structure faible. Mais quand l'auteur a exigé de se concentrer sur la logique métier, les rôles, les contraintes, les scénarios alternatifs et les dépendances, les modèles ont commencé à produire une liste beaucoup plus utilisable. Selon l'évaluation de l'auteur, cette méthode peut générer environ 80 % des questions nécessaires en cinq minutes au lieu de quarante minutes de préparation manuelle.

Un tableau similaire a émergé avec les diagrammes. Si vous demandez simplement du code PlantUML pour l'enregistrement d'utilisateur, le modèle dessine un squelette trop générique. Lorsque le prompt a ajouté les participants du système, les champs obligatoires, les scénarios alternatifs, les codes de statut HTTP, les erreurs et les exigences de formatage, le résultat est devenu notablement plus proche de quelque chose de présentable à un architecte. Le framework du diagramme a été assemblé en 10–15 minutes au lieu d'environ 30, mais les exceptions et règles métier ont dû être clarifiées manuellement.

L'effet avec les Use Cases est similaire : une requête de modèle produit une description floue, tandis qu'une requête détaillée produit un brouillon quasi technique avec préconditions, postconditions, scénario principal, alternatives, paramètres API et codes de réponse. Particulièrement utile est le fait que le modèle puisse immédiatement décomposer le scénario en logique côté client et côté serveur.

Mais c'est ici que le risque d'hallucinations devient le plus apparent : l'IA ajoute facilement des champs, des vérifications et des règles qui n'existent en réalité pas dans le système.

« L'IA ne remplacera pas l'analyste, mais peut lui économiser jusqu'à

70 % du temps sur les tâches routinières. »

Où les Risques Commencent

L'article parcourt assez sobrement les limitations. D'abord, la qualité de la sortie dépend directement de la qualité de l'entrée : un prompt faible produit presque certainement un résultat faible. Deuxièmement, le modèle ne connaît pas le contexte interne de l'entreprise, il ne devinera donc pas les véritables intégrations, les contraintes réglementaires et les accords entre les équipes. Troisièmement, lorsque vous travaillez avec des services cloud, la sécurité devient une préoccupation : y télécharger des données sensibles, des schémas internes et des exigences non lancées est risqué si l'entreprise n'a pas de règles claires et de périmètre protégé.

Séparément, l'auteur rappelle que la responsabilité finale n'est pas déléguée au modèle. La vérification de la logique, la validation des exigences, la correction des détails API et la signature du TZ restent la tâche de l'humain. Par conséquent, le meilleur cas d'usage pour l'IA ici n'est pas « écrire le document à ma place », mais « faire le premier cadre, mettre en évidence les lacunes, suggérer des alternatives et accélérer la routine ».

L'article se termine par une brève liste de contrôle des prompts : définir un objectif spécifique, attribuer un rôle au modèle, décrire le contexte, fixer le format de réponse, exiger de la précision, demander des questions de clarification et toujours vérifier manuellement le résultat.

Ce Que Cela Signifie

Pour l'analyse de systèmes, l'IA passe du mode expérimental à un outil de travail, mais seulement en combinaison avec un humain fort à l'entrée et à la sortie. Les équipes gagnantes ne sont pas celles qui ont simplement « branché GPT », mais celles qui ont appris à transformer les modèles en un brouillon rapide d'exigences, de diagrammes et de scénarios techniques sans perdre le contrôle de qualité.