Eclairages et perspectives
Industrialiser l’IA dans l’IT : les trois piliers que les DSI ne peuvent plus ignorer
Pourquoi l’Agile augmenté est une impasse, et comment le triptyque DevOps – FinOps – Gouvernance redonne aux DSI la maîtrise opérationnelle et économique de l’IA.
Sous l’impulsion d’outils désormais matures — Claude Code, GitHub Copilot, Cursor — et avec l’émergence en 2026 d’agents de développement autonomes tels que Kiro (AWS), Copilot Coding Agent (GitHub) ou Devin (Cognition), les DSI ont acté l’industrialisation de l’IA dans le delivery. Le signal est sans ambiguïté : selon « l’AI Pulse » de JetBrains (janvier 2026, 10 000 développeurs interrogés dans le monde), 90% des développeurs utilisent déjà l’IA dans leur travail quotidien — et 22% font appel à des agents de codage autonomes. La question stratégique n’est donc plus « faut-il adopter l’IA ? », mais « sur quel socle méthodologique la faire reposer pour qu’elle produise de la valeur quantifiable ? ».
L’illusion de l’Agilité augmenté par l’IA
Un certain courant tente de s’imposer comme le nouvel état de l’art et promeut une approche Agile – présumée mature – augmentée à l’aide de l’intelligence artificielle. L’idée : brancher des agents IA sur des équipes Scrum déjà rodées, augmenter les cérémonies et démultiplier le rendement des backlogs. Nos missions sur le terrain racontent une autre histoire. Dans la grande majorité des organisations, l’adoption de l’Agilité est restée imparfaite : les équipes instruisent features, epics et user stories ; mais au moment du sprint l’essentiel manque : les développements sont pilotés par l’urgence. Superposer une couche d’IA sur cette Agilité hétérodoxe revient à automatiser l’imperfection voire l’amplifier : cela accroît ainsi le risque opérationnel. L’approche Agile (Scrum) est structurellement incompatible avec l’IA agentique car elle a été conçue pour adresser des contraintes que l’IA adresse naturellement :
| Contrainte Scrum (2001) | Ce que l'IA change en 2026 |
|---|---|
| *Sprint de 2 semaines* — conçu pour synchroniser des humains travaillant 8h/jour | Les agents s'exécutent 24h/24, sans pause ni jalons. McKinsey documente l'émergence d'un nouveau modèle : daily sprint le matin pour les humains, overnight agent execution la nuit — une boucle continue qui rend le sprint de deux semaines structurellement obsolète |
| Équipe de 7 ± 2 — pour contenir le coût de coordination humaine | Quand les agents prennent en charge la coordination, la contrainte de taille d'équipe disparaît. BCG Platinion documente le cas Spotify : 650 pull requests IA mergées par mois, zéro ligne de code écrite manuellement depuis décembre 2025 |
| User stories — pour découper le travail en unités compréhensibles par des humains | Les agents n'ont pas besoin de récits narratifs — ils ont besoin de spécifications précises et exécutables McKinsey et Thoughtworks convergent vers le spec-driven development comme nouveau standard |
| Vélocité — KPI de référence de la productivité humaine | Les agents opèrent en continu, sans sprints ni pauses. Si les équipes ne sont pas organisées pour en absorber le rythme, l'organisation ralentit là où elle pensait accélérer, créant un goulot d’étranglement |
DevOps : la compatibilité native avec l’IA agentique
Si l’Agile bute sur une posture collective difficile à standardiser, le DevOps offre l’exact inverse : une chaîne outillée, séquencée et mesurable, où chaque étape produit des livrables exploitables par une machine — code versionné dans Git, tickets structurés dans Jira, tests automatisés, infrastructure décrite sous forme de code (Infrastructure as Code – IaC), métriques d’exploitation. C’est précisément ce qui rend l’IA opérable : elle a besoin d’entrées standardisées pour produire des sorties fiables. Chaque pilier CALMS le démontre :
| Pilier CALMS | Ce que cela signifie pour les agents IA |
|---|---|
| Culture de responsabilité partagée | C’est le prérequis pour que le cadre d’orchestration – agent harnessing – qui connecte, supervise et contrôles les agents IA, opère sans silos |
| Automation (CI/CD, tests) | Les pipelines CI/CD ne sont plus seulement des convoyeurs de code : ils deviennent les boucles d'exécution dans lesquelles les agents opèrent, itèrent et livrent — potentiellement 24h/24 |
| Lean (flux continu, réduction du WIP) | Là où Scrum impose des jalons de fin de sprint, le Lean DevOps s’aligne naturellement avec la cadence continue des agents |
| Measurement (DORA metrics, SLOs, traces) | L'observabilité est ce qui rend le harness opérant. Sans données fiabilisées, l’agent est incité à inventer plutôt qu'à vérifier. L'hallucination n'est pas un bug de l'IA — c'est la conséquence d'un défaut de « measurement » |
| Sharing (runbooks, IaC, documentation) | Le contexte partagé est la "mémoire" de l'agent grâce aux artefacts — les runbooks DevOps deviennent ses instructions (parfois formalisés en skills IA) |
Trois réalités qui font du DevOps le cadre natif de l’IA agentique :
- Une chaîne de rôles séquencée et outillée : Business Analyst (BA), Software Engineer (SE) et Quality Assurance (QA) interviennent à des étapes reproductibles — conception, développement, test, déploiement, run — chacune adossée à un outil et à un La valeur ne réside pas dans chaque rôle pris isolément, mais dans leur interconnexion : les outputs d’un agent BA alimentent directement le contexte du Software Engineer, les résultats de test remontent en temps réel au QA, et la vélocité globale s’en trouve améliorée.
- Un marché éditeur précurseur : Harness, Atlassian, GitLab, Digital.ai ont intégré des agents spécialisés à chaque étape de leur plateforme CI/CD dès 2025. Là où l’Agile augmenté reste à l’état de promesse méthodologique, le DevOps augmenté est déjà adopté par les leaders technologiques (Synapsys, 2025).
- Une décomposition du travail « FinOps-compatible » : Un agent ne se facture pas en heures, mais en tokens, en appels de modèles et en cycles d’inférence – une réalité encore massivement ignorée : 96 % des organisations constatent des coûts IA supérieurs à leurs projections (FinOps Foundation, « State of FinOps 2026 »). Le DevOps, parce qu’il séquence naturellement le travail, est le cadre privilégié pour porter la modélisation économique des agents.
Le résultat : là où l’agile augmenté par l’IA reste un slogan, le DevOps augmenté par l’IA est déjà une réalité industrialisable. Cette compatibilité ne va cependant pas sans conditions. Le DevOps augmenté par l’IA nécessite des prérequis concrets : des agents robustes et éprouvés (élimination du risque d’hallucination) et des équipes formées aux nouvelles configurations de l’IA (modèles, context window, etc.). Sans ces fondations, le pipeline CI/CD devient un amplificateur d’erreurs, non un levier de valeur (Eficode, “Transforming software development with AI and DevOps”).
FinOps : rendre le ROI de l’IA quantifiable
Le DevOps augmenté, parce qu’il décompose le travail en tâches « mesurables IA » et repose sur une chaîne CI/CD outillée, ouvre la voie à une modélisation FinOps étendue à l’IA – avantage décisif pour les COMEX.
Selon le « McKinsey Global Survey on the State of AI » (novembre 2025), 88% des organisations utilisent déjà l’IA dans au moins une fonction — et pourtant seules 6% d’entre elles sont capables d’en attribuer un impact mesurable sur leur résultat opérationnel.
A contrario, l’étude FinOps Foundation « State of FinOps 2026 » révèle que 98% des organisations « matures IA » pilotent désormais leurs dépenses IA (contre 63% en 2025 et seulement 31% en 2024).
En deux ans, la gestion des coûts IA est passée d’une préoccupation marginale à une responsabilité existentielle. Les modèles de facturation se sont démultipliés : abonnements aux plateformes, facturation à l’usage (tokens hier, crédits multi-modèles aujourd’hui), coûts cloud par déploiement, coûts d’inférence On-Prem. Cette complexité rend le pilotage des dépenses IA non plus optionnel, mais structurant — sans quoi l’OPEX IA échappe rapidement à tout contrôle.
Une chaîne DevOps bien instrumentée permet d’associer à chaque tâche, chaque agent, chaque pipeline, une consommation de ressources et un coût unitaire :
« Sur ce type de feature, notre coût IA est de X€, notre coût infra et services de Y€, le ROI de Z% » — La conversation que tout COMEX devrait pouvoir avoir avec sa DSI en 2026.
Cette lecture, native en DevOps, permet aux décideurs de visualiser très concrètement le ROI de leurs OPEX en IA, de rationaliser et optimiser leurs usages IA et la transformer en actif maitrisé et mesurable.
Le modèle opérationnel de la DSI, angle mort de l’adoption IA
Adopter le DevOps et le FinOps est nécessaire — mais pas suffisant. Une DSI peut maîtriser ses pipelines, piloter ses dépenses IA et échouer malgré tout sur l’industrialisation IA pour une autre raison : son modèle opérationnel et la gouvernance associée ne s’y prêtent pas. C’est le point aveugle de la plupart des feuilles de route IA que nous observons : toutes les configurations ne se valent pas face à l’IA :
- Les organisations décentralisées par filiale ou BU — encore fréquentes dans les groupes industriels — sont structurellement incompatibles avec une stratégie IA. Les licences y sont achetées de manière dispersée, sans mutualisation ni logique d’économies d’échelle, la gouvernance IA est impossible à opérer (traçabilité, EU AI Act, sécurité) : l’IA y devient un patchwork coûteux d’initiatives locales.
- Les configurations Shared Services (CSP) ou Bimodal (théorisé par Gartner) offrent des économies d’échelle mais peinent à absorber la vélocité de l’IA générative. Le CSP produit des catalogues figés, déconnectés des besoins métiers réels. Gartner, qui sépare l’IT de run (stabilité) de l’IT d’innovation (vélocité), piège l’IA dans le second et rend impossible l’industrialisation des POC, faute de pont entre les deux cultures IT.
- Les configurations Hybrides (centralisé + décentralisé) et Hub & Spoke (centre d’excellence + équipes locales) émergent comme les seules réellement IA-compatibles : un hub central qui concentre les composants IA (données, foundation models, FinOps, gouvernance, conformité EU AI Act) et des spokes ou équipes produit autonomes, qui consomment ces services et développent leurs propres cas d’usage. En maîtrisant l’environnement IA à l’échelle du groupe, il est possible de décliner les outils et solutions pour chaque besoin métier — traduisant la stratégie centrale en valeur opérationnelle locale.
La contrainte réglementaire renforce cette logique : l’EU AI Act impose une traçabilité des systèmes IA à l’échelle du groupe, une classification des cas d’usage par niveau de risque, et une surveillance en temps réel des processus agentiques — autant d’obligations impossibles à opérer sans une instance de gouvernance centrale. C’est précisément l’objet de « l’AI-Authority », abordé dans notre éclairage « Les défis de l’adoption de l’IA dans l’entreprise ». Cette instance centrale agit en consultation de toutes les dimensions du COMEX afin de définir le champ des possibles et les garde-fous stratégiques de l’IA à l’échelle du groupe.
DevOps et FinOps sont les deux jambes de la performance opérationnelle à l’ère de l’IA — l’un industrialise le delivery, l’autre en maîtrise le coût. Mais ces deux frameworks ne délivrent leur plein potentiel qu’adossés à une gouvernance adaptée incluant une AI-Authority capable de porter cette ambition stratégique.
Trois questions à se poser avant fin 2026 :
- Nos chaînes CI/CD sont-elles prêtes à mobiliser des agents IA à chaque étape — ou continuons-nous à déployer l’Agilité augmenté mais perfectible ?
- Sommes-nous capables, aujourd’hui, de produire un TCO par feature incluant les coûts IA ?
- Notre gouvernance IT — encore souvent décentralisée ou éclatée par filiale — est-elle réellement capable de porter une stratégie IA à l’échelle, ou allons-nous superposer une nouvelle couche technologique incompatible ?
Si la réponse à l’une de ces questions est « non », la priorité n’est pas d’accélérer l’adoption — mais de bâtir un socle pensé pour l’IA. Chez Valthena, nous sommes convaincus que la question est « quel triptyque DevOps – FinOps – Gouvernance mettons-nous en œuvre pour que l’IA soit opérationnellement efficace, économiquement maîtrisée, et gouvernable à l’échelle ? ». Répondre à ces trois dimensions est l’objet de notre offre AI Transformation, qui accompagne les organisations de l’adoption à l’industrialisation.
« L’IA n’est pas un produit que l’on installe, c’est une transformation que l’on mène. » — Valthena, « Les défis de l’adoption de l’IA dans l’entreprise », mars 2026
Prenez contact avec nos équipes : contact@valthena.com
