Il y a quelques mois, les filles de la communauté Pépite m’avaient proposé d’écrire un article sur mes sentiments vis-à-vis de l’AI.
À vrai dire, je ne me sentais pas vraiment concernée.
Mon utilisation de l’AI était assez simple : demander à un LLM de me générer un rapport, corriger un texte, reformuler une phrase… Rien qui allait révolutionner ma manière de travailler.
Et puis il y a eu un hackathon.
Le déclic
Le thème était évidemment l’AI.
Je me suis lancée dans le développement d’un outil de suivi de métriques en utilisant la méthode BMAD, avec mes prompts parfois… disons-le franchement… très perfectibles.
Et pourtant, ça fonctionnait.
J’ai réussi à construire quelque chose qui me faisait gagner du temps et qui, surtout, m’a permis d’aller beaucoup plus vite dans certaines étapes du développement.
C’est là que j’ai eu un premier déclic : « Mais attends… en fait, c’est un outil génial. Pas parce qu’il fait tout à ma place. Mais parce qu’il peut accélérer énormément le delivery. »
Et cette réalisation m’a amenée à une autre question, beaucoup plus personnelle :
Est-ce que j’étais simplement en train de résister au changement ?
Et peut-être même pire : est-ce que j’avais peur ?
Mystère. 🕵️♀️
Alors j’ai décidé d’expérimenter
Plutôt que de rester dans mes suppositions, je me suis donné un plan d’action : comprendre.
Comprendre ce qui se passe réellement autour de l’AI.
J’ai discuté avec différentes personnes, notamment des CTO,d’autres profils qui expérimentaient déjà l’AI dans leur quotidien.
- J’ai observé leurs usages.
- J’ai testé.
- J’ai cassé des choses.
- J’ai recommencé.
Bref : expérimenter pour comprendre.
Et petit à petit, j’ai compris quelque chose.
Ma crainte n’était pas vraiment liée à l’AI. Elle était liée à la manière dont on l’utilise.
Le vrai sujet : garder la maîtrise
Dans mon métier, celui du test, il y a une réalité assez importante :
Le vrai challenge n’est pas toujours d’exécuter un test.
Le vrai challenge commence bien avant :
- Est-ce que le besoin est clair ?
- Est-ce que les spécifications sont suffisamment précises ?
- Est-ce que les critères d’acceptation sont compréhensibles ?
- Est-ce qu’on sait exactement ce qu’on cherche à valider ?
Et c’est là que l’AI m’a fait réfléchir.
Clean input, clean output. Si je donne à l’AI un contexte incomplet, ambigu ou mauvais, je ne devrais pas être surprise d’obtenir une réponse qui l’est également.
L’AI ne supprime pas le besoin de réflexion. Elle peut même parfois rendre nos problèmes plus visibles.
Et c’est probablement là que se trouve une partie du changement de paradigme.
Avant, je pouvais passer du temps à chercher, rédiger, comparer, reformuler.
Aujourd’hui, l’AI peut faire une grande partie de ce travail très rapidement.
Mais quelqu’un doit toujours savoir :
- Quoi demander
- Pourquoi le demander
- Comment vérifier le résultat
- Quoi en faire
Et puis il y a eu… les tokens
Ah, les tokens.
Il y a eu un jour où j’avais consommé tous mes tokens.
Et là, soudainement, retour à la réalité.
Je voulais simplement modifier le code.
Et je me suis retrouvée devant mon écran à me dire : 😂
« Bon… maintenant je fais comment ? »
Cette situation, qui peut sembler anodine, m’a fait réaliser quelque chose d’important.
Quand on commence à intégrer l’AI profondément dans son workflow, on peut rapidement devenir dépendant de certains usages.
Et cette dépendance pose une vraie question :
Est-ce que l’outil augmente ma maîtrise ou est-ce qu’il commence à la remplacer ?
Ce n’est pas exactement la même chose.
L’addition
C’est là que je vois un autre risque.
Déployer de l’AI sans avoir réfléchi aux fondations, au workflow, à la gouvernance, à l’industrialisation et aux responsabilités peut rapidement devenir coûteux.
On peut facilement se retrouver à vouloir passer à l’échelle avant même d’avoir correctement exécuté l’exercice de base.
Un peu comme vouloir faire du load testing alors qu’on n’a même pas correctement préparé son environnement. 😅
Le problème n’est alors plus :
« Est-ce que l’AI fonctionne ? »
Mais plutôt :
« Est-ce que nous sommes prêts à l’utiliser à grande échelle ? »
Et avec ça, une série de questions bien précises :
- Qui construit les agents ?
- Qui les maintient ?
- Qui valide leurs outputs ?
- Qui gère les coûts ?
- Qui maîtrise les données utilisées ?
- Que se passe-t-il quand le modèle se trompe ?
- Comment mesure-t-on réellement le gain ?
- Et surtout : quelle place laisse-t-on encore à l’humain dans la boucle ?
Finalement, je ne résistais pas à l’AI
Avec le recul, je pense que je ne résistais pas vraiment à l’AI.
Je résistais à l’idée de perdre une partie de ma maîtrise.
Et cette nuance est importante.
Aujourd’hui, je vois l’AI comme un outil extrêmement puissant pour :
- Accélérer le delivery
- Explorer des idées
- Automatiser certaines tâches
- Augmenter nos capacités
Mais justement parce qu’il est puissant, il faut apprendre à bien l’utiliser.
Il ne suffit pas de donner un prompt à un LLM et d’attendre un miracle.
Il faut :
- Travailler ses inputs
- Comprendre ses outputs
- Mettre en place les bonnes fondations
- Mesurer
- Contrôler
- Expérimenter
- Et surtout, savoir quand reprendre la main
Mon apprentissage est assez simple : l’objectif n’est peut-être pas de laisser l’AI faire notre travail.
L’objectif est de devenir meilleur dans la façon dont nous travaillons avec elle.
Et ça, pour moi, a complètement changé ma façon de regarder l’AI.