Le responsable principal de l’ingénierie affirme que les responsables de livraison doivent adopter des systèmes en temps réel basés sur les signaux
Un responsable principal de l’ingénierie chez Microsoft partage comment l’IA transforme la gestion de projets, passant de la coordination manuelle à l’orchestration intelligente — et présente les systèmes signal-first utilisés par ses équipes pour garder une longueur d’avance.
Chandrasekar Srinivasan
Responsable principal de l’ingénierie
Clarté technique: Chandrasekar Srinivasan souligne l’importance d’une orientation architecturale claire dans la gestion de projet.
Transformation par l’IA: L’IA fait passer la gestion de projet de la coordination à l’orchestration, améliorant l’efficacité sans éliminer les rôles humains.
Gestion des dépendances: La synthèse assistée par l’IA améliore la visibilité et la prise de décision en consolidant l’état et les dépendances d’un projet.
Workflows agentiques: L’exploration des workflows agentiques renforce la détection de risques et le suivi de projet inter-équipes, facilitant la collaboration.
Confiance dans l’IA: Établir la confiance dans les résultats de l’IA est essentiel à son adoption ; les équipes doivent privilégier la fiabilité et la transparence.
Chandrasekar Srinivasan est Principal Engineering Manager chez Microsoft. Avec plus de 15 ans d’expérience dans les systèmes distribués, le cloud et l’IA, il a mené aussi bien des initiatives de plateformes en phase de démarrage que des projets à grande échelle.
Nous nous sommes entretenus avec lui pour avoir un aperçu de la façon dont il repense la livraison de projet dans un environnement natif à l’IA. Voici ce qu’il nous a confié.
Clarté technique et alignement dans l’exécution
Je suis Chandrasekar Srinivasan, Principal Engineering Manager chez Microsoft. Je dirige de grandes équipes qui développent des plateformes cloud de niveau Tier-0 à grande échelle et je bénéficie de plus de 15 ans d’expérience dans les systèmes distribués, le cloud et l’IA. Tout au long de ma carrière, j’ai mené aussi bien des initiatives de plateformes de 0→1 que de 1→100 sur des systèmes de plan de contrôle et de plan de données, en mettant l’accent sur la fiabilité, l’échelle, la sécurité, la conformité et l’exécution transversale à l’organisation.
Unlock for Free
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Dans la livraison de projets, j’apporte la clarté technique et l’alignement dans l’exécution. Cela comprend la définition de la direction architecturale, la résolution des ambiguïtés, le déblocage des équipes, l’alignement entre partenaires, l’escalade précoce des risques, l’accompagnement des engagements clients, et la constitution des équipes (recrutement/développement) pour assurer la réussite de la livraison.
Pourquoi l’IA transforme la livraison de projet : de la coordination à l’orchestration
L’IA est en train de s’intégrer dans quasiment tous les aspects de la livraison de projet. Elle ne remplace pas le leadership ou le jugement technique, mais elle réduit fortement la charge d’exécution. Elle modifie fondamentalement la gestion de projets, qui passe ainsi de la coordination à l’orchestration.
L’IA modifie fondamentalement la gestion de projets, qui passe de la coordination à l’orchestration.
Mes équipes recourent à l’aide de l’IA pour accélérer la programmation et la revue de code, à des chatbots sémantiques pour réduire la charge du support et à la synthèse automatisée pour résumer la communication entre réunions, fils de discussion et documents. Nous utilisons également l’IA pour accélérer la rédaction technique et améliorer la visibilité grâce à des tableaux de bord automatisés qui mettent en lumière les retards et les risques d’exécution.
En conséquence, je consacre désormais moins de temps à la synthèse manuelle, à la documentation répétitive et à la coordination routinière. J’accorde plus de temps à des tâches à forte valeur ajoutée : prise de décisions architecturales, gestion des dépendances entre équipes, gestion des ambiguïtés, amélioration de la priorisation et accompagnement des équipes pour cibler les risques de livraison les plus critiques.
Comment les approches pilotées par l’IA gèrent les dépendances inter-équipes
Dans notre environnement, les dépendances concernent des dizaines d’équipes, et les mises à jour se diffusent naturellement à travers les systèmes de projet, les fils de communication et les flux de travail techniques. Traditionnellement, rassembler toutes ces informations nécessitait un effort manuel conséquent, et nous détections des risques plus tard que nous ne l’aurions souhaité.
Nous avons introduit une première version légère qui rassemblait un ensemble ciblé de signaux issus de ces systèmes — données de suivi de projet, mises à jour d’équipe et artefacts de communication — et utilisé la synthèse assistée par IA afin de générer une vue consolidée de l’état d’avancement et des dépendances du projet. Nous avons alors commencé à voir cela comme une évolution vers un modèle de livraison axé sur les signaux, où des signaux en évolution continue guident les décisions plutôt que de simples rapports périodiques sur l’état d’avancement.
Nous nous dirigeons vers un modèle de livraison axé sur les signaux, où des signaux en constante évolution guident les décisions plutôt que des rapports de situation périodiques.
Cette approche a déjà permis à l’équipe de passer du temps consacré à la collecte des mises à jour à l’action sur celles-ci. Mais plus important encore, nous sommes désormais en train de standardiser cette capacité — en l'intégrant plus profondément à nos systèmes de livraison afin qu’elle devienne une partie intégrante de notre gestion de la visibilité projet et du suivi d’exécution, plutôt qu’un flux de travail parallèle. Pour nous, la principale leçon a été que la valeur ne réside pas dans l’automatisation totale de la livraison, mais dans la création d’un système qui améliore continuellement la visibilité et la prise de décision à grande échelle.
Comment l’IA soutient l’automatisation et où le jugement humain demeure essentiel
Les domaines les plus mûrs pour le soutien de l’IA sont la synthèse des statuts, le suivi des dépendances, l’identification des risques, la documentation, la communication de routine, la conception, le codage et la relecture de code. L’IA peut aider en rassemblant des informations de différents systèmes, en résumant ce qui a changé, en identifiant des obstacles potentiels, en mettant en avant les écarts d’exécution et en suggérant des actions de suivi.
Cela dit, aucun de ces domaines n’est véritablement « totalement automatisable » dans un environnement de livraison significatif. Le jugement humain reste essentiel pour la priorisation, la prise de décisions sur les compromis, l’alignement organisationnel, la résolution des conflits, l’orientation architecturale et le leadership humain. La meilleure utilisation de l’IA aujourd’hui n’est pas de retirer l’humain de la boucle, mais de réduire la lourdeur opérationnelle afin que les ingénieurs et les dirigeants puissent se concentrer sur les décisions à plus forte valeur ajoutée.
La meilleure utilisation de l’IA n’est pas de retirer l’humain de la boucle, mais de réduire la lourdeur opérationnelle afin que les dirigeants puissent se concentrer sur les décisions à plus forte valeur ajoutée.
Les évolutions de notre stack nous ont fait passer d’artefacts de statut statiques et mis à jour manuellement à des flux de travail assistés par l’IA et pilotés par requête, qui fournissent des informations plus rapidement et réduisent le travail manuel.
Le paysage des outils évolue à une vitesse surprenante. Ce qui paraît avancé aujourd’hui peut rapidement devenir un prérequis. Notre stack intègre de plus en plus d’outils d’IA tels que :
- GitHub Copilot — Nous l’utilisons pour accélérer le codage, suggérer du code, suivre les projets et améliorer la productivité des développeurs lors de la mise en œuvre. Le soutien à la relecture automatisée du code a été particulièrement précieux et reste, dans de nombreux cas, encore sous-estimé. Il aide les ingénieurs à détecter les problèmes plus tôt, à améliorer la qualité du code et à accélérer les développements sans nécessiter le même niveau d’effort manuel pour chaque modification de routine.
L’impact le plus important a été une vitesse d’itération accrue et une réduction du labeur lors de la revue, tout en permettant aux humains de se concentrer sur les questions de conception et de rigueur plus profondes. - Azure Copilot / assistants IA — Nous les utilisons pour la documentation technique, la synthèse, la récupération de connaissances et le soutien aux flux de travail.
- Outils de reporting basés sur des requêtes — Nous les employons pour surveiller la santé des projets, les retards d’exécution et l’état des dépendances.
Comment les workflows agents améliorent le suivi des projets et la détection des risques
Nous explorons les workflows agents pour le suivi des projets, la gestion des dépendances et la détection des risques d’exécution. Ce sont des domaines à forte valeur ajoutée car ils mobilisent une grande quantité d’informations fragmentées et de relances manuelles, en particulier lors de la coordination de nombreuses équipes.
Certains cas d’usage incluent la détection automatique des retards, l’identification des écarts de dépendances et le suivi de la prise en compte des actions ou engagements par toutes les équipes requises. Dans de grands environnements impliquant plus de 100 équipes, cela devient extrêmement précieux.
Comment les systèmes légers remplacent les tableaux de bord projet obsolètes
La plupart des tableaux de bord projet sont déjà obsolètes aujourd’hui — ils n’ont simplement pas encore été remplacés. Nous passons progressivement de systèmes de gestion de projet fortement orientés interface graphique, gérés manuellement, à des workflows plus légers, pilotés par des requêtes.
La plupart des tableaux de bord projet sont déjà obsolètes aujourd’hui — ils n’ont simplement pas encore été remplacés.
Ce changement invite à considérer les données projet comme une matière que les équipes peuvent interroger et manipuler dynamiquement — se rapprochant d’un modèle piloté par ligne de commande ou par prompt. Plutôt que de naviguer sur de multiples tableaux de bord ou de maintenir des états statiques, les équipes peuvent poser des questions ciblées telles que :
- « Quelles sont les principales dépendances en retard cette semaine ? »
- « Quelles équipes n’ont pas accusé réception des actions critiques ? »
- « Où sommes-nous à risque de manquer des étapes clés ? »
La combinaison d’une couche prévisible de données projet structurées et d’une couche probabiliste d’IA générative permet ce changement, en interprétant ces signaux dans leur contexte — connectant les mises à jour entre les systèmes, identifiant les motifs et faisant émerger des informations non évidentes à partir d’une seule source.
Pourquoi il faut découpler les données de gestion de projet des données de base à mesure que les systèmes d’IA évoluent
À mesure que les systèmes évoluent, il est également indispensable de séparer les données de gestion de projet (comme l’état, la priorité, etc.) des données de base du projet, avec des garde-fous bien définis pour les informations sensibles. Cela garantit que la couche prévisible reste fiable et sécurisée, tandis que la couche probabiliste peut fonctionner à un niveau d’abstraction approprié sans exposition intempestive de données sensibles. Découpler les données de gestion de projet des données de base rend l’IA utilisable en environnement d’entreprise.
À mesure que les systèmes évoluent, nous devons découpler les données de gestion de projet des données de base afin de rendre l’IA utilisable en entreprise.
Lorsque la qualité de la distribution des probabilités s’améliore, cette couche filtre plus efficacement le bruit et réduit les hallucinations — ce qui est crucial pour instaurer la confiance dans ces systèmes. La différence entre bruit et information dépend de la qualité des probabilités. En pratique, cela limite le besoin de statuer manuellement sur l’état d’avancement et déplace les efforts vers la prise de décision. Les équipes passent moins de temps à mettre à jour les interfaces graphiques et davantage à interagir avec des données en temps réel via requêtes ou prompts.
Le résultat : une charge de reporting allégée, une visibilité accélérée sur les risques d’exécution, et un mode de gestion plus dynamique — où le système reflète en permanence la réalité, au lieu de s’appuyer sur des photos figées et mises à jour périodiquement.
Comment l’assistance de l’IA permet aux jeunes ingénieurs de prendre en charge des tâches plus complexes plus tôt
Avec le soutien de l’IA, je peux confier des tâches plus complexes à de jeunes ingénieurs, et ce, plus tôt dans leur carrière. La combinaison d’un accompagnement par l’IA et d’une validation structurée leur permet d’intervenir sur des problématiques de plus grande envergure, tout en maintenant la qualité. Cela accélère non seulement l’exécution, mais améliore aussi sensiblement la rapidité d’apprentissage et la progression de l’équipe. L’IA comprime la courbe d’expérience — les ingénieurs peuvent s’attaquer dès aujourd’hui aux missions de demain.
Avec le soutien de l’IA, les ingénieurs juniors peuvent s’attaquer à des tâches plus complexes plus tôt, ce qui réduit la courbe d’apprentissage.
L’alignement de l’équipe s’améliore lorsque l’IA peut résumer les discussions et mettre en avant les décisions non résolues. La validation devient plus efficace quand l’IA assiste lors de la revue de code, de la vérification de la documentation et du suivi de traçabilité. Cela dit, les fondamentaux restent essentiels. Le périmètre doit toujours avoir une responsabilité claire. L’alignement demande toujours de vraies prises de décisions. La validation nécessite toujours de la rigueur technique.
Pourquoi adopter l’IA signifie instaurer la confiance et équilibrer les tensions
Adopter l’IA signifie parfois qu’il existe une tension entre la personnalisation et la standardisation. Les équipes souhaitent des flux de travail adaptés à leurs besoins, mais à grande échelle, la direction a aussi besoin de cohérence pour mesurer et agir sur les signaux de livraison. Trouver un équilibre entre ces deux aspects a été l’une de mes leçons les plus marquantes.
En plus de savoir gérer les tensions, une équipe désireuse d’adopter l’IA doit travailler à instaurer la confiance. Le manque de confiance est le principal frein à l’adoption de l’IA. Les équipes n’utiliseront l’IA que si les résultats sont suffisamment fiables, explicables, et intégrés à leur flux de travail pour faire gagner du temps plutôt qu’en rajouter avec des vérifications supplémentaires.
Sur le long terme, les équipes qui sortiront gagnantes seront celles qui considèrent l’IA non seulement comme un outil de productivité, mais aussi comme un système qui doit gagner la confiance par sa fiabilité, sa transparence et sa valeur constante.
Vous voulez plus d’informations comme celles-ci ? Inscrivez-vous gratuitement à un compte DPM pour lire des interventions de plus d’experts de ce type.
