La directrice de la gestion des programmes technologiques affirme que l’IA sans suffisamment de contexte peut entraîner des décisions dangereuses
Découvrez comment une responsable de programme technologique utilise l’IA pour réduire la surcharge des rapports, mettre en évidence les risques de livraison, et aider les équipes à se concentrer sur les décisions plutôt que l’administration.
Anika Diachuk
Directrice de la gestion des programmes technologiques chez ACV Auctions
Leadership axé sur l’humain: Anika souligne que l’adoption efficace de l’IA commence par l’autonomisation des équipes, et pas seulement par la technologie.
Gains d’efficacité: Les outils d’IA ont simplifié les tâches répétitives, améliorant l'efficacité des rapports et la visibilité sur la livraison au sein des équipes.
Prévenir la dépendance excessive: L’intervention humaine reste essentielle pour interpréter correctement les résultats de l’IA et garantir le maintien du contexte métier.
Simplifier les flux de travail: La sur-ingénierie peut nuire à la clarté ; se concentrer sur les décisions à forte valeur ajoutée facilite l’adoption rapide des outils d’IA.
La prise de responsabilité importe: Une appropriation claire des décisions renforce l’intégration de l’IA, aidant les organisations à éviter la confusion et à améliorer les résultats.
Anika Diachuk est la directrice de la gestion des programmes technologiques chez ACV Auctions. Elle a dirigé plusieurs équipes de livraison transverses et distribuées à l’échelle mondiale. Elle se concentre désormais sur l’adoption de l’IA de manière non intrusive, tout en rendant la livraison plus efficace.
Nous avons rencontré Anika pour découvrir comment elle intègre l’IA dans ses processus de livraison. Voici ce qu’elle nous a confié.
Un leadership de l’IA centré sur l’humain
Je suis une Canadienne d’origine ukrainienne qui sait faire avancer les choses. La plupart des gens pensent que mon aventure dans la transformation basée sur l’IA a commencé par la technologie, mais elle a débuté par les personnes — recruter des talents, instaurer la confiance au sein d’équipes internationales, et comprendre comment les organisations se comportent sous pression.
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
J’ai maintenant dirigé plusieurs équipes de livraison réparties mondialement et axées sur la transversalité, dans le cadre d’initiatives de transformation opérationnelle et de marché numérique à l’échelle de l’entreprise. Les tailles de ces équipes allaient de six personnes à plusieurs milliers. La plupart de ces organisations avançaient vite — en menant des livraisons agiles impliquant produit, ingénierie, opérations et parties prenantes métiers, tout en gérant des intégrations complexes, des montées en charge rapides, et des travaux de plateforme orientée données pour des clients comme des concessionnaires automobiles, banques, distributeurs, ONG et grandes entreprises internationales.
Diriger la livraison dans différents types d’organisations m’a appris que le principal obstacle à l’innovation n’est presque jamais la technologie en elle-même ; c’est surtout la capacité des personnes à se sentir suffisamment habilitées à changer leur façon de travailler. C’est pourquoi ma vision du leadership de l’IA est atypique : l’avenir de la livraison ne reviendra pas à ceux qui automatisent le plus, mais à ceux qui parviennent à rendre l’IA profondément humaine, collaborative, et source d’inspiration créative pour les équipes qui l’utilisent au quotidien.
Comment les outils d’IA augmentent l’efficacité au travail
Au cours de l’année écoulée, j’ai remplacé les tâches les plus répétitives et prévisibles du processus de livraison, libérant du temps pour le « vrai » travail — principalement en intégrant des fonctions de résumé et de hiérarchisation pilotées par l’IA aux rapports d’avancement, au suivi des dépendances et aux processus de communication avec les parties prenantes.
Grâce à l’IA, j’ai constaté une amélioration de l’efficacité des reportings, de la visibilité sur la livraison et de l’identification des risques au sein d’équipes distribuées, tout en réduisant l’effort de coordination manuel et renforçant la prévisibilité d’exécution.
Grâce à l’IA, j’ai constaté une amélioration de l’efficacité des reportings, de la visibilité sur la livraison et de l’identification des risques au sein d’équipes distribuées.
Toutefois, si je peux compter sur l’IA pour accélérer les activités de livraison lourdes en données comme les analyses de priorisation, le résumé des statuts, l’identification de schémas de risques, le suivi des dépendances et les reportings opérationnels, je ne peux pas tout lui confier.
Les décisions impliquant l’alignement des parties prenantes, la dynamique d’équipe, le changement organisationnel, la résolution de conflits et les arbitrages stratégiques restent délibérément humaines. Car une livraison réussie reste fondée sur la confiance, le contexte, l’empathie et le discernement, que l’IA ne peut complètement reproduire.
Pourquoi les résultats de l’IA nécessitent une intervention humaine
En réalité, mon plus grand défi a été d’empêcher les équipes de s’appuyer excessivement sur les résultats automatisés sans appliquer le contexte business. Pour éviter cela, j’ai remis en question leurs livrables et insisté sur l’importance d’une expérience pratique du produit et du contexte métier. C’est ce qui fait la différence entre un travail bon et excellent.
L’intervention humaine est cruciale, tant dans la formulation de la demande que dans l’interprétation des résultats. Il faut une requête solide et structurée, comportant le bon contexte de corrélation et de causalité, ainsi qu’une compréhension approfondie des processus et des leviers pour interpréter les résultats.
Par exemple, un outil peut indiquer que le livrable est en risque, mais la cause peut être que l’ingénieur a un enfant malade : il faut donc creuser pour comprendre la logique derrière les données et la personne derrière la tâche.
Mon plus grand défi a été d’empêcher les équipes de trop se fier aux résultats automatisés sans appliquer le contexte métier. L’intervention humaine est essentielle pour la formulation et l’interprétation.
Comment la sur-ingénierie nuit aux flux de travail
En ce qui concerne les outils, nous utilisons actuellement Omni pour les tableaux de bord, Rovo sur Jira pour la gestion de l’ingénierie, et une messagerie interne alimentée par l’IA pour les mises à jour et les synthèses d’équipe.
Au début, nous aurions pu éviter de sur-ingénier le flux de travail en multipliant signaux et tableaux de bord. Cela a engendré plus de charge d’interprétation que de clarté. Un cas d’usage plus simple et clairement délimité — centré sur une ou deux décisions à forte valeur ajoutée — aurait permis une adoption plus rapide et moins de scepticisme de la part des équipes.
Pourquoi l’IA échoue à accélérer la prise de décision
L’IA n’a pas eu l’impact attendu en améliorant l’alignement inter-équipes et la rapidité de décision simplement en ajoutant plus d’analyses automatisées et de tableaux de bord.
Oui, l’IA a amélioré la visibilité, mais elle n’a pas réduit l’ambiguïté ni résolu les conflits de priorités — dans certains cas, elle a même amplifié le bruit, différentes équipes interprétant les mêmes résultats de manière divergente.
L’IA a amélioré la visibilité, mais elle n’a pas réduit l’ambiguïté ni résolu les conflits de priorités — dans certains cas, elle a amplifié le bruit.
Prenons l’exemple d’un tableau de bord. Chaque équipe se concentre sur ses propres indicateurs clés et ses besoins métiers, et peut donc orienter l’outil pour obtenir des résultats servant ses intérêts prioritaires. Créer de la cohésion dans ce chaos est essentiel, étant donné l’impact sur l’ensemble des équipes.
Pourquoi une meilleure planification n’amène pas toujours de meilleurs résultats
L’IA m’a amenée à abandonner l’idée selon laquelle une meilleure planification conduit nécessairement à une meilleure livraison des résultats. Même des plans très détaillés deviennent moins pertinents au fil du temps, car l’IA révèle le rythme réel du changement et modifie en temps réel les priorités et la volatilité des dépendances.
La planification continue, fondée sur des signaux en temps réel plutôt que sur une certitude initiale plus grande, a permis de meilleurs résultats. La livraison n’était plus une question d’obtenir le plan parfait, mais de l’ajuster rapidement.
Notre flux de livraison alimenté par l’IA ingère les tâches et mises à jour des équipes, l’IA regroupe les thèmes, signale les risques et résume automatiquement l’avancement par équipe. Ces informations servent ensuite à des sessions de priorisation dirigées par l’humain, transformées ensuite en plans de sprint. Pendant l’exécution, l’IA signale continuellement les écarts et problèmes émergents.
L’effet final : moins de temps passé à faire des rapports, plus de temps à résoudre les vrais problèmes de livraison.
Pourquoi le reporting doit être repensé à l’ère de l’IA
Un domaine de l’organisation que davantage de responsables delivery devraient repenser activement est le reporting d’avancement et la gouvernance de la livraison : cela reste l’un des aspects les plus manuels, à faible valeur ajoutée et propices à la distorsion.
Je travaille actuellement à remplacer les traditionnels tableaux de bord d’avancement et consolidations manuelles par un flux de travail augmenté par l’IA, qui synthétise en continu les mises à jour depuis les outils de delivery, signale les risques et génère des synthèses concises « prêtes à la décision » pour la direction. Le changement ne se limite pas à l’efficacité : il a fait évoluer la nature des discussions de gouvernance, passant du « quel est le statut ? » à « quelles décisions devons-nous prendre maintenant ? »
Le résultat : moins de temps passé à compiler des mises à jour et plus de temps consacré à résoudre les vraies contraintes de livraison, avec une remontée plus rapide des vrais risques — mais seulement après avoir clarifié la répartition de la prise de décision, afin que les résultats issus de l’IA ne deviennent pas une couche d’interprétation supplémentaire.
Pourquoi une répartition claire des responsabilités est la véritable clé avec l’IA
Voici mon conseil :
Ne confondez pas plus de production d’IA avec de meilleures décisions ; cela donne simplement plus de sujets de désaccord. La vraie clé, c’est d’avoir des responsabilités bien définies. L’IA propose, l’humain tranche, pas de drames de comité.
Aussi, gardez ceci à l’esprit. Si l’adoption semble lente, ce n’est généralement pas à cause du modèle — ce sont les utilisateurs qui choisissent poliment de l’ignorer.
Pour suivre
Vous pouvez suivre le travail d’Anika Diachuk sur LinkedIn.
D’autres entretiens d’experts à venir sur The Digital Project Manager.
