Comment Libérer une Croissance Prévisible grâce à une Gestion des Ressources Pilotée par les Données et Facilitée par l’IA Générative

Lisez la transcription :

Nous expérimentons la transcription de nos podcasts via un logiciel. Merci de pardonner les éventuelles fautes, car l’outil de reconnaissance automatique n’est pas fiable à 100%.

Galen Low : Bienvenue à notre table ronde sur l’utilisation des données et de l’IA comme boule de cristal pour la gestion des ressources. Et sans survendre le concept, on va en débattre, explorer le sujet, creuser en profondeur. C'est quelque chose que nous aimons faire chaque mois avec nos membres et nos invités VIP.

C'est surtout une manière d’impliquer directement les experts et les personnes qui contribuent et collaborent avec nous ici chez The Digital Project Manager. Pour ceux qui ne me connaissent pas, je m'appelle Galen, je suis le cofondateur de The Digital Project Manager, et aussi votre hôte aujourd’hui. Vous êtes donc coincés avec moi quelques instants, mais j’ai également à mes côtés une équipe formidable composée de plusieurs des meilleurs experts en opérations d’agence que je connaisse — Ann Campea, Marcel Petitpas et Grant Hultgren.

La gestion des ressources est un sujet extrêmement populaire dans le monde des agences, et honnêtement, dans de nombreuses autres organisations. Et je pense qu’il y a une bonne raison à cela, c’est parce que ne pas avoir les bonnes ressources pour livrer des programmes et des initiatives clés, c’est un risque majeur qui peut menacer l’atteinte de vos objectifs, voire de la sécurité de l’emploi de vos collègues et de vous-mêmes.

Et je pense que c’est la raison pour laquelle la gestion des ressources intervient à tant de niveaux dans une organisation, depuis le fait d’avoir les bons membres dans les équipes projet jusqu’à l’optimisation des talents et du design organisationnel. Mais lorsqu’il s’agit de prédire l’avenir, nous, humains, faisons au mieux une supposition, au pire des hypothèses idéalisées et optimistes.

Donc parfois, on imagine que Surrender accomplira une tâche aussi vite que Kathy si elle n’est pas en congé maladie imprévu. Parfois, on suppose que Kelvin peut travailler sur 8 projets différents à raison de 8 heures par jour sans perte de temps de contexte. Et d’autres fois, on pense qu’Elena et Leila ont forcément les mêmes préférences, compétences et compréhensions du travail uniquement parce qu’elles ont le même intitulé de poste.

Au final, la gestion des ressources est difficile, et cela parce que cela implique généralement des variables qu’on ne contrôle pas, à savoir les personnes. Même si notre approche n’a pas radicalement évolué ces dernières décennies, la technologie a changé. Alors la question que je me suis posé : avec tous ces outils et toutes ces données que nous récoltons, ne pourrait-on pas s’en servir pour affiner nos prévisions sur nos ressources et l’avenir de nos projets, nos initiatives, nos objectifs ? Voilà ce que nous allons explorer aujourd'hui.

Et pour commencer, je vais poser la question la plus vaste à tous mes intervenants : avec toutes ces organisations qui deviennent plus orientées données et l’IA générative en plein essor, pourquoi la gestion des ressources n’est-elle pas déjà automatique et magique ?

Peut-être que je vais lancer Marcel en premier. Je te mets sur le grill.

Marcel Petitpas : Bien sûr. La réponse simple, c’est que les données sont désordonnées et que les gens sont imprévisibles. Ce qui est extrêmement enthousiasmant avec l’IA générative, c’est la façon dont elle va nous aider à interpréter et à valoriser les données, mais l’hypothèse fondamentale – et c’est ce qui m’agace dans chaque démo d’un fournisseur d’IA générative disant “regardez, tout est automatisé !” – c’est qu’il faudrait lui fournir des données parfaitement propres, structurées de façon cohérente, avec un schéma clair, des standards de nommage constants, sans erreurs ni cas particuliers. Évidemment, l’IA générative peut alors répondre à la question et traiter plus vite qu’un humain. Mais ce qui m’enthousiasme vraiment, c’est la façon dont notre rapport aux données va assurément être bouleversé.

Et je pense que dans une dizaine d’années, parcourir des tableaux, appliquer des tris et des filtres pour arriver à une visualisation, cela paraîtra archaïque. Par contre, le vrai problème qui demeure, c’est qu’il vous faut des données propres afin que l’IA puisse vous apporter ce genre de réponses.

La réalité, c’est que comme chefs de produit et managers des opérations, nous avons à traiter des ensembles de données créées par des humains, donc elles comportent forcément des imperfections. Et il faudra le prendre en compte dans l’architecture de nos processus et systèmes de données.

Galen Low : Super précision sur l’importance de la propreté des données ! On y reviendra sans doute sur la littératie des données, ce que ça veut dire aujourd’hui, qui doit l’avoir... Spoiler : probablement tout le monde.

Ann, tu veux ajouter quelque chose sur pourquoi la gestion des ressources n’est pas encore un automatisme avec toute cette technologie disponible ?

Ann Campea : Avant tout, pour rebondir sur ce que Marcel a dit : il faut de bonnes données. Et il y a aussi la composante humaine à prendre en compte dans la collecte. J’ai vu des outils construits, avec le sentiment d’avoir les bons rapports, les bons indicateurs, mais au final, on retombe sur la qualité des données. Obtenir de bonnes données, c’est comme essayer d’attraper un éclair dans une bouteille !

C’est délicat, parfois peu fiable à cause du facteur humain. Les humains sont formidables, mais aussi merveilleusement imprévisibles. Dans ton exemple d’intro, Susie a peut-être 50 projets à gérer cette semaine, et Joe a dû prendre trois jours de congés maladie.

Il a donc livré moins de projets que Susie. Comment saisir la dimension humaine dans la prise en compte des temps, de la complexité des projets, des capacités de chacun alors que tout le monde travaille différemment ?

Donc je rejoins Marcel : obtenir ces bonnes données, puis bâtir la technologie et l’IA par-dessus ce socle. J’ajoute que je suis déjà passée par des organisations où il faut faire cohabiter vieilles technologies et nouvelles, avec désormais l’IA qui se greffe par-dessus.

Comment s’assurer que tout fonctionne ensemble ? Et en gardant l’humain au cœur du processus.

Galen Low : J’adore cet angle.

Et comme tu le disais Grant au début, l’outil n’est pas la solution miracle. Il y a beaucoup d’autres variables. C’est sans doute la transition idéale pour demander : pourquoi n’est-ce pas plus simple ? À cause de la propreté des données et... des humains. De là découle une autre question : quelles données doit-on collecter ? Il doit sans doute y en avoir beaucoup, mais Grant, de ton point de vue, quelles sont celles qu’une agence ou toute organisation doit vraiment recueillir pour mieux gérer ses ressources ?

Ce serait quoi la donnée pas classique ou un peu controversée ?

Grant Hultgren : Pour rebondir, cela revient à se demander : à quoi accorde-t-on vraiment du crédit ? Et en tant que dirigeants d’agence, au début de l’aventure (ou quand on rejoint l’agence), on se sent dans une démarche de se différencier : “Je peux faire mieux que là où j’étais/sous la personne pour qui je travaillais avant.” Mais cela signifie souvent redéfinir ses propres points de référence. Rapidement, on se retrouve à définir les données différemment. Marcel dirait, au fond, on cherche à parler des mêmes choses. Pour les KPIs, 100% d’accord. Dans l’univers SaaS, on regarde le chiffre d’affaires par employé facturable, par collaborateur global, la marge au niveau projet, le PNL par trimestre et par an, coûts indirects, coûts totaux… Beaucoup de points communs. Sur la gestion de projet digitale, tout cet écosystème vient nourrir ces indicateurs.

Plusieurs outils, comme le disait Ann, parfois très anciens, parfois récents. C’est là où ça se complique : fait-on confiance à nos systèmes internes pour que l’IA prenne les bonnes décisions et produise des résultats optimaux ? Je ne pense pas qu’on y soit encore. Voilà pourquoi l’humain reste crucial. Personne ne tiendra l’IA responsable d’un projet à faible marge. C’est plutôt vers le chef de projet qu’on va se tourner : “Que s’est-il passé ?” Interprétez-nous les données. Comme le disait Ann : “Quelqu’un était malade.” OK, pourquoi n’a-t-on rien fait ? “L’IA ne l’a pas vu passer.” Inacceptable ! Donc peut-être qu’on y arrivera un jour, mais à mon avis ces métriques ne vont pas énormément évoluer, c’est plutôt la manière dont elles s’articulent qui sera clé. Marcel, tu hoches la tête, tu es d’accord ?

Marcel Petitpas : Oui, je vais détailler ce que nous faisons chez Parakeeto pour intégrer quelqu’un dans un système de prévision et la structure de travail que nous appliquons.

On commence par comprendre comment l’organisation conçoit sa capacité. Cela varie d’une structure à l’autre. Parfois, c’est en termes de compétences : design, gestion de projet, développement, rédaction, etc.

D’autres fois, c’est en termes de types de tâches : cette personne fait tel type de travail. Donc intitulés, catégories, rôles… Quel est le modèle mental utilisé pour raisonnement capacitaire et décisions de recrutement ? L’enjeu est de bâtir une approche simple, classant les contributeurs individuels dans quelques grands “seaux” de capacité : cinq, huit maxi.

J’introduis une notion clé : précision VS exactitude. Deux concepts souvent confondus par les chefs de projet, qui croient l’un corrélé à l’autre — alors qu’ils sont souvent en opposition.

Beaucoup se piègent en voulant des systèmes trop précis, impossibles à maintenir, ce qui aboutit à des données inexploitables. Notre priorité : construire ces “seaux” simples ; ensuite, planifier le travail selon la même logique et nomenclature. Puis faire en sorte que la saisie des temps remonte un attribut qu’on peut relier à ces catégories. Si le système de donnée est structuré de cette façon, avec un peu de métadonnées en plus (type de travail, type de client, offre de service...), on peut démarrer facilement l’algèbre linéaire : “Par dollar de budget web, combien d’heures de design prévoir ?” Il ne faut pas tant de données que ça pour tirer une droite pertinente, puis distinguer ce qui est prédictible ou non (ce qui peut révéler un problème de process si notre pratique manque de constance).

Penser la structuration : capacité, modèle, schéma ; travail planifié idem ; rattacher les temps réels au même schéma évite de devoir traduire trois structures de données distinctes pour répondre aux questions. Moins de friction inutile, et on atteint enfin les réponses que l’on cherchait.

Galen Low : J’aime cette vision : il y a du prédictible… et du non-prédictible. Rien que ce regard est précieux car nous parlons de chaos, d’imprévus… Et nous voulons pourtant y répondre comme humains alors qu’on ne le peut pas forcément. L’autre point marquant, c’est le besoin de données propres, et là la techno peut aider. Je me souviens de matrices de compétences faites sous Google sheets, où chacun devait s’auto-évaluer sur des compétences (“sur 10, où te situes-tu en Drupal ?”) : difficile, lourd à compiler, intentions louables mais difficile à gérer humainement dans la masse. Ce qui donne un écosystème taxonomique complexe : que faire de tout cela ? C’est là où la techno entre en jeu…

Grant Hultgren : On peut tout architecturer, tout paramétrer… Mais en une heure tout aura changé ! Un client signe un bon de commande, réduit son périmètre, COVID arrive : a-t-on vraiment besoin de ce coût de structure ? Il faut donc établir la cadence, aligner les contributeurs terrain qui détiennent la meilleure info pour procéder à ces micro-ajustements. Tout ce que Marcel vient d’expliquer, c’est pourquoi notre société existe. Nous cherchons à codifier ces données selon la même approche, la même manière de mesurer tous ces intrants. Consultants comme Marcel ou Ann peuvent vous accompagner, mais au final le défi, c’est : comment aligner tout le monde de la direction jusqu’aux équipes pour que chacun comprenne là où la précision est utile, là où l’exactitude a de la valeur…

Galen Low : Allons-y. C’est passionnant. La donnée propre serait-elle une utopie—non à cause de la donnée elle-même, mais du facteur humain ? Ann, comment convaincre les collaborateurs qu’ils ont intérêt à mesurer plus de données ? Les gens détestent déjà le suivi du temps… Marcel, tu as même posté un billet LinkedIn sur l’utilisation… Ce sont des notions parfois mal acceptées. Or aujourd’hui, on demande de saisir encore plus d’informations ! Comment fais-tu accepter l’idée ?

Ann Campea : Question difficile ! Effectivement aligner tous les niveaux n’est pas simple. Je souligne — Marcel, tu as bien publié sur LinkedIn une “formule magique” qui doit convaincre chaque partie prenante : structure pour la mesure des ressources/capacité… Mais comme l’a dit Grant, tout change sans arrêt. Reste donc à aligner sur une structure, même imparfaite mais adaptée à votre culture et à votre organisation, pour rassembler tout le monde derrière elle.

Parce qu’on peut manipuler les outils, bâtir tous les tableaux de suivi, récupérer les temps, demander aux équipes de rapporter le temps passé selon les projets et complexités… Mais sans adhésion, c’est le plus gros blocage. Encore et encore, l'humain. Obtenir l’adhésion des parties prenantes repose parfois sur une croyance d’une objectivité absolue. Mais soyons lucides : dans l’étude de temps, il y a forcément une part de subjectivité, car l’humain saisit la donnée. Il est capital, face au management, de présenter les résultats avec ce bémol. On ne peut jamais prétendre à une donnée 100% exacte—mais on peut s’en approcher. Voilà comment “vendre” la formule.

Galen Low : J’adore cette vision collaborative. Il ne faut pas imposer, mais mettre en perspective : dans la gestion des ressources on a tendance à exiger la perfection — chacun fait 40h/sem… alors qu’il y a de la variabilité. Marcel, cela rejoint la précision/l’exactitude ?

Marcel Petitpas : Absolument. On parle souvent dans le secteur des tactiques pour améliorer la conformité. Gamification, Slack bot, suggestions automatiques pour remplir les feuilles de temps, pré-remplissage… Tout cela aide, mais le vrai frein, c’est le manque d’adhésion, comme dit Ann. Et je constate surtout que souvent, la boucle n’est pas bouclée : ceux qui saisissent leur temps n’assistent ni aux discussions, ni aux prises de décisions, ni à la consultation de ces rapports. Ils se racontent donc leur propre histoire sur l’utilisation des données, rarement flatteuse, même si les intentions du management sont bonnes. Il faut leur montrer, pas juste leur dire, pour qu’ils le croient. D’où l’intérêt de les inclure, comme disait Ann.

Beaucoup d’équipes de direction hésitent à leur présenter les données sous prétexte “elles ne sont pas encore correctes”. Alors c’est l’histoire de la poule et l’œuf. Mon conseil : faites la réunion comme si les données étaient correctes. L’expérience nous montre que, par exemple, si l’on maximise la performance budgétaire (“vous étiez sous le budget sur tous les projets, félicitations, je peux vendre deux fois plus !”), les équipes réagiront (“Minute, ce n’est pas possible, on ne peut pas prendre deux fois plus !”). Et on découvre alors la vraie utilisation de ces données, ce qui permet d’ajuster en conséquence, pour ne pas surcharger, pour planifier plus juste. La discussion se déplace : on passe de la précision à l’exactitude, vers la vérité, au bénéfice de tous.

Pour la précision : si on exige de l’équipe de saisir les temps jusqu’à la sous-tâche exacte au sein de la tâche, du jalon, du livrable, etc. — trop lourd, trop de friction. Il vaut mieux regrouper dans de grands ensembles. On obtient plus vite des apprentissages statistiques et une meilleure conformité, idem pour la planification des ressources. Les allocations individuelles ne fonctionnent pas en prévisions à six mois, trop d’incertitudes. Adaptez la granularité à la question posée.

Galen Low : Dans ma tête c’est malin, mais je comprends la plus-value qualitative. Ann, tu disais bien : la donnée lance la discussion, ne la clôt pas. La culture doit dédramatiser ce suivi, car personne ne veut s’exposer (“Tu n’es qu’à 70 % d'utilisation ?” “Tu as pris 7 h pour une tâche censée en prendre 5 ?”). Mais le simple peut être mieux qu’un modèle trop complexe qui donne l’illusion de perfection.

Passons au storytelling — j’allais demander d’abord des “histoires d’horreur”, puis des réussites… Mais laissons la porte ouverte à toutes vos anecdotes. Qui a une histoire de succès où l’adhésion et la littératie des données ont fait avancer l’organisation dans la gestion des ressources ? Ou alors une histoire où un blocage majeur a empêché la réussite ?

Grant Hultgren : J’ai une anecdote positive. Dans l’agence digitale où je travaillais, j’ai fini par faire confiance à mon équipe, exactement comme le recommandent Ann et Marcel. On a expliqué pourquoi on calcule la marge sur les projets, ce que cela signifie en coût par rôle, sans forcément révéler les salaires, mais en expliquant qu’un dev senior n’a pas le même impact qu’un junior dans l’allocation des ressources et la marge. C’était risqué au départ du point de vue management, mais le plus grand succès n’a pas été tant les KPIs atteints, mais de voir trois collègues fonder une famille, deux acheter une maison… et le CEO m’a dit : “C’est l’année la plus épanouissante depuis la création de l’agence.” Oui, la peur de manquer de travail dans trois mois sera toujours là—c’est même le rôle du leader. Mais le vrai gain, ce sont ces collègues qui font des choix de vie en confiance, même s’ils partent ensuite. C’est ce que je retiens avec fierté, le fait d’avoir — pour un moment du moins — vraiment réussi. Et parfois on se trompe, mais cette réussite-là est mémorable.

Galen Low : Super histoire, car l’enjeu n’est pas seulement la littératie des données, mais la croissance personnelle, la progression de carrière, la sécurité et l’amélioration individuelle, autant que la croissance de l’agence. Il faut bien sûr une culture sincère, mais cette motivation me parle.

Grant Hultgren : Ce n’est pas linéaire. Il n’y a pas de “si vous faites ça, il arrivera ça”. Le marché décide. Il faut donc adapter, itérer, que ce soit sur la littératie ou la mise en œuvre de la donnée, toujours chercher à s’améliorer. Il y a là des gisements d’efficacité afin d’éviter l’épuisement général.

Galen Low : J’adore.

Ann Campea : Difficile d’enchaîner après Grant, mais pour ma part, les moments “héros” surviennent quand on réussit, avec la donnée, à raconter l’histoire qui fera adhérer le public cible. Souvent pour prévenir le burn out, plaider pour du renfort ou des recrutements, objectiver la charge et la complexité du travail pour l’équilibre global. Ce sont ces micro-victoires qui, au quotidien, permettent d’utiliser la donnée suffisante pour faire passer un message et assurer à tous une vision commune : profitabilité de l’entreprise, satisfaction du client, qualité des livrables… et le tout, révélé par la donnée sur les ressources.

Galen Low : Marcel, une anecdote ?

Marcel Petitpas : Oui, je partage le retournement d’une agence cliente avec qui nous avons travaillé sur le long terme. De l’extérieur, un succès éclatant : logos prestigieux, créations incroyables, prix à la clef… mais en coulisses, une équipe créative, brillante mais complètement épuisée, alternant périodes de surcharge (150% de taux d'occupation !) et passages à vide aboutissant à des licenciements. Les conflits internes étaient légion : les chefs de projet blâmaient la vente, la vente blâmait la production… avec aussi une confusion totale entre temps et budget lors du chiffrage et du pilotage. Résultat : pour faire passer le budget côté client, on sous-évaluait le temps ou l’inverse, au lieu de dissocier clairement prix (côté client) et scope (côté équipe).

Nous avons commencé par clarifier ces points, structurer les types de données, commencer à suivre objectivement les réalités. Résultat, on a pu repérer très vite les offres à haut risque versus celles à fort potentiel. Par exemple, la production vidéo, particulièrement “en dents de scie”, créait épuisement et pression alors même que c’était la ligne la moins rentable. Les pôles branding/web étaient bien plus sains. À partir de là, on a fourni à la vente une “algèbre linéaire” : des grilles pour le chiffrage, objectivé, limité aux ajustements spécifiques, fini la subjectivité. Résultat, au lieu d’accentuer la pression sur les équipes, ça a permis le ralliement des PMs, une croissance de 60% puis 90% l’année suivante, plus de 500% d’augmentation de marge… Mais le plus beau, c’est que les équipes ont travaillé bien moins le soir et le week-end. On croit souvent que profit, croissance et bien-être sont en opposition, mais non. Les opérations, c’est projeter notre vision de la réalité sur le futur, en s’appuyant sur la donnée pour limiter la subjectivité et construire des hypothèses solides.

Galen Low : Boom. Petite anecdote pour finir : récemment autour d’une table avec des gens en agence et dans l'enseignement supérieur, la question du time tracking revenait (“Vous suivez vraiment votre temps ?!”) : “Moi je ne peux que me plaindre de ma surcharge, mais je n’ai aucune donnée pour le prouver…” Cela montre l’intérêt, non seulement de “comment faire”, mais de “faut-il le faire ?” Si on brûle les équipes pour rien avec des marges faibles, il faut pouvoir en débattre. Voilà tout l’intérêt de disposer de ces données : pouvoir enfin entamer la bonne discussion.

Je voudrais enchaîner sur les questions posées dans le chat (il y en a d’excellentes !). Je vais croiser deux questions : IA générative, données et éthique d’un côté, sécurité des données de l’autre. Je cite : “Si on utilise une IA générative pour traiter les données projet, comment garantir la sécurité des données ? Faut-il absolument s’en remettre à des outils validés en interne, ou bien utiliser autre chose ?” Et je rajoute : jusqu’où ne va-t-on pas trop loin en comptabilisant préférences, compétences, historiques de temps, etc. ? Où poser la limite éthique ?

Grant ?

Grant Hultgren : Oui, dans une agence marketing où j’ai travaillé, l’IA générative impacte la production de contenus (articles de blog, posts sociaux…). La qualité n’est pas toujours là, mais le volume oui. Première étape : communiquer en interne, se mettre d’accord collectivement : veut-on utiliser ces outils ? Sont-ils à la hauteur ? Si oui, OK, utilisons-les. Mais la conversation interne est indispensable, surtout si vous agissez pour le compte d’un client. Pour les données internes, c’est plus facile, mais chez nous nous avons dû nous assurer de la conformité (certifications, RGPD…). Résultat, sur certaines données clients, l’IA est proscrite, point. Parfois, on peut anonymiser pour progresser. Mais sauf consentement explicite du client, ne prenez aucun risque sur ce point, car la relation reste humaine avant tout, même à l’ère des outils. Certains outils (ex. ClickUp) embarquent une IA mais s’en servent pour la méthodologie, pas pour donner le diagnostic final. Les lignes morales sont à tracer avec précaution. ChatGPT lui-même a des démêlés juridiques sur ses sources. Ce n’est pas réglé…

Galen Low : Ton insistance sur la conformité est importante. Certains outils semblent prioriser la sécurité, d’autres sont de simples MVPs en mode “test marché”, sans garanties…

Grant Hultgren : Exactement ! Chez nous on reste prudent, l'accès ne donne pas tous les droits.

Galen Low : Boom, j’aime ça.

Ann Campea : Sur la limite éthique, j’ajoute un mot. L’IA générative intègre forcément des biais. Chez PMI, l’Institut du Management de Projet, ils ont monté leur propre plateforme IA, basée uniquement sur des sources vérifiées. La limite éthique, c’est l’utilisation de la donnée. Qui n’a jamais vu un management réclamer telle info — non pas pour éclairer, mais pour valider un agenda précis ? Soyez donc prudent, PM ou non : l’IA c’est un outil d’aide, mais si la demande vise à détourner la donnée pour servir un but particulier, vous franchissez peut-être la ligne. Cela m’est arrivé, et je pense que vous aussi, d’être poussé à ce genre de dérives. Vigilance donc.

Galen Low : Voilà l’autre face du storytelling avec la donnée — c’est parfois le marteau cherchant un clou (“hammer looking for a nail”). Transition sur une autre bonne question : pensez-vous que dans le futur les outils pourront intégrer la dimension humaine/complexité projet, ou bien faudra-t-il toujours intervenir à la main ?

Marcel Petitpas : À mon sens, c’est difficilement automatisable de bout en bout, et j’aimerais bien être démenti, mais on en est loin à mon avis. Prenez la conduite autonome : on en parlait déjà il y a 10 ans, mais on est encore à des années-lumière de l’objectif. Les derniers 2% sont les plus durs à atteindre. C’est pour ça que, bien que la finance soit informatisée depuis longtemps, il existe toujours des experts-comptables… On peut tout automatiser à 98%, mais il reste trop de jugements, de cas particuliers impossibles à traiter. Il faudra toujours garder une limite d’observabilité, un œil humain.

C’est l’un des défis principaux de ChatGPT et consorts : leur raisonnement demeure une boîte noire. Même si on a une pipeline de donnée entièrement automatisée, il faudra pouvoir vérifier les cas d’exception : un collaborateur saisit 99h d’une traite… erreur ou réalité ? Un designer pointe du temps sur de la gestion de projet, erreur de catégorie ou tâche ? Difficile d’objectiver ces différences sans jugement humain. Idéalement, les outils nous aideront à détecter, mais un contrôle humain s’imposera toujours pour les points limites.

Grant Hultgren : Je suis d’accord. Je plaisante parfois : je pensais que l’IA allait me débarrasser de la vaisselle, pas faire de l’art… Commençons par automatiser les tâches répétitives et créer des points de relance (“Vous avez ajouté cette tâche, n’oubliez pas le temps de Marcel dessus maintenant…”). Allons vers l’efficacité avant l’intelligence pure. Même stratégiquement, il y a des variables imprévisibles : Covid ? Cataclysmes ? Des évènements structurels qui bouleversent tout un modèle. Même au niveau projet : “Faut-il facturer ce temps perdu par inefficience ou l'écrire car cela a amélioré le projet ?” Ce genre de souci de relation prend le pas sur la froideur de la data.

Galen Low : J’aime cet équilibre humain/techno, mais abordons une zone grise où l’outil conseille (“Voulez-vous vraiment Tony sur ce projet ? Il est lent, Sergio est plus efficace…”). Tony finit toujours sur le banc, pas de plan de carrière, Sergio rafle tout. Est-ce le domaine ?

Marcel Petitpas : En tant que dirigeant, ces questions — délicates et difficiles — existent déjà. L’important, c’est d’objectiver la prise de décision, de poser les “valeurs”, les standards et les processus afférents. Utiliser la donnée ou l’IA pour éclairer cela, oui, à condition de poser les bonnes limites et règles. Cela peut permettre de s’écarter d’une décision émotionnelle ou au contraire d’assumer une mesure difficile mais nécessaire pour l’entreprise. Encore une fois, c’est la réflexion et l’intention qui comptent.

Grant Hultgren : Les gens ne quittent pas leur boulot mais leur manager. Si vous tirez parti de la techno pour exploiter les gens, j’espère que tout le monde partira ! Par contre, pour chaque Tony, il y a une Ann prometteuse qu’il faut accompagner. Le vrai enjeu, c’est d’équilibrer, avec équité et bienveillance, l’intérêt de chacun.

Galen Low : J’aime aussi ce regard sur les décisions difficiles, où même la techno ne fait pas tout. Ann ?

Ann Campea : Je prolonge Marcel et Grant : l’IA générative est là pour assister, pas commander. PMI recommande d’intégrer “l’humain dans la boucle” à chaque interaction IA, pour garder le contrôle. J’ai même posé la question à une IA qui m’a répondu : “L’IA peut s’occuper des tâches ennuyeuses pour libérer de la place pour le travail créatif ; mais elle ne vous prendra jamais dans ses bras ni ne comprendra vos problèmes humains.”

Galen Low : IA bien entraînée ! Une dernière question : “Utiliser la donnée comme fourchette plutôt que valeur absolue, est-ce une façon de gérer les facteurs humains ?” La précision, Marcel ?

Marcel Petitpas : C’est l’exemple parfait de précision/exactitude. Exemple : la météo. Je peux dire “il fera 24,5 °C”, ou “il fera entre 22 et 26 °C”. Moins précis, mais plus exact. Plus on monte dans la hiérarchie, plus il y a d’incertitude. Les fourchettes sont plus justes, car elles reflètent la réalité de décision probabiliste, très fidèle à ce qu’on vit vraiment au quotidien. C’est l’approche que nous adoptons chez Parakeeto pour accompagner nos clients : proposer des fourchettes là où c’est le plus pertinent.

Galen Low : Boom, j’adore !

Grant Hultgren : Essayez de maintenir un planning précis à 4 semaines : l’écart est monstrueux, alors sur 6 mois… La fourchette donne autant l’étendue des risques. Pour moi c’est crucial pour la stratégie et le pilotage.

Galen Low : Oui, impossible de prévoir avec trop de précision…

Voilà, nous arrivons à la fin. Merci encore Grant, Marcel, Ann — merci d’avoir donné votre temps !

Comme toujours, si vous souhaitez rejoindre notre communauté et plus de mille passionnés de gestion de projet, rendez-vous sur thedigitalprojectmanager.com/membership pour en savoir plus. Si vous aimez cet épisode, abonnez-vous et restez connectés sur thedigitalprojectmanager.com. À la prochaine, merci de votre écoute.