Les principaux défis incluaient :

• Lacunes en matière de qualité en ingénierie : Plusieurs dépôts de code avaient une faible couverture de tests unitaires, une duplication du code et une automatisation limitée du cycle de vie du développement logiciel (SDLC), ce qui affectait le temps de mise sur le marché, la maintenabilité et la qualité globale.
• Pression sur la capacité et les délais : Des capacités limitées en ingénierie et en automatisation du SDLC ainsi que des inefficacités de livraison rendaient difficile l’accélération de la livraison de nouvelles fonctionnalités tout en maintenant des normes de codage strictes.
• Impact sur l’entreprise : Des pratiques d’ingénierie fragmentées réduisaient l’efficacité opérationnelle et la maîtrise des coûts globales, tout en prolongeant le temps de mise sur le marché des exigences critiques de l’entreprise.

Principaux facteurs de valeur

• Développement assisté par l’IA : GitHub Copilot (GHCP) a été intégré pour rationaliser les activités d’ingénierie principales, y compris la génération automatisée de code et de tests unitaires, les revues de code et la remédiation des vulnérabilités. GHCP a également accéléré les cycles de tests en automatisant la génération de tests et la sélection intelligente de la régression.
• Soutien IA agentique : Des capacités IA agentique ont été mises en place pour améliorer la qualité de la documentation et réduire l’effort manuel dans les activités d’analyse, de revue de code et de génération de code.
• Mises à niveau des cadres : Mise en œuvre de mises à niveau structurées du cadre Java, incluant les améliorations de Spring Boot, la migration de Struts vers Spring, et les mises à jour des dépendances de service.
• Favoriser l’adoption rapide de l’IA : GitHub Copilot spécialisé a été fourni à environ 2 000 ingénieurs, avec des formations sur l’agentic AI et la rédaction de prompts afin d’assurer l’alignement des équipes d’ingénierie avec la feuille de route client de GenAI.
• Infusion de l’IA gérée à l’aide de cartes thermiques : Utilisées pour suivre l’utilisation à travers divers « hubs » et cibler les interventions là où cela était nécessaire. 

• Adoption de l’ingénierie : Taux d’adoption de GenAI de 76 % chez les ingénieurs avec un taux d’acceptation des suggestions de 73 %, reflétant une grande confiance envers les outils assistés par l’IA.
• Gains de productivité :A amélioré la productivité de 14 à 18 % dans les activités de développement et de 12 à 14 % dans les tests dans plusieurs centres, permettant aux équipes de livrer plus d’histoires utilisateurs sans augmenter la capacité.
• Délai de mise en marché réduit : En livrant plus d’histoires par sprint, l’équipe a augmenté la rapidité de mise en marché et a pu assumer un champ d’application de projet élargi.
• Évolutivité organisationnelle : A créé des modèles réutilisables GenAI et des actifs d’ingénierie évolutifs dans plusieurs secteurs d’activité, réduisant le double emploi d’efforts.