Le playbook interne de GitHub pour construire une workforce augmentée par l’IA

• GitHub diffuse l’adoption de l’IA avec une approche centrée sur l’humain et construit des capacités IA à l’échelle de toute l’entreprise
• L’adoption de l’IA n’est pas un problème technique mais un enjeu de conduite du changement : il ne s’agit pas simplement de déployer des outils, mais de reconfigurer la manière dont l’organisation travaille
• Pour réussir, GitHub a conçu un modèle opérationnel fondé sur 8 piliers (AI Advocates, politiques claires, opportunités d’apprentissage, mesure pilotée par les données, responsable désigné, soutien des dirigeants, outils adaptés, communautés de pratique)
• L’entreprise a également mis en place une vision portée activement par les dirigeants, des règles d’usage claires, un réseau volontaire d’ambassadeurs, des communautés de pratique (CoP), des parcours d’apprentissage structurés, un leadership dédié et un système de mesure capable de démontrer le ROI
• Cette stratégie montre qu’il s’agit d’une approche structurelle allant bien au-delà de la simple adoption, pour stimuler la transformation du travail, la hausse de la productivité et le développement des talents

---

Introduction : opportunité et enjeu central

• L’IA générative représente une opportunité majeure pour accélérer la performance des entreprises, et une véritable course est en cours pour en capter la valeur
• L’enjeu n’est pas de reconnaître le potentiel de l’IA, mais de l’activer à l’échelle, et c’est là que se joue la réussite
• De nombreuses organisations surinvestissent dans des outils d’IA, mais l’adoption reste limitée à une minorité d’utilisateurs enthousiastes, sans se transformer en gains de productivité à l’échelle de l’entreprise
• La différence entre les organisations très performantes et celles qui stagnent tient à l’existence, ou non, d’une stratégie d’activation intentionnelle et systématique

Une idée reçue qui mène à l’échec : non pas un déploiement technique, mais de la conduite du changement

• Les entreprises traitent souvent l’adoption de l’IA comme une installation logicielle, alors qu’il s’agit en réalité d’un enjeu de conduite du changement consistant à recâbler les façons de travailler
• Ce qui fait la différence entre succès et échec, ce n’est pas l’achat de licences, mais la mise en place d’une infrastructure humaine capable de transformer des collaborateurs sceptiques en power users

Nature du document : le playbook interne de GitHub

• Ce document est le playbook interne que GitHub a développé et exploité pour construire une maîtrise de l’IA au sein de sa workforce mondiale
• Issu de l’initiative AI for Everyone, il fournit un blueprint de pratiques validées sur le terrain, et non une théorie
• L’objectif est de rendre reproductible, pour d’autres organisations, un système capable d’ancrer l’IA dans la manière de travailler

Vue d’ensemble du modèle opérationnel : un système de composants complémentaires

• Une activation réussie de l’IA n’est pas conçue comme une initiative unique, mais comme la somme de composants complémentaires
• En combinant avec précision stratégie top-down et momentum grassroots, GitHub crée un écosystème dans lequel la maîtrise de l’IA peut prospérer
• Les fondations de cet écosystème reposent sur un sponsoring visible des dirigeants et des politiques et garde-fous clairs
  • Le sponsoring du leadership crée le point de départ, grâce à la vision et à l’investissement
  • Les politiques et garde-fous offrent aux employés un cadre leur permettant d’expérimenter et d’innover en sécurité

Les huit piliers (8 Pillars) : définition et rôle

• AI Advocates : un réseau interne de champions bénévoles chargé de diffuser l’adoption grâce à l’influence des pairs et aux retours du terrain
• Clear policies and guardrails : des règles et lignes directrices simples et compréhensibles par tous pour soutenir un usage responsable
• Learning and development opportunities : un écosystème d’apprentissage accessible fondé sur une curation de contenus externes de qualité
• Data-driven metrics : un cadre de mesure à plusieurs niveaux pour suivre l’adoption, l’usage actif et l’impact business
• Dedicated responsible individual (DRI) : un responsable central chargé d’orchestrer le programme, d’activer les autres et de piloter la stratégie d’ensemble
• Executive support : un engagement visible du leadership qui apporte vision, investissement et communication transparente
• Right-fit tooling : un portefeuille d’outils first-party et third-party validés, adapté à la diversité des rôles et des cas d’usage
• Communities of practice (CoPs) : des forums dédiés à l’apprentissage entre pairs, au partage de connaissances et à la résolution de problèmes

Focus d’exécution : trois éléments de liaison

• 1) Équiper les équipes + construire un système de soutien humain : fournir des outils d’IA validés, former des champions internes via le programme Advocates, et pérenniser l’apprentissage entre pairs grâce aux CoPs
• 2) Amplifier avec un L&D structuré : faire progresser de manière systématique les compétences techniques et métier grâce à des parcours d’apprentissage standardisés et à une curation de contenus
• 3) Opérer avec un DRI et les données : le DRI pilote les décisions d’investissement et fait évoluer en continu le programme en mesurant et en améliorant l’impact à l’aide d’indicateurs pilotés par les données

Put the framework into action

• Un cadre d’usage de l’IA ne se limite pas à la compréhension de ses éléments clés : il exige une approche stratégique pour les mettre réellement en œuvre
• GitHub propose une feuille de route d’exécution centrée sur les huit piliers, dont le point de départ est le soutien des dirigeants (Executive support)
• Lorsque les dirigeants formulent clairement la vision et ses raisons d’être, et expliquent concrètement quelle valeur l’IA apporte au travail des employés, ils peuvent créer l’élan initial

Executive support: How to set the tone

• La réussite de l’adoption de l’IA commence par le rôle des dirigeants
• Au-delà de la simple mise à disposition d’outils, ils doivent marteler en continu le « pourquoi » de la stratégie IA de l’entreprise
• Plutôt que de présenter des objectifs abstraits, il faut les traduire en bénéfices concrets directement liés au travail quotidien des employés afin de renforcer l’engagement
• Exemple de message à destination des ingénieurs :
  « Grâce à l’IA, nous éliminons les tâches répétitives et fastidieuses. Copilot prend en charge l’écriture de code boilerplate, la génération de tests unitaires et le résumé de PR complexes, afin que vous puissiez vous concentrer sur la résolution créative de problèmes. »
• Exemple de message à l’échelle de l’entreprise :
  « L’objectif de notre stratégie IA est d’apporter plus vite de meilleurs produits à nos clients. En amplifiant nos capacités grâce à l’IA, nous pouvons accélérer l’innovation et nous concentrer sur des tâches créatives à plus forte valeur ajoutée. »

Une approche réaliste et transparente

• L’adoption de l’IA s’accompagne inévitablement d’automatisation du travail et d’évolution des métiers
• Ignorer cette réalité crée de l’anxiété et de la résistance, ce qui freine l’adoption
• Les dirigeants doivent donc aller au-delà de simples paroles rassurantes et présenter concrètement l’évolution des rôles ainsi qu’une stratégie de montée en compétences (upskilling)

• À ne pas dire : « Vos emplois sont en sécurité. »
• À dire : « Voici comment notre travail va évoluer, et voici comment nous allons vous aider à acquérir les nouvelles compétences nécessaires. »

• Cette approche honnête permet de bâtir la confiance en traitant les employés comme des partenaires du changement

Stratégie de communication personnalisée

Les messages sur l’IA doivent être adaptés à chaque public

• Managers :
  Il faut les préparer non seulement à un usage individuel, mais aussi à guider toute leur équipe. Les managers doivent être en mesure de repenser les workflows de l’équipe, d’identifier les tâches automatisables et de redéfinir les activités à forte valeur ajoutée. Il faut les encourager à relier directement l’adoption de l’IA à l’amélioration de la performance et de l’innovation de l’équipe.
• Senior ICs :
  Il faut les pousser à devenir non seulement plus performants individuellement, mais aussi de véritables architectes internes des usages de l’IA. Leur influence dans l’organisation étant forte, ils jouent un rôle essentiel dans l’introduction et la standardisation de nouvelles façons d’utiliser l’IA. Ils doivent maximiser leur propre performance avec l’IA tout en diffusant les compétences IA comme mentors internes. Cela permet d’amplifier de façon exponentielle l’impact des talents clés.

Policies and tooling: Providing clarity and access

• Pour déployer l’IA à l’échelle de l’organisation, des garde-fous (guardrails) clairs sont indispensables
• Si les employés ne savent pas clairement ce qui est autorisé, ils n’essaieront même pas d’expérimenter ; une politique d’usage acceptable (Acceptable Use Policy) claire et facile d’accès est donc une condition préalable au succès
• Ce n’est pas simplement une question de conformité, mais la base qui permet aux employés d’utiliser l’IA en toute sécurité et avec confiance

• Principes d’élaboration de la politique

  • La politique doit être élaborée en collaboration avec les principales parties prenantes, notamment l’IT, les RH, la sécurité et le juridique
  • Cela permet d’adopter une approche globale en matière de gestion des risques
  • La politique finale doit être fournie sous la forme d’un document unique centralisé, répertoriant clairement tous les outils d’IA approuvés ainsi que les types de données adaptés à chacun d’eux

• Modèle d’outillage à niveaux (Tiered tooling)

  • Un modèle de politique d’usage de l’IA efficace repose sur une approche par niveaux
  • Plutôt que d’énumérer simplement des interdictions, il s’agit de distinguer clairement ce qui est approuvé afin d’aider les employés à prendre facilement leurs décisions

• Tier 1 : outils entièrement vérifiés et approuvés

  • Des outils ayant fait l’objet d’un examen interne approfondi par les équipes sécurité et juridique
  • Sûrs pour traiter des données confidentielles de l’entreprise et des données clients
  • Inclut les produits 1st-party de l’entreprise (par ex. GitHub Copilot) ainsi que des outils 3rd-party de niveau entreprise sous contrat et approuvés
  • Les employés peuvent considérer les outils de cette catégorie comme le choix sûr par défaut

• Tier 2 : outils publics et grand public non vérifiés

  • Englobe l’ensemble des outils d’IA publics que l’entreprise n’a ni officiellement contractualisés ni vérifiés
  • La politique est simple et universelle : ces outils ne peuvent être utilisés qu’avec des données publiques et non sensibles
  • Cela permet aux employés d’expérimenter librement de nouvelles technologies d’IA sans mettre les données de l’entreprise en danger

• Effets et message

  • Ce modèle à niveaux donne aux employés un cadre mental simple et clair :
    • « Si un outil ne figure pas dans la “liste entièrement vérifiée”, n’utilisez que des données publiques. »
  • Une règle par défaut aussi claire élimine l’incertitude et devient la clé pour diffuser à grande échelle un usage responsable de l’IA

AI advocates: vos relais de terrain

• Pour réussir durablement l’adoption de l’IA, le soutien de la direction et des politiques claires ne suffisent pas : l’influence entre pairs (peer-to-peer influence) est un moteur essentiel
• Dans cette optique, le programme AI Advocates constitue un mécanisme très efficace : il met en place un réseau volontaire de relais internes qui fait le lien entre les équipes individuelles et le programme central de support
• Les Advocates traduisent la stratégie globale en cas d’usage concrets à l’échelle des équipes, créant ainsi naturellement une dynamique IA au sein de l’organisation

• Le moyen le plus efficace de constituer ce réseau est de faire appel à des volontaires
• Plutôt qu’un processus complexe de recommandation formelle, un appel à l’échelle de l’entreprise pour recruter des personnes passionnées par l’IA permet de réunir les bons profils, déjà motivés et sincèrement désireux d’aider leurs collègues à réussir
• Cela conduit rapidement à des relais internes puissants et dignes de confiance

• What advocates do

  • Le rôle des Advocates est multiple et remplit trois fonctions majeures : expert interne, bâtisseur de communauté et canal de feedback
  • Rôle de champion interne
    En tant qu’experts IA au sein de chaque équipe, ils mentorent leurs collègues, répondent aux questions du quotidien et lèvent les obstacles pratiques, ce qui réduit les freins à l’adoption de l’IA
  • Facilitation de l’apprentissage entre pairs
    Ils montrent la valeur de l’IA à travers des exemples concrets et réalistes. En partageant les réussites au sein de l’équipe, ils permettent aux collègues d’en percevoir les effets réels, avec un pouvoir de conviction souvent supérieur à celui d’une formation formelle
  • Porte-voix des équipes
    Ils créent une boucle de feedback entre le programme central et le terrain, en remontant ce qui fonctionne bien, ce qui pose problème et quelles opportunités existent. Le programme peut ainsi s’améliorer en continu sur la base des besoins réels des utilisateurs
  • Conception et collaboration sur la formation
    En collaboration avec le programme central, ils co-conçoivent et animent des sessions de formation sur mesure qui reflètent les besoins spécifiques et les cas d’usage de leurs équipes, pour un impact concret

• Soutenir vos advocates

  • Pour qu’un programme Advocates réussisse, il faut un soutien concret et utile de la part de l’équipe centrale. Les principaux modes de soutien sont les suivants.
  • Développer une communauté d’Advocates autonome
    Mettre en place un espace de communication, comme un canal Slack dédié, et soutenir des points de contact réguliers pilotés par les advocates afin de faire grandir un réseau auto-organisé où les bonnes pratiques sont partagées et les problèmes résolus collectivement
  • Connexion directe avec le leadership
    Permettre aux Advocates d’être directement en lien avec des représentants du leadership, tels qu’un DRI (Directly Responsible Individual) ou un sponsor de programme, afin de créer un point de passage entre les décisions de la direction et les activités sur le terrain
  • Philosophie Train the Trainer
    L’objectif n’est pas de faire des Advocates de simples destinataires d’information, mais d’en faire des mentors et des animateurs d’ateliers. En les développant comme formateurs efficaces et experts des sujets IA, on en fait le prolongement naturel du programme central
  • Grâce à ce soutien, les Advocates s’imposent comme des leaders IA de confiance dans l’organisation et diffusent naturellement les compétences d’usage de l’IA à l’échelle de toute l’entreprise

Communities of practice: favoriser la collaboration

• Si le programme Advocates fournit un accompagnement de proximité (high-touch) au sein des équipes individuelles, le développement de la maîtrise de l’IA (AI fluency) à l’échelle de l’organisation exige aussi un espace de collaboration plus large
• C’est là que les communautés de pratique (Communities of Practice, CoPs) jouent un rôle clé, en offrant des espaces dédiés où les employés peuvent se connecter librement, poser des questions et partager leurs connaissances
• Les CoPs agissent comme le tissu conjonctif (connective tissue) d’un programme d’activation IA réussi : elles brisent les silos et évitent que des enseignements précieux ne se perdent dans des échanges isolés

• Un autre objectif consiste à structurer l’intérêt spontané pour l’IA sans étouffer la créativité
• Dans la plupart des entreprises, il existe déjà de petites communautés IA dispersées, souvent sous la forme de canaux de discussion ou de fils d’e-mails
• Un programme efficace fait évoluer ces activités éparses vers un réseau structuré et cohérent. Pour cela, les étapes clés suivantes sont nécessaires

  • Establishing dedicated, purpose-driven communities

    • Plutôt qu’un unique et immense canal IA, il est plus efficace de créer des communautés dédiées par objectif et par groupe d’utilisateurs
    • Cela permet des échanges plus ciblés et plus pertinents
    • Un exemple de configuration initiale recommandée :
      • Communauté généraliste : un canal pour les annonces à l’échelle de l’entreprise et les questions non techniques (par ex. #how-do-i-ai)
      • Communauté dédiée aux développeurs : un canal pour partager des cas techniques, mener des discussions approfondies et échanger sur des techniques avancées (par ex. #copilot-users)
      • Communautés spécialisées par département : des canaux consacrés aux cas d’usage propres à certaines fonctions, comme le marketing, les ventes ou la finance (par ex. #ai-for-sales)

  • Defining clear charters and leadership

    • Chaque communauté a besoin d’un objectif clairement documenté et d’un responsable (ou groupe de responsables) pour l’animer
    • Les responsables peuvent être choisis parmi les Advocates, afin de maintenir une direction claire dans les échanges et de garantir que la communauté reste durablement une ressource utile

  • Sustaining momentum

    • Ouvrir les canaux ne suffit pas
    • Le programme central de support doit utiliser les communautés comme plateforme pour partager à l’échelle de l’entreprise des cas d’usage IA intéressants issus du terrain, ainsi que pour annoncer de nouvelles fonctionnalités ou des formations
    • Avec le temps, un travail d’évolution et de réorganisation des communautés devient nécessaire

• En développant intentionnellement ces CoPs, on fait émerger un moteur d’apprentissage entre pairs évolutif et auto-entretenu
• C’est un socle indispensable pour permettre à toute l’organisation de gagner en aisance dans l’usage de l’IA

Curated learning and development: abaisser la barrière

• Le simple fait de fournir un accès aux outils d’IA ne suffit pas ; il est indispensable de mettre en place un dispositif de Learning & Development (L&D) pour aider les employés à acquérir une véritable maîtrise (proficiency) dans l’usage de ces outils
• L’objectif est de permettre à tous les employés, quel que soit leur bagage technique, d’acquérir des compétences concrètes en IA adaptées à leur rôle
• Pour cela, GitHub a mis en place un site L&D qui rassemble l’expérience interne et une curation de ressources externes, offrant un écosystème multicouche capable de répondre à différents styles d’apprentissage et besoins

• Une stratégie L&D efficace repose sur les investissements clés suivants

  • A centralized resource hub

    • Il faut un site faisant office de source unique de vérité (source of truth), qui regroupe toutes les ressources de formation liées à l’IA
    • Il ne s’agit pas d’une simple collection de liens, mais d’un espace présentant de manière dynamique des cas d’innovation internes, des bonnes pratiques et des projets d’employés
    • Le dispositif fournit des ressources d’apprentissage tout en jouant un rôle de motivation

  • Core AI Learning paths

    • Des parcours d’apprentissage zero-to-one sont proposés pour que tous les employés atteignent un niveau de compétence de base
    • Plutôt que de produire du contenu maison, GitHub sélectionne et organise des ressources externes déjà éprouvées
    • Les fonctionnalités IA évoluant très vite, le contenu produit en interne risque de devenir rapidement obsolète

  • Building blocks for technical users

    • Les profils techniques avancés n’ont pas besoin d’un apprentissage de base, mais d’accélération dans leur travail
    • Mise à disposition d’une bibliothèque de composants IA réutilisables : templates, dépôts clonables, workflows, etc.
    • Cela aide à réduire les tâches répétitives et à construire rapidement des solutions IA

  • Integration with onboarding

    • L’apprentissage de l’IA est intégré au parcours d’onboarding afin d’aider les nouveaux arrivants à acquérir cette maîtrise dès leur premier jour
    • Cela souligne que la maîtrise de l’IA constitue désormais une compétence clé pour réussir sa carrière

• Cela permet non seulement de renforcer les compétences individuelles, mais aussi d’ancrer une culture d’usage de l’IA à l’échelle de toute l’organisation

Dedicated program leadership: Driving the program

• Un programme d’activation de l’IA ne doit pas être un simple ensemble de ressources, mais un système vivant et continu, ce qui nécessite un responsable dédié (Directly Responsible Individual, DRI) ou une petite équipe dédiée
• Ce leadership joue le rôle de colle entre la stratégie, l’exécution et l’animation de la communauté, pour faire fonctionner l’ensemble de l’organisation comme un système organique unique
• La mission centrale du DRI n’est pas de renforcer son propre périmètre de pouvoir (fiefdom building), mais de faire grandir les capacités des autres (scaling others)

• Rôles et responsabilités clés

  • Owning the program strategy and roadmap

    • Définir la stratégie globale et la feuille de route d’exécution
    • Gérer la planification mensuelle et maintenir l’alignement avec les objectifs de l’entreprise

  • Leading change management

    • En tant que responsable de la conduite du changement dans l’organisation, piloter l’adoption de l’IA de façon fluide et transparente
    • Réduire au minimum la confusion et maximiser le taux d’adoption

  • Acting as a central AI consultant

    • Fournir aux employés et aux Advocates un accompagnement individuel et des permanences (office hours)
    • Aider à résoudre les problèmes complexes et à développer des cas d’usage avancés

  • Amplifying internal success and innovation

    • Identifier et partager les réussites internes
    • Diffuser les bonnes pratiques via la communauté et des ateliers pour créer un cercle vertueux

  • Managing the AI tooling and policy lifecycle

    • Recueillir les demandes de nouveaux outils et gérer l’ensemble du processus d’évaluation, d’approvisionnement et de définition des politiques en collaboration avec l’IT, la sécurité et le juridique

  • Owning adoption and fluency metrics

    • Suivre des indicateurs avancés comme les MAU, les MEU et la segmentation des utilisateurs
    • Démontrer l’efficacité du programme et évaluer la maturité IA des employés

  • Demonstrating business ROI

    • Relier les indicateurs retardés — comme les gains de productivité, l’amélioration de la qualité du code et la satisfaction des développeurs — aux données d’adoption
    • Fournir à la direction un récit ROI fondé sur les données

• Pour cela, GitHub a officiellement nommé un directeur de programme et un program manager afin de piloter l’initiative AI for Everyone
• Cette organisation dédiée garantit le niveau de concentration et de responsabilité nécessaire à l’activation de l’IA à l’échelle de l’entreprise

Metrics: Measuring for success

• Pour justifier les investissements dans un programme d’activation de l’IA et en piloter l’évolution, il est essentiel de mesurer les bons indicateurs
• Il ne suffit pas de compter le nombre de licences distribuées ; il faut comprendre de manière multidimensionnelle l’étendue, la profondeur et les résultats de l’usage de l’IA dans l’organisation
• Comme aucun standard sectoriel ne s’est encore imposé, une approche en plusieurs étapes (étendue de l’adoption → approfondissement des usages → mesure des résultats business) est la plus efficace

• Phase 1: Measuring breadth of adoption

  • Monthly Active Users (MAU) : proportion d’employés ayant utilisé l’IA au moins une fois dans le mois → indicateur de base du taux d’adoption global
  • Monthly Engaged Users (MEU) : proportion d’employés l’ayant utilisée sur plusieurs jours → indicateur clé pour vérifier si l’on dépasse le stade de l’expérimentation initiale pour entrer dans l’habitude

• Phase 2: Measuring depth of engagement

  • User segmentation :
    • Dedicated users : actifs plus de 10 jours par mois (power users centraux)
    • Occasional users : actifs 2 à 9 jours par mois
    • Tire kickers : actifs 1 jour par mois
    • → L’objectif est de faire passer les Tire kickers vers les catégories Occasional/Dedicated
  • Total AI events : nombre total d’interactions, comme les prompts ou l’autocomplétion de code → une hausse du nombre d’événements par utilisateur signale une intégration croissante de l’IA dans le flux de travail

• Phase 3: Measuring business impact

  • Se référer au GitHub Engineering System Success Playbook (ESSP) → il fournit des indicateurs globaux couvrant le bien-être des développeurs, la qualité, la vitesse et les résultats business
  • Principaux indicateurs liés à l’IA :
    • AI leverage : quantification de l’effort manuel économisé et du gain de productivité grâce à l’IA
    • Cycle time : temps nécessaire pour qu’un commit arrive en production → plus il baisse grâce à l’IA, plus cela traduit un gain d’efficacité
    • Code churn : mesure d’un signal de qualité selon que le code produit avec l’IA nécessite ou non moins de reprises
    • Pull request size : nécessité de vérifier que l’IA ne provoque pas des PR excessivement volumineuses
    • Developer wellbeing : suivi pour voir si la réduction des tâches répétitives améliore la satisfaction et réduit le burnout
    • Perceived productivity : enquêtes visant à savoir si les employés ont le sentiment que l’IA leur permet de se concentrer sur un travail à plus forte valeur ajoutée

• Cette mesure en plusieurs étapes permet de démontrer à la fois l’adoption de l’IA, l’approfondissement des usages et le ROI, et d’expliquer sa valeur à la direction à travers un récit fondé sur les données

Executing on enablement: A strategic checklist

Cette checklist est un guide pratique qui organise le framework décrit plus haut en une feuille de route d’exécution étape par étape

• Phase 1: Foundational steps (first 30 days)

  • Obtenir le soutien de la direction
    • S’assurer le concours d’un sponsor au niveau C-level chargé du soutien budgétaire, du soutien public au programme et d’une communication continue
  • Nommer un DRI
    • Désigner un responsable dédié redevable de la réussite du programme et disposant de l’autorité nécessaire pour coordonner les équipes
  • Rédiger une politique d’usage v1
    • En collaboration avec Legal, Security et IT, établir une politique d’usage initiale (par ex. outils vetted vs unvetted) afin de garantir un cadre d’expérimentation sûr
  • Mettre en place des métriques initiales
    • Définir un dispositif de mesure du MAU et du MEU et construire un premier dashboard
  • Annoncer le programme
    • En lien avec le sponsor et l’équipe communication, diffuser une annonce à l’échelle de l’entreprise présentant la vision, les ressources disponibles et le calendrier à venir

• Phase 2: Building momentum (first 90 days)

  • Lancer le programme d’AI advocates
    • Ouvrir un appel à volontaires en interne, organiser des sessions de présentation du rôle et mettre en place des canaux de communication dédiés
  • Mettre en place des communautés de pratique
    • Ouvrir des canaux pour le grand public et pour les développeurs, et définir clairement la charte ainsi que les responsables de communauté
  • Lancer un hub centralisé de ressources
    • Mettre en ligne une version v1 d’un hub interne regroupant les outils approuvés, les politiques et les parcours d’apprentissage
  • Commencer à mettre en avant les réussites
    • Le DRI et les advocates identifient et partagent les premiers cas de réussite afin de diffuser preuve sociale et inspiration
  • Lancer un module d’onboarding
    • En collaboration avec les RH, intégrer un module sur l’usage de l’IA dans le parcours d’onboarding des nouveaux arrivants

• Phase 3: Scaling and measuring (ongoing)

  • Mettre en œuvre un programme "Train the Trainer"
    • Fournir une formation structurée pour renforcer les capacités de mentorat et d’animation d’ateliers des advocates
  • Développer un dashboard de ROI métier
    • Construire un dashboard de ROI reliant les indicateurs d’adoption comme le MAU/MEU à des métriques aval comme le cycle time, la qualité du code et la productivité commerciale
  • Mener des enquêtes qualitatives
    • Grâce à des enquêtes internes simples et régulières, recueillir le ressenti sur les effets en matière de productivité et de bien-être, ainsi que les retours sur le programme

The path to AI fluency

• Investir simplement dans des outils d’IA ne suffit pas
• C’est un programme d’exécution structuré et multiforme qui constitue le facteur clé distinguant les organisations qui concrétisent la valeur de leurs investissements en IA de celles qui n’y parviennent pas

• Il n’existe pas de solution miracle (silver bullet) pour réussir l’adoption de l’IA
• Ce qu’il faut, c’est un effort d’exécution continu et piloté par les données
• Pour cela, les éléments suivants sont indispensables :
  • un soutien total de la direction
  • des politiques claires et accessibles
  • des AI advocates volontaires sur le terrain
  • un engagement à mesurer les bons indicateurs
  • la mise en place d’un système d’exécution solide, capable de s’adapter au changement

• Si la direction s’engage dans une telle approche structurée, l’organisation peut devenir une organisation compatible avec l’IA, plus productive, plus innovante et plus efficace