Ce que l'IA ne sait pas, c'est toi qui le sais.

J'ai un aveu à te faire.

Je déteste faire des tableaux. Les calculs manuels, les formules Excel, les copier-coller de données d'une source à l'autre, c'est le genre de truc qui me donne envie de remettre à demain indéfiniment (je suis paresseux et perfectionniste en même temps... C'est souvent le bordel dans ma tête).

Alors quand j'ai eu à produire un rapport de tendance sur la qualité des livrables de plusieurs équipes, j'ai fait ce que n'importe qui ferait : j'ai passé ma commande à l'IA : "Voici les données brutes. Calcule les tendances par rapport aux mois précédents. Dis-moi ce que tu vois."

Franchement, l'IA a très bien fait le travail. Tendances calculées, graphiques, tout est propre. Et puis elle est allée plus loin, elle a croisé des données, trouvé une corrélation, et sorti une conclusion claire et confiante : l'équipe avait un sérieux problème de qualité.

Sauf que c'est faux (jusqu'à preuve du contraire).

Les données avaient des faux positifs connus : des bugs mal loggués, des entrées incomplètes, car les équipes remplissaient les tickets de manière très variable. On le savait (nous, les humains). On avait délibérément décidé de mesurer quand même, pas pour avoir une image parfaite, mais pour commencer à voir où s'améliorer dans le temps. C'était le but de cette mesure.

L'IA ne savait pas ça. Cette décision-là n'était pas dans le dataset.

"l'équipe a un problème de qualité" et "notre système de logging a besoin d'être standardisé" ne sont PAS deux interprétations différentes du même problème. Ce sont deux problèmes différents, avec deux solutions opposées.

Le truc c'est que l'IA est rapide, multisource, et structurée. Elle traite en quelques secondes ce qui me prendrait une heure. Mais elle hallucine avec confiance quand le contexte lui manque et ce contexte vit pas souvent dans le dataset. Il vit dans les décisions prises autour de la table AVANT que la mesure commence.

La donnée sans contexte c'est du bruit.

Et là, on peut avoir deux mauvaises réactions.

• Soit, t'es bluffé par la confiance du rapport : C'est propre, l'écriture est fluide, parait professionnelle, intelligente et les chiffres s'alignent. Alors, tu valides, tu partages et ton manager prend une décision. Mais la décision est fausse et personne ne comprend pourquoi (sauf toi, parce que toi tu savais ce que les données ne disaient pas). Ta crédibilité est en jeu.
• Soit, tu vois que le résultat est faux : Tu perds confiance, te fermes à l'outil, repars faire tes tableaux manuellement en te disant que l'IA donne de mauvais résultats. Tu t'améliores pas. C'est comme une équipe qui décide que les rétros ne servent à rien, car ils en ont raté plusieurs.

C'est pas une question de technologie, c'est une question de qui détient quoi.

L'IA collecte, analyse et structure. Vite et bien, et sans se plaindre. Mais le contexte des décisions (dans lequel elles ont été prises) c'est toi qui le détiens. Et ça ne se stocke pas dans Jira.

Le SM qui se démarque ne concurrence pas l'IA sur la collecte de données.

Il fait ce que l'IA ne peut pas : il centralise le contexte qui donne un sens aux chiffres, écoute ce qui n'est pas dit, et formule des hypothèses que les données seules ne produiront jamais.

🧪 Ton expérimentation 48h

Ce que l'outil ne savait pas quand il a produit ce résultat.
C'est là que ton travail commence. Pas à la place des données, au-dessus.

Et toi, t'as déjà eu un outil (IA ou autre) qui t'as sorti une conclusion confiante que tu savais fausse parce que tu avait le contexte ? Comment t'as géré ça ?

Allez, A+
Pierre-Cyril (mais tu peux m'appeler PC)