Comment Skai a mis au point un « cerveau collectif » pour multiplier par 10 la vitesse des flux de travail basés sur l'IA

• Les connaissances organisationnelles renforcent l'efficacité de l'IA. En donnant à l'IA accès aux processus internes, aux systèmes et aux bonnes pratiques, on lui permet de mener à bien des tâches plus complexes.
• Team Brains met à profit l'expertise collective. La documentation partagée, les outils interconnectés et les retours d'expérience continus permettent à l'IA de s'améliorer au fil du temps.
• Skai Labs enregistre des gains de productivité allant de 2 à 10 fois supérieurs. Les flux de travail automatisés et reproductibles sont à l'origine des améliorations les plus significatives, tout en permettant un dépannage et une maintenance plus rapides.
• Cette approche va au-delà de l'ingénierie. Skai Labs utilise des outils « no-code » et, grâce à cette démarche, a réussi à intégrer Claude Code au cœur de ses activités. D'autres départements de Skai commencent également à adopter Team Brains, ce qui ouvre la voie à une productivité accrue et à une automatisation plus poussée.

Il y a environ huit mois, je me suis retrouvé confronté à une question à laquelle je ne m'attendais pas : mon équipe a-t-elle encore raison d'être ?

Je dirige Skai Labs, une équipe chargée de développer des solutions sur mesure pour nos clients. Pendant des années, notre atout a été la rapidité. Nous étions capables de fournir en quelques jours des fonctionnalités qui auraient pu prendre des mois avec les méthodes traditionnelles de développement logiciel. Puis, notre équipe d'ingénieurs a adopté des outils de codage basés sur l'IA, ce qui a permis de doubler la vitesse de développement et de tendre vers une productivité trois fois supérieure.

Nous disposions de centaines de solutions en production, d’une expertise approfondie des besoins clients et d’une méthodologie éprouvée. Plutôt que de renoncer à ces atouts, nous avons cherché à obtenir des résultats similaires en utilisant nos outils et processus existants. Nous ne programmons pas ; l’approche adoptée par nos développeurs n’était donc pas adaptée.

Aujourd'hui, nous développons des solutions sur mesure deux à dix fois plus rapidement. Cette avancée a été rendue possible grâce à la mise en place d'un système de connaissances partagé basé sur l'IA, que nous appelons « Team Brain ».

Pourquoi avons-nous dû repenser le fonctionnement de Skai Labs ?

Lorsque j'ai rejoint Skai en 2009, nous étions une start-up d'une cinquantaine de personnes. À mesure que l'entreprise s'est développée pour dépasser les 500 employés, il est devenu de plus en plus difficile de conserver la souplesse nécessaire pour répondre rapidement aux besoins individuels des clients.

Nous avons créé Skai Labs il y a environ sept ans pour répondre à ce besoin. À l’aide de Make, une plateforme d’automatisation visuelle, notre équipe relie les API de Skai, les systèmes externes et l’infrastructure de données afin de développer des fonctionnalités sur mesure sans modifier l’application principale. Et ce, sans écrire de code, car le développement en code était auparavant trop lent pour nos besoins.

Depuis, notre équipe de cinq personnes a mis au point environ 300 solutions et généré des millions de dollars de chiffre d'affaires par an. Certains projets qui pourraient nécessiter deux ou trois mois de développement selon les méthodes traditionnelles peuvent être livrés en trois jours.

Lorsque l'IA a commencé à révolutionner l'ingénierie, nous y avons vu l'occasion d'intégrer des fonctionnalités similaires dans notre environnement d'automatisation.

Pourquoi le simple fait d'intégrer l'IA à nos outils n'était-il pas suffisant ?

Nous avons connecté Claude Code à Make via le protocole MCP (Model Context Protocol), ce qui permet à l'IA de créer et de modifier directement des flux de travail d'automatisation.

L'intégration a fonctionné, mais Claude manquait de contexte essentiel. Le système comprenait les fonctionnalités de Make sans connaître nos applications personnalisées, les exigences de nos clients, les structures de nos bases de données ni nos normes internes. Il avait besoin de trop d'accompagnement à chaque étape, ce qui s'est avéré frustrant et chronophage – exactement le contraire de ce que nous recherchions.

Un professionnel expérimenté qui rejoint une entreprise est confronté à un défi similaire. Même s'il maîtrise la technologie, il doit encore apprendre comment fonctionne l'organisation et pourquoi certaines pratiques sont en place. 

Nous devions permettre à l’IA d’accéder à ce savoir institutionnel. C’est ainsi qu’est né notre « Team Brain ». Mais ce savoir ne se trouvait pas simplement quelque part, attendant d’être lu par Claude. Il était dans nos cerveaux humains.

Comment fonctionne un « Team Brain » ?

« Our Team Brain » est un dépôt GitHub contenant des fichiers Markdown structurés qui documentent les connaissances, les processus et les normes techniques de notre équipe.

Cette méthodologie repose sur trois éléments :

1. Partage des connaissances et des compétences

Nous organisons la documentation de manière hiérarchique afin que Claude puisse extraire les informations pertinentes sans avoir à charger l'intégralité du référentiel dans son contexte. Les fichiers comprennent les spécifications des API, les schémas de bases de données, les workflows clients et les instructions permettant d'effectuer des tâches spécifiques.

Nous documentons également le raisonnement qui sous-tend les décisions techniques, afin de fournir à l'IA le contexte nécessaire pour adapter de manière appropriée les solutions existantes.

2. L'apprentissage continu grâce au retour d'expérience

Une fois un projet terminé, nous tirons les enseignements susceptibles d'améliorer nos travaux futurs. Nous avons développé une méthode de rétrospective qui permet de passer en revue les interactions et d'identifier les mises à jour à apporter au « Team Brain ».

Les modifications sont soumises via des pull requests sur GitHub, les modifications les plus importantes faisant l'objet d'une révision par les pairs. Nous informons également l'équipe via Slack lorsque de nouvelles informations sont ajoutées.

Cela signifie qu'une correction effectuée par un employé est mise à la disposition de tous.

3. Interconnexions avec les systèmes d'entreprise

Claude est capable d'interagir avec les outils utilisés dans nos flux de travail, notamment Make, Snowflake, Skai, AWS et les systèmes de surveillance. 

Au lieu de passer manuellement d'une application à l'autre pour examiner les données, consulter les journaux, modifier les configurations et valider les résultats, nous pouvons confier une grande partie de cette coordination à l'IA.

Notre rôle consiste à définir des objectifs, à fournir des conseils et à évaluer les résultats.

Concrètement, comment cela se passe-t-il ?

Nous avons récemment dû améliorer un système d'automatisation existant chez un client afin de prendre en charge les données publicitaires provenant de Yahoo Japan. Le client disposait déjà d'intégrations pour les publicités Google et Microsoft, mais l'ajout de ce nouvel éditeur a nécessité des modifications de notre mappage d'identifiants.

J'ai orienté Claude vers deux scénarios existants qui permettaient de résoudre des problèmes similaires. Il a examiné leurs blueprints « Make », passé en revue nos normes internes, analysé le code SQL et validé les modifications proposées à l'aide de données réelles.

L'ensemble de la mise en œuvre, y compris l'exécution et la validation en production, a pris environ 15 minutes. Auparavant, ce même travail aurait pu prendre plusieurs heures.

Au cours de la procédure, Claude a suggéré d'utiliser la commande CREATE OR REPLACE dans une requête SQL. Je l'ai corrigé, car notre équipe préfère utiliser INSERT OVERWRITE dans ce genre de cas. J'ai également expliqué pourquoi nous privilégions cette commande, afin que Claude puisse proposer une autre solution si cette justification n'est pas pertinente.

Ensuite, j'ai animé notre séance de rétrospective. Claude a consigné la correction, mis à jour les fichiers de connaissances concernés et préparé une notification Slack.

Nous avons répondu à la demande du client tout en tirant des enseignements techniques qui pourraient s'avérer utiles pour de futurs projets.

Quelles améliorations de la productivité avons-nous constatées ?

Nous constatons des progrès tangibles dans plusieurs domaines d'activité de Skai Labs :

• Création d'automatisations 2 à 10 fois plus rapide : les workflows reproductibles, accompagnés d'une documentation bien établie, permettent d'obtenir les gains les plus importants. Les exigences peu familières nécessitent généralement davantage d'accompagnement.
• Dépannage plus rapide : Claude peut analyser les journaux, interroger les bases de données et examiner les erreurs, ce qui permet de réduire la durée de certaines analyses de plusieurs heures à quelques minutes.
• Une documentation plus cohérente : les dossiers techniques, les détails de mise en œuvre et l'historique des décisions sont consignés au fur et à mesure de l'exécution.
• Entretien simplifié : le partage des connaissances aide les collaborateurs à comprendre et à mettre à jour les solutions existantes proposées aux clients.

Ces améliorations sont particulièrement utiles pour une équipe de cinq personnes chargée de gérer des centaines de processus d'automatisation en production.

En quoi le travail piloté par l'IA modifie-t-il l'équation de la productivité ?

Notre expérience a mis en évidence une distinction importante entre le travail assisté par l'IA et le travail piloté par l'IA.

Grâce à l'assistance de l'IA, les collaborateurs utilisent des modèles pour accomplir des tâches individuelles, telles que la génération de requêtes SQL ou la synthèse de documents. D'après notre expérience, cela a souvent permis de réaliser des gains progressifs de l'ordre de 10 % à 20 %, tandis que les collaborateurs continuaient à coordonner l'ensemble du flux de travail.

Dans le cadre d'un travail piloté par l'IA et supervisé par des humains, nous fournissons un contexte objectif et pertinent, ainsi que l'accès aux systèmes nécessaires. L'IA coordonne les différentes étapes tandis que les collaborateurs guident l'exécution, valident les résultats et interviennent si nécessaire.

Cela permet aux collaborateurs de consacrer davantage de temps aux exigences, aux décisions techniques et à la qualité, plutôt qu’à la gestion de chaque action.

Pour les organisations qui évaluent la productivité offerte par l'IA, la refonte complète des flux de travail présente un potentiel plus important que l'optimisation de tâches isolées.

L'équipe Brains peut-elle aller au-delà de l'ingénierie ?

Après avoir constaté les résultats obtenus chez Skai Labs, nous avons commencé à étendre cette méthodologie à d'autres services.

Dans le cadre de notre initiative « Agentic Week », menée à l'échelle de l'entreprise, les collaborateurs ont consacré du temps à explorer les possibilités offertes par l'IA en matière de productivité. Plusieurs équipes ont commencé à créer leur propre « Team Brains » et à y intégrer les outils pertinents.

Parmi les applications possibles, on peut citer :

• Réussite client : historique du compte, besoins du client et processus d'assistance.
• Intégration : procédures de mise en œuvre, normes de configuration et tâches de configuration récurrentes.
• Services d'experts : guides techniques, processus de travail spécialisés et enseignements tirés de projets antérieurs.
• Opérations : procédures internes, conditions d'approbation et tickets internes.

Nous étudions également la possibilité de relier les différents « Team Brains » individuels à un système de connaissances plus vaste, à l'échelle de l'entreprise. Cela pourrait, à terme, permettre aux services de tirer parti des informations recueillies dans l'ensemble de l'organisation, même si cette fonctionnalité reste un objectif pour l'avenir.

À partir de quand un travail piloté par l'IA devient-il autonome ?

Au fur et à mesure que notre Team Brain a gagné en maturité, nous avons identifié des flux de travail que Claude est capable d'exécuter de manière fiable avec un minimum d'intervention.

Prenons l'exemple d'un partenaire qui envoie des demandes de configuration client via Slack. Après avoir testé le processus à plusieurs reprises avec Claude, nous avons développé dans Make un agent autonome qui répond à ces demandes et effectue les tâches associées.

Notre approche se déroule en trois étapes :

1. Documenter le processus. Donner à l'IA accès aux connaissances et aux outils nécessaires à son exécution.
2. Validez en pratiquant régulièrement. Analysez les résultats, corrigez les erreurs et tirez-en des enseignements.
3. Automatisez les processus qui ont fait leurs preuves. Déléguez les tâches appropriées dès lors qu'elles peuvent être exécutées de manière fiable, sous une supervision adéquate.

Cela offre une voie concrète permettant de passer d'une assistance par l'IA à une exécution plus autonome.

Quelles en sont les implications pour l'avenir de la productivité grâce à l'IA ?

Notre travail a également mis en évidence l'intérêt d'intégrer l'IA aux systèmes d'entreprise existants. Ce principe se retrouve dans Skai Agent Connect, qui permet à des agents IA externes d'accéder aux fonctionnalités de Skai via MCP.

Pour moi, la leçon à retenir réside dans ce qui s’est passé au sein de Skai Labs. Nous sommes partis d’une équipe qui craignait de perdre son avantage en termes de rapidité à mesure que le développement logiciel s’accélérait. En mettant notre expertise à la disposition de l’IA, nous avons amélioré notre productivité tout en conservant les outils et les pratiques que nous avions mis des années à développer.

Nous en sommes encore à en apprendre davantage, mais notre expérience montre que les gains de productivité qui transforment le génie logiciel peuvent aller bien plus loin. Les organisations qui permettent à l'IA d'accéder à leur savoir collectif, qui l'intègrent à des flux de travail réels et qui maintiennent un contrôle humain ont la possibilité de changer radicalement la manière dont le travail est effectué.

Envie d'en savoir plus ? Skai est là pour vous aider à mieux comprendre en quoi consiste réellement la transformation agentique au sein de votre propre entreprise. Contactez-nous dès aujourd'hui.

---

Questions fréquemment posées