Les 5 niveaux d'autonomie IA dans le management engineering
Aliaume Caplat Fondateur, DevPrism
LinkedIn
Chaque engineering leader connaît ce sentiment : vous déployez Copilot, Cursor ou Claude Code, vous constatez un gain de productivité — et ensuite vous vous demandez « Et après ? Jusqu’où doit-on laisser l’IA aller ? »
La réponse n’est pas binaire. C’est un parcours gradué. Et la plupart des organisations — et des plateformes — sont bloquées au niveau 1.
Pourquoi un framework est essentiel
L’industrie automobile a défini 6 niveaux de conduite autonome (SAE J3016). Ça a donné à chaque partie prenante — ingénieurs, régulateurs, consommateurs — un vocabulaire partagé et un chemin de progression clair.
Le management engineering a besoin de la même chose. Sans framework :
- Les équipes sur-investissent dans l’outillage IA sans mesurer l’impact
- Les leaders ne peuvent pas articuler leur stratégie IA devant le board
- Les éditeurs revendiquent « AI-powered » sans préciser ce que leur IA fait réellement
- Les problèmes de confiance bloquent l’adoption car il n’y a pas de chemin incrémental
Nous proposons 5 niveaux d’autonomie IA dans le management engineering — un modèle que nous avons implémenté dans DevPrism et affiné avec nos early adopters.
Les 5 niveaux
Niveau 0–1 : Observer & Gouverner
Ce que ça fait : Dashboards BI temps réel synchronisés depuis votre toolchain. DORA, SPACE, AI Impact, Quality — visibles en un coup d’œil.
Exemple concret : Votre VP Eng ouvre DevPrism le lundi matin et voit que le Lead Time a augmenté de 30% cette semaine. Le dashboard montre immédiatement quelle équipe est impactée.
Qui s’arrête ici : Jellyfish, Swarmia, Waydev, Pluralsight Flow, et la plupart des dashboards internes. Ils montrent des chiffres mais laissent le « pourquoi » aux humains.
Exigence de confiance : Faible — c’est en lecture seule. Aucun risque.
Niveau 2 : Investiguer
Ce que ça fait : Les agents IA diagnostiquent automatiquement les causes racines en corrélant métriques, PRs, patterns d’activité et données temporelles.
Exemple concret : L’agent détecte que le spike de Lead Time vient de 3 relecteurs surchargés qui accumulent 12 PRs en attente chacun — cause racine identifiée en 2 minutes au lieu de 2 heures.
Insight clé : C’est ici que le changement de paradigme se produit. La plateforme ne se contente plus de montrer un chiffre rouge — elle explique pourquoi il est rouge. Une investigation qui prenait 2 heures à un EM se fait désormais automatiquement.
Exigence de confiance : Moyenne — l’agent lit les données et raisonne, mais ne modifie rien.
Niveau 3 : Recommander
Ce que ça fait : Les agents proposent des actions concrètes et contextualisées. Ils ne se contentent pas de trouver le problème — ils recommandent la solution avec les preuves à l’appui.
Exemple concret : Le Quality Guardian détecte une régression de couverture et identifie les 3 PRs responsables. L’agent recommande : « Redistribuer la charge de review entre 2 équipes adjacentes — l’équipe Platform a 3 relecteurs disponibles ce sprint. »
Capacités clés :
- PR Intelligence : risk scoring sur 8 facteurs, détection de blocages, suggestion de relecteurs
- Capacity Planning : détection de surcharge, single points of knowledge, scoring de risque burnout
- Quality Guardian : attribution de régression jusqu’à la PR spécifique
Exigence de confiance : Moyenne-haute — l’agent fournit des recommandations, mais un humain valide chaque action.
Niveau 4 : Piloter & Exécuter
Ce que ça fait : La Policy Engine exécute les actions selon 3 sous-niveaux d’autonomie :
- Suggest : l’agent recommande, l’humain décide
- ActWithApproval : l’agent prépare l’action, l’humain valide en un clic
- AutoAct : l’agent agit de manière autonome dans les limites définies par les politiques
Write-back vers GitHub, Azure DevOps et GitLab : commentaires, labels, assignations, rotation de relecteurs.
Exemple concret : La Policy Engine assigne automatiquement un relecteur disponible, ajoute le label « needs-review » et notifie l’équipe sur Slack — sans intervention humaine. Si la politique est en « ActWithApproval », l’EM reçoit une demande de validation en un clic.
Insight clé : C’est le vrai différenciateur. L’organisation choisit son niveau d’autonomie par type d’action. Les déploiements critiques restent en « Suggest », tandis que les assignations de PR routinières tournent en « AutoAct ».
Exigence de confiance : Élevée — mais granulaire. Chaque politique définit son propre plafond d’autonomie.
Niveau 5 : Boucle fermée (Prochainement)
Ce que ça fait : Optimisation continue avec feedback loop. Les agents mesurent l’impact de chaque action effectuée, comparent les résultats attendus vs. réels, et ajustent les politiques automatiquement.
Exemple concret : Après redistribution des reviews, l’agent mesure que le Lead Time a baissé de 25%. Il ajuste le seuil de surcharge de 12 à 10 PRs pour la prochaine itération — parce que les données prouvent qu’un seuil plus strict donne de meilleurs résultats.
Insight clé : L’objectif ultime n’est pas « la full automation » mais l’amélioration itérative et mesurée. Chaque action d’agent devient un data point qui améliore les décisions futures.
Exigence de confiance : Très élevée — nécessite des mois d’opérations validées au niveau 4.
Où s’arrêtent les concurrents
| Plateforme | Niveau 0–1 | Niveau 2 | Niveau 3 | Niveau 4 | Niveau 5 |
|---|---|---|---|---|---|
| Jellyfish | ✅ | 🟡 assistant conversationnel, signaux | 🟡 insights partageables | ❌ | ❌ |
| Swarmia | ✅ | ✅ recherche de cause racine | 🟡 plan d’action sur enquêtes DX | ❌ | ❌ |
| LinearB | ✅ | ❌ | ❌ | 🟡 gitStream — YAML par dépôt | ❌ |
| Waydev | ✅ | ❌ | ❌ | ❌ | ❌ |
| Faros AI | ✅ | ❌ | 🟡 « SDLC discoveries » | 🟡 policy engine IA, pas d’écriture dépôt | ❌ |
| DevPrism | ✅ | ✅ | ✅ | ✅ | 🔜 |
✅ disponible · 🟡 partiel ou périmètre plus étroit · ❌ non proposé publiquement — sources en fin d’article
L’investigation existe désormais ailleurs : Swarmia cherche la cause racine derrière une tendance, Jellyfish fait remonter des signaux. L’écriture dans les dépôts existe aussi, chez LinearB, via un fichier YAML à maintenir dans chaque dépôt. Ce que personne d’autre ne relie, ce sont les deux bouts : investiguer, puis agir sur son propre constat, derrière un curseur d’autonomie par politique et une piste d’audit intégrale. Dans le tableau, la moitié gauche se remplit chez plusieurs éditeurs. La moitié droite, non.
Deux échelles, deux objets
Le vocabulaire de l’autonomie graduée se diffuse — et c’est une bonne nouvelle pour toute la catégorie. Swarmia a publié sa propre échelle à cinq niveaux, mais elle classe autre chose : ce que font les agents de code, de l’autocomplétion à l’orchestration multi-agents.
Celle-ci classe ce que votre plateforme de pilotage a le droit de faire de ce qu’elle observe : jusqu’où elle investigue seule, jusqu’où elle recommande, jusqu’où elle agit. Deux échelles, deux objets. La première vous aide à choisir un agent de code ; la seconde décide de qui garde la main sur vos dépôts.
La question n’est donc pas de savoir qui publie un schéma, mais où s’arrête la chaîne : quels agents investiguent, recommandent avec preuves à l’appui, puis agissent sous le contrôle d’une Policy Engine traçable. Le différenciateur de DevPrism n’a jamais été l’idée des niveaux d’autonomie ; c’est leur implémentation gouvernée, livrée du niveau 0 au niveau 4.
Le principe fondamental : vous contrôlez le curseur
L’aspect le plus important de ce framework n’est pas la technologie — c’est la graduation de confiance.
Les équipes nouvelles à l’IA devraient commencer au niveau 0. Laissez les dashboards construire la confiance. Puis débloquez l’investigation. Puis les suggestions. Chaque niveau prouve sa valeur avant de passer au suivant.
Il n’y a pas de bouton « activer la full automation ». Et il ne devrait pas y en avoir.
Les organisations qui réussiront avec l’IA dans le management engineering sont celles qui :
- Commencent par observer — obtenir de la visibilité sur ce que l’IA change réellement
- Laissent les agents expliquer — passer de « qu’est-ce qui s’est passé » à « pourquoi ça s’est passé »
- Examinent les suggestions — construire la confiance à travers des recommandations précises et actionnables
- Délèguent progressivement — automatiser les décisions routinières tout en gardant les humains dans la boucle pour les décisions critiques
- Mesurent tout — chaque action d’agent devient un data point
Où se situe votre organisation ?
La plupart des équipes engineering que nous rencontrons se situent entre le niveau 0 et le niveau 1 — elles ont des dashboards, mais pas d’intelligence automatisée.
Celles qui avancent le plus vite ne sont pas celles avec l’IA la plus sophistiquée. Ce sont celles avec un framework clair pour savoir quand et comment augmenter l’autonomie.
C’est exactement ce que DevPrism propose.
Démarrer l’essai gratuit de 14 jours → — découvrez où se situe votre équipe sur le spectre d’autonomie.
Sources
Le tableau ci-dessus s’appuie sur la documentation publique de chaque éditeur :