Transformation IA — Faire évoluer l’Engineering, pas seulement déployer des outilsAI Transformation — Evolving Engineering, Not Just Deploying Tools

Situation

À mesure que les plateformes digitales d’OTIS prenaient de l’ampleur, le modèle de delivery devait gagner en vitesse, qualité, réutilisabilité, standards et observabilité. En parallèle, les outils de développement assisté par IA devenaient suffisamment matures pour justifier une expérimentation structurée. Le risque était de multiplier des pilotes d’outillage sans transformation durable.

As OTIS digital platforms scaled, the delivery model needed to improve speed, software quality, reuse, standards and observability. At the same time, AI-assisted development tools were becoming mature enough to justify structured experimentation. The risk was to create a collection of tool pilots without a durable operating-model change.

MandatMandate

Initier une transformation de l’Engineering assistée par IA couvrant Engineering, Product, Development, Operations et Quality. L’objectif : identifier rapidement des cas d’usage crédibles, démontrer la valeur, puis faire évoluer progressivement les pratiques Agile, les rôles, les standards et l’operating model du cycle de développement.

Initiate an AI-enabled Engineering transformation spanning Engineering, Product, Development, Operations and Quality. The objective was to identify credible use cases quickly, demonstrate value, and progressively evolve Agile practices, roles, standards and the software-delivery operating model.

Approche & décisions clésApproach & key decisions

• Poser une stratégie commune avant les outils : sélectionner les points de friction à forte valeur avec les responsables Engineering, Product, Development, Operations et Quality, et prioriser des quick wins permettant de créer de la confiance.
• Expérimenter sur le cycle réel de delivery : assistance au code et à la documentation, génération de composants répétitifs, préparation de tests, analyse de logs, troubleshooting, navigation dans de grandes codebases, préparation de revues de code et détection plus précoce de risques de qualité ou de sécurité.
• S’appuyer sur l’environnement existant — notamment GitHub Copilot, Azure DevOps, Visual Studio, SonarQube et les patterns Azure — plutôt que créer une couche IA déconnectée des workflows d’Engineering.
• Préparer l’évolution de l’operating model : équipes plus intégrées, responsabilité end-to-end renforcée, boucles de feedback plus rapides et intervention de l’IA du backlog jusqu’au diagnostic en production, avec validation humaine sur les décisions critiques.

• Define a shared strategy before selecting tools: identify high-value friction points with Engineering, Product, Development, Operations and Quality leaders, and prioritize quick wins that could build confidence.
• Experiment across the real delivery lifecycle: code and documentation assistance, repetitive component generation, test preparation, log analysis, troubleshooting, navigation through large codebases, code-review preparation, and earlier identification of quality or security risks.
• Embed AI in the existing environment — including GitHub Copilot, Azure DevOps, Visual Studio, SonarQube and Azure-aligned patterns — rather than creating a separate AI layer disconnected from Engineering workflows.
• Prepare the operating-model shift: smaller and more integrated teams, stronger end-to-end ownership, faster feedback loops, and AI support from backlog clarification through production diagnostics, while retaining human validation for critical decisions.

Impact / résultatsImpact / results

• Démarche structurée et transverse lancée, remplaçant des expérimentations isolées par une trajectoire commune.
• Premiers cas d’usage suffisamment concluants pour valider la pertinence d’un delivery assisté par IA lorsqu’il est intégré aux pratiques d’Engineering.
• Direction partagée sur l’amélioration de la qualité, des standards, de la réutilisabilité, de la documentation et de l’observabilité.
• Transformation présentée comme engagée mais non achevée à mon départ, sans sur-promesse sur des gains non consolidés.

• Launched a structured cross-functional approach, replacing isolated experiments with a common transformation direction.
• Early use cases were strong enough to validate the relevance of AI-assisted delivery when embedded in Engineering practices.
• Created shared direction around software quality, standards, reuse, documentation and observability.
• Deliberately positioned the transformation as initiated but not fully matured before my departure, without overstating unvalidated productivity gains.