LLM : le nouveau mode d'emploi pour gérer tes projets comme un pro

La gestion de projet n’a plus rien à voir depuis l’arrivée des grands modèles de langage. Ces outils ont complètement transformé la manière de développer un produit et d’accomplir les tâches techniques. Aujourd’hui, un ingénieur logiciel ne passe presque plus de temps à écrire du code : il se concentre sur la supervision et l’optimisation de son travail.

Dans cet article, nous allons explorer comment gérer efficacement un projet à l’ère des IA, depuis l’organisation des tâches jusqu’à leur exécution. Le changement principal réside dans la répartition du temps : autrefois, un développeur passait une grande partie de son temps à coder. Désormais, cette activité a presque disparu au profit d’autres tâches.

LA GESTION DE PROJET A CHANGÉ : CE QUI A CHANGÉ DANS TON TEMPS

Avant l’ère des LLM, un développeur consacrait environ 30% de son temps à coder. Aujourd’hui, ce temps est réduit à presque zéro : il ne produit plus lui-même le code. À la place, il passe du temps à guider des agents IA, qui écrivent le code à sa place. Ce gain de temps, estimé à 30%, peut être réinvesti dans d’autres activités : approfondir ses connaissances, lancer de nouveaux agents IA, tester davantage la plateforme, ou encore automatiser d’autres processus.

Cette nouvelle répartition du temps impose une optimisation différente de l’organisation du travail. L’objectif ? Utiliser son temps de la manière la plus efficace possible. Voici comment y parvenir.

POURQUOI LA CARTOGRAPHIE DES TÂCHES DEVIENT ESSENTIELLE

La première étape consiste à cartographier les tâches avant de les confier à un agent IA. Prenons un exemple concret : une tâche arrive via un message Slack, qu’il s’agisse d’un retour produit ou d’un bug à corriger. Au lieu de se lancer directement dans la résolution, il est crucial de bien définir le périmètre de la tâche.

Pourquoi ? Parce qu’un agent IA, même performant, a besoin de clarté. Imagine une tâche mal définie, avec des ambiguïtés : l’agent commence à coder, mais bute rapidement sur des points flous. Il doit alors interrompre son travail pour demander des précisions. Résultat ? Des allers-retours constants entre l’humain et la machine, ce qui ralentit tout le processus.

L’idéal ? Résoudre ces ambiguïtés avant de lancer l’agent. Pour cela, il faut analyser la tâche en profondeur, soit en réfléchissant soi-même, soit en discutant avec un LLM pour identifier les points à clarifier. Une fois ces ambiguïtés listées, l’agent peut les présenter dans un rapport HTML. L’ingénieur passe ensuite en revue chaque point et exprime ses préférences. Ainsi, une fois lancé, l’agent peut travailler de manière totalement autonome pendant de longues heures, jusqu’à ce que le code soit prêt à être intégré dans la branche de développement.

UTILISER LA COMMANDE /GOAL POUR ÉVITER LES TÂCHES INCOMPLÈTES

Une autre technique essentielle consiste à utiliser la commande /goal. Cette commande agit comme un déclencheur : dès que l’agent affirme avoir terminé une tâche, la commande l’oblige à vérifier si tout a bien été fait. Si ce n’est pas le cas, l’agent est incité à reprendre le travail jusqu’à ce que tout soit conforme aux attentes.

Cette astuce est particulièrement utile avec certains modèles récents, comme Opus 5, qui ont tendance à s’arrêter avant d’avoir tout accompli. Sans la commande /goal, l’agent risque de laisser des bugs ou des fonctionnalités incomplètes. En l’utilisant systématiquement, on s’assure que le travail est mené à son terme, même si l’agent est moins rigoureux qu’avant.

Cette commande est donc un filet de sécurité pour éviter que l’agent ne bâcle une tâche. Elle permet de gagner un temps précieux en évitant les corrections manuelles ultérieures.

TESTER MOINS, AUTOMATISER PLUS : LA NOUVELLE BOTTLENECK

Avec l’automatisation du code, une nouvelle activité occupe désormais une place centrale : le test. Selon les estimations, le temps consacré aux tests a presque doublé depuis l’arrivée des LLM. Pourquoi ? Parce que plus il y a de code généré, plus il y a de choses à vérifier.

Le problème ? Les tests sont devenus le nouveau goulot d’étranglement. Pour limiter cet impact, il faut automatiser au maximum les tests, en utilisant des outils capables d’interagir avec le navigateur. Par exemple, un agent peut être configuré pour lancer un serveur local, accéder à Chrome, et tester l’application de bout en bout.

Cette approche permet à l’agent de détecter des erreurs comme un clic qui mène à une page 404 ou un bouton qui ne fonctionne pas comme prévu. Ainsi, l’agent ne se contente pas d’écrire le code : il le teste lui-même, ce qui réduit considérablement le travail manuel.

DÉFINIR DES CRITÈRES DE SUCCÈS CLAIRS POUR L’AGENT

Pour que les tests soient efficaces, il faut que l’agent sache exactement ce qui constitue une tâche réussie. Sans ces critères, il est impossible pour lui de déterminer s’il a bien accompli son travail. Par exemple, si une tâche consiste à ajouter un bouton, l’agent doit savoir où ce bouton doit apparaître, quelle action il doit déclencher, et comment vérifier que tout fonctionne.

Une solution simple consiste à utiliser des outils comme Playwright MCP, accessible à tous les agents. Cet outil permet de lancer des tests automatisés directement dans le navigateur, en simulant des interactions utilisateur. Grâce à cette intégration, l’agent peut non seulement écrire le code, mais aussi le tester en conditions réelles, ce qui garantit une meilleure qualité.

REPENSER TOTALEMENT LA GESTION DE PROJET À L’ÈRE DES LLM

La gestion de projet a radicalement évolué avec l’arrivée des LLM. Les développeurs passent désormais moins de temps à coder et plus à superviser, tester et optimiser. Ce changement de paradigme offre des gains de productivité considérables, mais il nécessite une adaptation des méthodes de travail.

Il est crucial de ne pas s’en tenir aux anciennes méthodes de gestion de projet, celles qui prévalaient avant les LLM. Sinon, on risque de passer à côté de gains de productivité majeurs. L’idéal ? Tester de nouvelles approches, automatiser autant que possible, et exploiter pleinement le potentiel des LLM, désormais accessibles à tous.

POUR ALLER PLUS LOIN : AUTRES SUJETS CONNEXES

Si ce sujet t’intéresse, voici quelques pistes pour approfondir :

• Comment les machines comprennent la structure des phrases avec la grammaire catégorielle combinatoire.

• Un cadre pour mesurer la qualité de récupération dans les agents utilisant le protocole de contexte modèle.

• Un guide pour surmonter les limites des LLM grâce à la vérification formelle.

• Comment transcrire des vidéos avec identification des intervenants en un seul prompt.

• Explorer des méthodes pour rendre les assistants vocaux plus personnalisés.

• Construire des applications GenAI robustes, reproductibles et fiables grâce à un cadre d’amélioration continue.

EN RÉSUMÉ : LES 3 RÈGLES D’OR POUR GÉRER TES PROJETS AVEC LES LLM

1. Cartographie tes tâches avant de les confier à un agent IA. Plus tu clarifies les ambiguïtés à l’avance, moins tu perdras de temps en corrections.

2. Utilise la commande /goal pour t’assurer que l’agent termine bien son travail. C’est un garde-fou contre les tâches incomplètes.

3. Automatise les tests au maximum. Les LLM écrivent le code, mais c’est toi qui dois définir les critères de succès et configurer les outils de test.

En appliquant ces principes, tu peux transformer ta façon de travailler et gagner un temps précieux. Les LLM ne sont pas une menace pour les développeurs : ils sont un outil puissant pour booster ta productivité.