L’IA générative dans la gestion de projets IT : une revue systématique sonne le tocsin de l’exploration
Un chercheur ouvre son tableau de bord, tape un prompt en anglais pour demander à un grand modèle de langage de rédiger le plan de communication d’un sprint, puis copie-colle le résultat dans Jira. Rien d’exceptionnel, me direz-vous. Sauf que cette scène, répétée des milliers de fois dans les études publiées, constitue aujourd’hui l’essentiel de ce que la recherche académique sait faire de l’intelligence artificielle générative dans la gestion de projets informatiques. C’est, en substance, le constat dressé par une revue systématique publiée sur arXiv, qui a passé au crible la littérature disponible selon la méthodologie PRISMA.
Le verdict de la revue : une domination qui inquiète autant qu’elle fascine
Les auteurs ont suivi le protocole PRISMA, c’est-à-dire qu’ils ont identifié, sélectionné, évalué et synthétisé les études pertinentes selon des critères reproductibles. Le résultat est sans équivoque : OpenAI et sa famille GPT occupent une place écrasante dans les travaux examinés. La plupart des recherches se concentrent sur l’ingénierie de prompt, cette pratique qui consiste à formuler des instructions textuelles précises pour guider la sortie d’un modèle. Autrement dit, on demande à l’IA de rédiger, résumer, traduire ou prioriser, mais on ne l’intègre pas encore dans les flux de travail réels.
- La revue met en lumière une forte concentration sur un seul fournisseur de modèle, ce qui pose des questions de résilience et de dépendance technologique.
- La majorité des études se situent à un stade exploratoire : elles démontrent une faisabilité plutôt qu’un déploiement à l’échelle.
- Les groupes de processus de gestion de projet (initiatives, planification, exécution, monitoring, clôture) sont traités de manière inégale, certaines phases étant quasi absentes de la littérature.
Pourquoi cette dépendance à GPT est un signal faible
Lorsque l’ensemble d’un corpus de recherche gravite autour d’un seul modèle, deux risques émergent simultanément. D’abord, un biais de perspective : les limites structurelles d’un modèle unique (fenêtre de contexte, biais culturels anglophones, coûts d’API) contaminent implicitement les conclusions. Ensuite, une fragilité de l’écosystème : si les conditions d’accès changent, si une réglementation restreint l’usage, ou si un concurrent propose une alternative supérieure, la base de connaissances accumulée pourrait nécessiter un recalage complet.
Pour les équipes africaines de l’informatique, cette observation prend une dimension particulière. Le continent dispose d’un nombre croissant de startups de tech et de cabinets de conseil IT, mais l’accès aux API d’OpenAI reste conditionné par la disponibilité de moyens de paiement internationaux et la latence réseau dans certaines régions. L’exploration de modèles open-source ou hébergés localement, comme ceux développés dans des écosystèmes universitaires ouverts à Dakar, Kigali ou Nairobi, gagnerait à être documentée dans la littérature. Ce n’est pas encore le cas, et cette lacune est autant une opportunité qu’un handicap.
Trois trajectoires que la revue identifie comme prometteuses
Plutôt que de se contenter d’un état des lieux, les auteurs esquissent trois directions de recherche qui pourraient redéfinir la relation entre l’IA et la gestion de projet :
- Des agents IA spécifiques à chaque groupe de processus : un agent dédié à la phase d’initiatives qui aide à formaliser un énoncé de besoin, un autre pour le monitoring qui détecte les dérives de budget en temps réel.
- Des agents ancrés dans les rôles projet (chef de projet, développeur, QA, chef d’équipe), chacun avec un contexte de tâches et une autonomie calibrée.
- Des réseaux collaboratifs hybrides où l’humain orchestre, valide et décide, tandis que des agents IA exécutent des sous-tâches et signalent les anomalies.
La troisième piste est sans doute la plus réaliste à court terme. Elle ne remplace pas le chef de projet par une machine ; elle lui adjoint une équipe invisible de spécialistes numériques, capables de scanner les risques, de générer des rapports de statut ou de simuler des scénarios de repli.
Et après ? Ce que cette revue dit de nous, en tant que lecteurs et praticiens
Le message le plus important n’est pas que l’IA générative a échoué en gestion de projet. C’est qu’elle n’a pas encore été éprouvée dans des conditions réelles, avec des équipes pluridisciplinaires, des contraintes budgétaires serrées et des cultures organisationnelles diverses. La littérature reste largement théorique, souvent mono-lingue (anglais), et concentrée sur un seul fournisseur de modèle.
Pour qu’elle devienne un outil de production fiable, il faudra des études de terrain, des retours d’expérience de déploiements, et une diversification des modèles testés. C’est là que les équipes de projets africaines ont un rôle à jouer : documenter leurs usages, publier leurs retours, contribuer à une base de connaissances qui ne soit pas uniquement calibrée sur le contexte américain ou européen.
Une question reste en suspens, et elle vaut pour tout praticien de l’IT : à quel moment arrête-t-on de prompter un modèle et commence-t-on à lui confier une responsabilité ? La frontière entre assistance et autonomie est, pour l’instant, une ligne floue que la recherche tente à peine de tracer.
Sources
