IA et agilité, cadence, feedback, décisions
Intégrer l'IA dans un cadre Scrum ou SAFe, ajustement de la cadence, feedback loops courts et gestio
Formation créée le 03/05/2026.Version du programme : 1
Type de formation
DistancielDurée de formation
7 heures (1 jour)Accessibilité
OuiIA et agilité, cadence, feedback, décisions
Intégrer l'IA dans un cadre Scrum ou SAFe, ajustement de la cadence, feedback loops courts et gestio
Scrum et SAFe supposent que vous pouvez estimer une story, identifier les blocages et converger vers un produit stable en deux semaines. Avec l'IA, cette mécanique s'écroule. Vous ne savez pas si le modèle va marcher avec vos données. Vous ne savez pas si ses décisions sont explicables. Vous ne savez pas si l'inférence va tenir en production. Et vous découvrez tout ça pendant le développement, pas avant. Cette formation s'adresse aux Scrum Masters, coachs agiles, RTE et leads de transformation qui doivent adapter cadence, rituels et prise de décision quand l'IA est dans le sprint. Comment on fait une sprint review d'une feature IA quand le modèle est à 70% d'accuracy. Comment arbitrer entre "on ship en production avec des limites documentées" et "on repousse pour plus de training data". Comment le coach aide PO et équipe à naviguer l'incertitude. À la sortie, vous savez piloter un sprint IA de manière prévisible, adapter les rituels et trancher les décisions difficiles avec votre équipe.
Objectifs de la formation
- Adapter la cadence Scrum ou SAFe quand une équipe intègre un projet IA
- Concevoir des rituels agile efficaces face à l'incertitude IA (story points, refinement, review)
- Définir des métriques de qualité IA adaptées à chaque phase (expérimentation, MVP, production)
- Identifier et gérer les anti-patterns, overengineering du modèle, paralysie d'analyse, deployment trop rapide
- Accompagner une équipe à travers les cycles d'IA-driven development
Profil des bénéficiaires
- Scrum Masters et coachs agiles
- Release Train Engineers et Scrum Masters SAFe
- Leads transformation agile
- Responsables de programme ou domaine technique intégrant l'IA
- Pratique de Scrum ou SAFe depuis au moins 2 ans
- Compréhension du framework agile et des rituels
- Aucune compétence technique en IA requise, curiosité bienvenue
- Pratique de Scrum ou SAFe depuis au moins 2 ans
- Compréhension du framework agile et des rituels
- Aucune compétence technique en IA requise, curiosité bienvenue
Contenu de la formation
Module 0 - IA et agilité, où ça casse (1h)
- Hypothèses agiles en temps normal, features estimables, code qui marche ou ne marche pas
- Hypothèses agiles cassées avec l'IA, modèle qui marche "assez bien", accuracy qui change avec les données, latence d'inférence qui explose en prod
- Asymétrie d'information, un data scientist sait qu'un modèle à 80% accuracy n'est pas viable, un PO ne le sait pas. Comment réduire le gap
- Trois types d'incertitude, technique, métier, exploitation
- Livrable du module : grille de lecture des incertitudes IA en sprint
Module 1 - Adapter la cadence et les story points (1h30)
- Sprint IA, exploration rapide + décision au bout d'un cycle
- Story points pour l'IA, ne pas estimer la qualité finale (inutile), mais l'effort d'expérimentation
- Spike vs story, distinguer "on explore si l'IA peut marcher" et "on développe une feature IA documentée et testée"
- Granularité, pas de "intégrer la recommandation IA" (trop grosse), mais "valider que nos données suffisent pour former un modèle de reco"
- Backlog IA type, exploration des données, baseline model, test, évaluation accuracy, productionization
- Livrable du module : template de breakdown IA et stories pour un cas d'usage
Module 2 - Refinement et conversation face à l'incertitude (1h30)
- Refinement classique vs refinement IA, embarquer questions exploratoires et critères "suffisant"
- Questions à poser au PO, "on cherche 90% d'accuracy ou 75%", "si le modèle marche avec nos données mais dégénère avec 10x de volume", "la latence peut atteindre 500ms"
- Conversation avec l'équipe, data scientist explique les risques, PO arbitre les compromis acceptables, SM s'assure que c'est documenté
- Anti-patterns, "on verra bien à la review", "le data scientist sait déjà la réponse" (faux), "on échange par chat plutôt qu'en raffinement"
- Livrable du module : checklist de refinement IA
Module 3 - Sprint review, success metrics et décisions (1h30)
- Review IA décente, le modèle marche à X% accuracy sur ces données avec ces limites, voici le prochain pas
- Success criteria, ne pas chercher une story finie mais une story où on sait quoi faire au sprint suivant
- Conversations difficiles, le modèle marche à 70%, suffisant ou non
- Types de décision en fin de sprint IA, go pour dev en production, go avec limitations documentées, on reforme, on pivote
- Rétrospective IA, pourquoi on a sous-estimé le temps de nettoyage de data, comment améliorer la qualité des spikes
- Livrable du module : template de review IA et critères de décision
Module 4 - Gestion des risques et anti-patterns (1h)
- Anti-pattern overengineering, on cherche 98% accuracy quand 80% suffit
- Anti-pattern paralysie d'analyse, on explore sans fin, on ne décide jamais
- Anti-pattern délégation totale au data scientist, le PO ne comprend pas les compromis
- Anti-pattern discovery insuffisant, on assume les données sans vérifier
- Posture du coach, aider sans se substituer aux experts
- Métriques en sprint, accuracy, precision/recall, latence, explicabilité
- Livrable du module : risk register IA, decision log, checklist anti-patterns
Équipe pédagogique
Suivi de l'exécution et évaluation des résultats
- Évaluation initiale par questionnaire de positionnement
- Évaluation continue via les productions réalisées pendant la formation
- Évaluation finale par un cas pratique adapté au contenu du programme
- À chaud : questionnaire d'évaluation en fin de session (contenu, pédagogie, animation, atteinte des objectifs)
- À froid : questionnaire à J+30 (mise en application, cas d'usage réellement utilisés, gains observés, freins rencontrés)
Ressources techniques et pédagogiques
- Supports de formation numériques
- Études de cas réels par domaine (data science, ML ops, recommandation, classification)
- Outils IA sélectionnés par le formateur
- Documents de travail fournis aux participants
- Bibliothèque de prompts et templates de cérémonies agiles IA
- Checklists conformité et données (RGPD, CNIL pour la donnée d'entraînement)
- Modèles de charte d'usage IA et règles de gouvernance
- Outils collaboratifs (ex Klaxoon) pour les ateliers et productions
- Métriques IA simplifiées (accuracy, precision/recall, latence, explicabilité, qualité data)
- Guide du coach face à l'incertitude IA
Qualité et satisfaction
Modalités de certification
- Être capable d'utiliser l'IA de manière responsable et efficace
- Formation non certifiante. Validation des acquis par une évaluation finale sous forme de cas pratique.
- Aucune certification associée à ce programme à ce jour.
Délai d'accès
Accessibilité
L'organisme de formation Knowledge Ladder Academy s'engage à garantir l'accessibilité de ses formations à toutes et tous, y compris aux personnes en situation de handicap. Afin d'anticiper et d'adapter les modalités pédagogiques aux besoins spécifiques des apprenants concernés, nous vous invitons à nous informer au moins une semaine avant le début de la formation de toute situation nécessitant un aménagement particulier. Un référent handicap est disponible pour analyser les besoins et mettre en place les mesures nécessaires : adaptation des supports pédagogiques, assistance technique, aménagement des modalités d'évaluation ou tout autre dispositif facilitant l'apprentissage. Contactez-nous pour toute demande d'aménagement ou d'information complémentaire à accessibilite@knowledgeladder.academy. Nous vous recommandons d'effectuer cette démarche avant votre inscription afin de garantir une expérience optimale et adaptée à vos besoins.