Tu codes avec l’IA ?
Outils, agents et nouveautés dev IA décryptés, chaque soir en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Chez KPMG, un ingénieur « déployé en avant » décrit comment l’IA déplace le cœur du travail : moins d’écriture de code, plus de contexte, de data et de coaching. Projets livrés plus vite, scoring de risque automatisé, présence sur site et transmission continue des pratiques figurent au programme, avec un goulot d’étranglement désormais situé avant le développement.
Transfert en continu et décisions humaines renforcées
Le modèle d’ingénieur déployé en avant chez KPMG privilégie un transfert de connaissances continu plutôt qu’un simple passage de relais logiciel. Dans les approches classiques, un intégrateur rassemble les exigences, construit la solution puis la remet au client, ce qui peut créer un effet de « jeté par-dessus le mur ». En travaillant aux côtés des équipes pendant le développement, la formation et le coaching, les connaissances circulent en temps réel et l’application est livrée avec ses bonnes pratiques, sa documentation et les artefacts nécessaires à son adoption. L’IA libère du temps pour cadrer les problèmes et prendre des décisions critiques, permettant de se concentrer sur les tâches nécessitant un jugement humain.
Livraisons accélérées et scoring de risque alimenté par l’IA
Sur un projet d’intégration de plusieurs applications dans un système complexe, des mois de collecte d’exigences et d’affinage du contexte ont précédé une phase d’exécution où l’IA a permis de livrer l’application en environ un mois. Le client a demandé à comprendre la rapidité et la fluidité obtenues, puis a sollicité un accompagnement pour diffuser les pratiques d’IA et de prompting employées. Dans un autre cas, un dispositif de scoring de risque a été mis en place : des signaux pertinents sont agrégés, l’IA raisonne sur ces signaux pour produire un score, que des évaluateurs indépendants peuvent ensuite exploiter dans leurs analyses.
Un travail déplacé vers le contexte et la donnée
Le point de friction n’est plus l’écriture de code mais l’orchestration du contexte et l’intention en amont du développement. Une part croissante de l’effort se concentre sur les couches de données et d’intégration. Les défis consistent à rendre les données intelligibles pour l’IA, à organiser la surveillance et la visibilité, et à extraire de la valeur de données dispersées entre applications héritées et cloud. L’activité implique d’agréger de grands volumes de données, d’appliquer des capacités de raisonnement de l’IA et de relier des systèmes qui ne communiquent pas naturellement.
Présence sur site et coaching des équipes clientes
La proximité avec les équipes du client fait partie du dispositif : l’ingénieur intervient souvent sur site et privilégie les interactions en personne, jugées plus propices à des échanges organiques et à une meilleure lecture des signaux non verbaux que via des outils de visioconférence. L’accompagnement comprend le coaching à l’usage de l’IA, en s’appuyant sur la technique, la compréhension métier et une communication claire. Lorsque les équipes travaillent au bureau, il se déplace généralement pour les rejoindre, tout en s’adaptant à des configurations à distance quand c’est le cas.
Parcours et périmètre du rôle chez KPMG
L’ingénieur exerce ce rôle chez KPMG depuis environ un an, après un parcours démarré comme développeur Salesforce fédéral et une carrière construite en architecture avant de se tourner vers le conseil. Il indique avoir rejoint l’entreprise il y a six ans et occupe aujourd’hui des fonctions d’architecte technique principal. Le périmètre combine relation directe et continue avec le client, contextualisation poussée de l’IA et injection des résultats dans les livrables. Il affirme que l’IA lui permet d’augmenter sa production, de garder le contexte sur plusieurs projets en parallèle et que les mises en œuvre mal gérées existent, notamment sur Salesforce. L’efficacité de l’IA dépend, selon lui, de la qualité du contexte fourni, et une part importante de son temps consiste à collecter ces informations avant de les propager dans les applications clientes.
