Zen Value, mission : grand groupe d’assurance

Mission
Coordination d’un train sur des produits d’assurance retraite, dans un contexte de grand compte prudent sur l’IA (Copilot comme seul outil officiel, accès restreint) : j’ai fait de l’IA un outil de coordination à périmètre maîtrisé.
Réalisations
- Cartographie des domaines produit par Event Storming (3 h, avec les sachants de tous rôles), jusqu’à 12 domaines ; mapping de chaque épique par domaine avec un degré de certitude (100 %, 50 %, 10 %).
- Détection de dépendances assistée par IA : qualification hebdomadaire d’exports du backlog (sans assignés ni données de compte, avec l’accord de la hiérarchie), signalement de flags entre domaines, puis validation par les tech leads.
- Typologie de dépendances : technique, séquentielle, de connaissance, de capacité.
- Matrice de responsabilité RTE · Product · Tech · IA : l’IA signale, Tech confirme, Product décide, le RTE garantit le dispositif. Un humain garant par production de l’IA.
- Suivi trimestriel, au niveau domaine, du nombre de dépendances confirmées et de faux positifs écartés par les tech leads.
Résultats
- Anticipation des dépendances lourdes — exemple : une fonctionnalité dépendant d’un service partiellement en refonte a été décalée de 3 mois avant le PI (décision du PM sur mon conseil) ; une fonctionnalité secondaire a été livrée dans le PI, sans création de stock.
- Réduction des faux positifs — exemple : environ 2 dépendances signalées sur 10 étaient fausses au départ, autour de 1 sur 10 ensuite (objectif atteint sur certains PI).
- Amélioration de la détection des dépendances — exemple : une dépendance non vue par l’IA (règle de calcul changeant à partir d’une date) a été remontée par un business analyst ; travail préparatoire planifié et dépendance ajoutée à la cartographie.
- Qualité de la donnée de capacité — exemple : pour préparer un PI, on compte les personnes mobilisables, et non seulement les absences RH (une personne en formation n’était pas disponible).





