Lors d’un Gemba avec une équipe de maintenance IT, nous avons, entre autre, suivi le parcours complet d’un bug majeur.
Le constat est frappant :
👉 6,5 mois entre l’émission de la demande et la mise en production de la solution.
👉 4,5 mois avant même que le sujet n’arrive dans le backlog de l’équipe en charge de sa résolution.
👉 Moins de 2 jours de travail effectif cumulés pour analyser, développer, tester et déployer la correction.
Autrement dit, la quasi-totalité du délai s’est écoulée… sans création de valeur ajoutée pour le client.
Face à ce constat, l’entreprise s’interroge sur la manière dont l’IA pourrait aider ses équipes à aller plus vite.
Et la réflexion est légitime : l’IA pourrait sans doute contribuer à mieux qualifier les demandes ou à faciliter leur priorisation.
Mais le Gemba a également révélé :
📌 Un backlog de plus de 2 000 demandes.
📌 De nombreuses re-priorisations et dé-priorisations.
📌 Des arbitrages permanents qui ralentissent le flux et augmentent les délais.
Dès lors, la question n’est peut-être pas seulement : « Comment accélérer le travail ? »
Mais aussi :
👉 Comment réduire le stock de demandes ?
👉 Comment stabiliser les priorités ?
👉 Comment fluidifier le système de décision ?
L’IA peut être un formidable accélérateur. Mais lorsqu’un sujet nécessite moins de 2 jours de travail effectif et passe 6,5 mois dans le système, la première opportunité d’amélioration se situe souvent dans le flux, pas dans la vitesse d’exécution.
Le Gemba nous rappelle une leçon simple : avant d’accélérer, comprenons où le temps est réellement consommé. Mieux voir, mieux comprendre pour mieux agir.
Piloter, pas seulement constater : transformer les indicateurs en apprentissage Lean
Piloter n'est pas constater. Dans le précédent post, nous évoquions l'importance de choisir des indicateurs qui permettent de comprendre, d’anticiper et de s’améliorer. Mais même les meilleurs indicateurs ne servent à rien si l'on se contente de les commenter....
