En résumé : 35 heures de formation (17h en visio + 18h e-learning) ont abouti à quatre livrables opérationnels : un assistant Prince2 personnalisé avec base documentaire intégrée, une structure de conformité AI Act adaptée au contexte de l'entreprise, un pipeline CrewAI configuré pour coordonner des agents de développement, et une méthodologie DocRewriter pour transformer les documentations existantes en contenus exploitables par les LLM.

Quand ce manager m'a contactée, il avait une vision claire et ambitieuse : doter son équipe d'un assistant IA transversal, capable d'accompagner tous les chefs de projet quelle que soit la méthode — Prince2, Scrum, Agile ou Waterfall. Trente-cinq heures de formation plus tard, nous avions construit bien plus que prévu. Ce compte rendu ne révèle rien de confidentiel, mais illustre très précisément ce que l'IA rend possible pour un profil comme le sien.

Un assistant Prince2 personnalisé : coach, auditeur et rédacteur à la demande

C'est le projet central de la formation, celui autour duquel tout le reste s'est articulé. L'idée de départ est simple : plutôt que de rouvrir un manuel de 500 pages à chaque question méthodologique, disposer d'un assistant qui connaît Prince2 par cœur et répond en langage naturel.

Nous avons configuré ensemble cet assistant dans ChatGPT et dans Mistral, avec trois modes d'assistance distincts :

La clé de l'efficacité : le manuel Prince2 en PDF a été converti en Markdown via un script Python (rédigé par GPT-5), puis intégré comme base de connaissance de l'agent. L'IA accède ainsi au texte de référence exact, non à une version approximative mémorisée lors de son entraînement. La qualité des réponses est sans comparaison avec un usage classique de ChatGPT.

"Un pense-bête méthodologique disponible 24h/24, adapté à votre méthode, qui génère vos documents — c'est ce que nous avons construit ensemble."

Nous avons également exploré Gleek.io, un outil qui génère des diagrammes (organigrammes, BPMN, séquences) à partir d'une simple description en texte. Pour un chef de projet qui passe du temps à mettre en forme des schémas, c'est un gain immédiat et mesurable.

PDF → Markdown : préparer vos documents pour les LLM

C'est un prérequis que beaucoup de managers ignorent : les LLM ingèrent très mal les PDF natifs, surtout ceux issus de Word ou de scans. Ils se comportent en revanche excellemment avec du Markdown bien structuré.

Nous avons travaillé sur un script Python capable de convertir automatiquement des PDF en Markdown, testé sur le manuel Prince2. Le résultat : un document découpé en sections cohérentes, avec hiérarchie de titres préservée, que l'on peut ensuite fournir directement à un agent ou à un système RAG (Retrieval-Augmented Generation).

Cette compétence est transférable à n'importe quelle base documentaire interne : procédures, cahiers des charges, guides techniques, référentiels méthodologiques. Convertir vos documents existants en Markdown, c'est les rendre immédiatement exploitables par l'IA — sans passer par une solution coûteuse.

DocRewriter-LLM : transformer les documentations en ressources AI-Ready

Nous avons poussé la logique encore plus loin avec la configuration d'un assistant dédié à la remédiation documentaire : DocRewriter-LLM. Son rôle est de prendre n'importe quelle documentation existante et de la réécrire selon un protocole strict pour la rendre optimale pour les LLM et les systèmes RAG.

Les règles appliquées par cet assistant :

Pour une DSI ou un bureau de projet qui gère des dizaines de procédures, c'est une transformation de fond : la documentation devient une base de connaissance vivante, consultable en langage naturel via un assistant IA interne.

Formats AI-friendly : BPMN, UML, PlantUML — pourquoi ça change tout

Un sujet plus technique, mais crucial pour un profil qui modélise des processus : tous les formats de diagrammes ne sont pas équivalents aux yeux d'un LLM.

Nous avons exploré les formats que les IA de raisonnement traitent le mieux, classés par richesse sémantique :

La règle pratique retenue : toujours fournir le fichier source structuré (XML, PlantUML) en plus du rendu visuel. L'humain lit le diagramme, l'IA lit la source. Cette habitude transforme radicalement la qualité des analyses que l'IA peut produire sur vos processus.

Assistant Conformité AI Act : auditer vos systèmes IA face au règlement européen

Le Règlement européen sur l'IA (UE 2024/1689) est entré en vigueur. Pour un manager informatique qui pilote des projets intégrant de l'IA, ignorer ce texte devient risqué. Nous avons configuré un assistant de conformité qui guide l'entreprise à travers quatre étapes structurées :

  1. Audit initial : identification des systèmes IA utilisés ou prévus, types de données traitées, décisions automatisées, secteurs réglementés impliqués.
  2. Classification réglementaire : chaque système est catégorisé (IA interdite, IA à haut risque, IA avec obligations de transparence, IA à faible risque) selon les articles du règlement.
  3. Check-list des obligations : pour chaque système classifié, l'assistant génère la liste des actions à mettre en place avec les références d'articles et les conséquences du non-respect.
  4. Accompagnement opérationnel : génération de mentions d'information, procédures internes, modèles de documentation technique, rappels d'échéances réglementaires.

Ce n'est pas un substitut à un conseil juridique pour les situations complexes — nous l'avons précisé clairement. Mais pour une première cartographie des risques et la préparation d'un dossier de conformité, cet assistant fait économiser plusieurs jours de travail.

CrewAI et pipeline d'agents : vers l'industrialisation

La session la plus avancée techniquement a porté sur CrewAI, un framework qui permet de coordonner plusieurs agents IA spécialisés comme une équipe de développement. Le principe : chaque agent a un rôle défini (analyste, développeur, testeur, documentaliste) et une liste de tâches ; CrewAI orchestre leurs interactions.

Nous avons configuré ensemble une équipe d'agents orientée développement IA, avec des rôles explicites et des flux de travail définis. L'étape suivante, pour industrialiser ce pipeline, est de l'intégrer avec les outils existants de l'équipe — notamment Jira, dont nous avons exploré l'intégration IA lors d'une session dédiée.

Côté veille, nous avons travaillé sur l'usage de GPT-o3 pour la recherche et la synthèse d'informations, et exploré GitHub Copilot Agent — le nouvel agent de GitHub qui prend en charge des tâches complètes (correction de bugs, ajout de fonctionnalités, documentation) de façon autonome sur un dépôt.

Pipeline audio → texte : sous-titres automatiques avec Whisper et GPT

En marge des sujets principaux, nous avons construit un script Python qui prend des fichiers vidéo, en extrait la piste audio via Whisper (le modèle de transcription d'OpenAI), puis utilise GPT pour traduire et formater les sous-titres automatiquement.

Ce cas d'usage est immédiatement réutilisable pour :

Une fois le script en place, le coût marginal par vidéo est négligeable. C'est un outil qu'un chef de projet peut déléguer entièrement à la machine.

Vous pilotez des projets informatiques et vous voulez intégrer l'IA dans vos méthodes de travail ?

❋ Réserver 1h de consultation ❋ Résultat obtenu ou remboursé