Arjan van den Heuvel de Xebia applique les principes du framework Team Topologies au design organisationnel des équipes Data & AI à travers des études de cas concrètes. L'article explore comment différentes structures organisationnelles impactent l'efficacité des initiatives d'intelligence artificielle selon la taille et la maturité AI de l'entreprise.
Fondations théoriques
Le framework Team Topologies définit quatre topologies fondamentales (stream-aligned, platform, enabling, complicated subsystem teams) et trois modes d'interaction (collaboration, X-as-a-service, facilitating). La Loi de Conway stipule que l'architecture des systèmes reflète la structure de communication de l'organisation qui les produit. Ces principes permettent d'analyser et de concevoir des structures organisationnelles Data & AI plus efficaces.
Cas 1 : Entreprise moyenne, expérience AI basique
L'article examine trois scénarios pour une entreprise ayant commencé ses initiatives AI il y a quelques années. Le scénario 1.1 (experts décentralisés) conduit à des solutions point-to-point sans coordination, créant un patchwork technologique. Le scénario 1.2 (équipe produit Data & AI centralisée) génère une charge de communication excessive pour le Product Owner et limite l'autonomie de l'équipe face aux multiples stakeholders.
Le scénario 1.3 (pool d'experts Data & AI) émerge comme solution optimale : les data experts sont alloués temporairement aux équipes business/produit selon les besoins, passant 10-20% de leur temps dans leur "home base" pour développement de plateforme et connaissances. Les Analytics Translators agissent comme facilitateurs, gérant l'allocation des ressources et augmentant la data literacy organisationnelle.
Topologies adaptatives
Un concept clé est l'adaptation dynamique de la topologie : un data scientist peut commencer en stream-aligned team (collaboration étroite), évoluer vers complicated subsystem team (communication réduite), puis vers platform team (as-a-service) au fur et à mesure que la solution AI progresse dans son cycle de vie. Cette adaptabilité permet de gérer la charge cognitive et d'optimiser la communication.
Cas 2 : Grande entreprise, expérience AI avancée
Pour les organisations matures, la structure évolue vers des data experts permanents dans les product teams, soutenus par une ML engineering enabling team (formations, code reviews, best practices) et une data engineering platform team (templates pipelines, workspaces cloud as-a-service). Les Communities of Practice remplacent les équipes physiques pour le développement des connaissances.
Gouvernance et évolution
L'article souligne l'importance de la maturité data governance : transférer l'ownership des pipelines de préparation de données vers les product teams génératrices de données réduit la complexité et la charge opérationnelle de l'équipe plateforme centrale, tout en simplifiant l'architecture système selon la Loi de Conway.
Conclusion pratique
Van den Heuvel insiste qu'aucun design unique ne convient universellement. Chaque organisation doit évaluer ses propres scénarios en utilisant ces principes pour dériver la structure Data & AI optimale pour son contexte spécifique, sa taille et sa maturité AI.