Une suite de skills IA pour piloter tout le cycle de développement logiciel

Les agents de codage sont très utiles pour produire vite, mais ils amplifient aussi un défaut classique des projets logiciels : commencer à coder avant d'avoir clarifié le problème, les comportements attendus, les frontières métier, l'architecture, les données, les tests et la production.

Pour éviter cela, j'ai créé une suite publique de skills IA dédiée au cycle produit-tech complet : ai-sdlc-skills.

Le problème : le développement commence souvent trop tôt

Dans beaucoup de projets, l'idée est intéressante, mais elle reste floue. Les user stories sont incomplètes, les règles métier sont implicites, les écrans ne couvrent pas les états d'erreur, les choix d'architecture ne sont pas documentés, et la production arrive comme une étape finale plutôt que comme une contrainte de conception.

Avec l'IA, ce risque augmente : un agent peut générer beaucoup de code très vite, mais si la demande initiale est ambiguë, il accélère surtout la production d'incertitude.

La solution : un mini operating system SDLC pour agents IA

La suite ai-sdlc-skills organise 33 skills spécialisés autour d'un orchestrateur principal. L'objectif n'est pas de remplacer le jugement d'un CTO, d'un product manager ou d'un designer, mais de structurer leur travail avec des garde-fous explicites.

Le cycle couvert va de l'idée à la production :

• idéation et recherche marché ;
• stratégie produit et PRD ;
• domain modeling et bounded contexts ;
• BDD comportemental avec exemples Given/When/Then ;
• UX, UI et design system ;
• architecture applicative, data, API et intégrations ;
• sécurité, privacy, conformité et identité ;
• développement assisté par IA ;
• tests, code review et quality gates ;
• CI/CD, release readiness et observabilité ;
• incidents, support, analytics produit, coûts et dette technique.

Comment ça fonctionne

Le skill central $sdlc-delivery-system sert d'orchestrateur. Il choisit les skills nécessaires selon le contexte : projet neuf, feature, refactoring, audit, incident ou amélioration de production.

Chaque skill produit des artefacts versionnés dans le dépôt : PRD, scénarios BDD, RFC d'architecture, ADR, modèle de données, stratégie de tests, plan de release, runbooks, registre de risques, tracking plan ou inventaire de dette technique.

La suite propose aussi trois niveaux de profondeur :

• Lean : pour une petite équipe ou un MVP rapide ;
• Standard : pour une équipe produit-tech structurée ;
• Enterprise-ready : pour les contextes régulés, auditables ou critiques.

Cas concret : Fintech CFO B2B

Imaginons une fintech B2B qui aide les startups à piloter leur trésorerie, leur burn, leur runway, leur forecast et leurs métriques investisseur.

Une demande brute pourrait être : « Je veux un dashboard CFO intelligent pour startups ». C'est insuffisant pour lancer un développement sérieux.

La suite permet de transformer cette idée en trajectoire exploitable :

1. $sdlc-idea-framing clarifie le problème : les fondateurs manquent de visibilité sur cash, runway et écarts budget/réel.
2. $sdlc-market-user-discovery identifie les utilisateurs : founder, CFO fractional, investisseur, board member.
3. $sdlc-domain-modeling définit les concepts : société, compte bancaire, burn, forecast, scénario, budget, runway, alerte.
4. $sdlc-bounded-context-map sépare ingestion financière, forecast, KPI investisseur, alertes, billing et audit.
5. $sdlc-bdd-specifications transforme les règles en exemples concrets.

Feature: Suivi du runway

Scenario: Le CFO voit un risque de runway
  Given une startup avec 120000 euros de trésorerie
  And un burn mensuel moyen de 30000 euros
  When le CFO ouvre le dashboard financier
  Then le système affiche un runway de 4 mois
  And signale un risque si le runway est inférieur à 6 mois

Ensuite, les skills d'architecture et de data définissent la persistance, les migrations, l'audit trail, les droits d'accès, l'isolation multi-tenant et les exports. Les skills de qualité relient les scénarios BDD aux tests automatisés. Les skills de release et d'observabilité vérifient que les métriques critiques sont visibles en production.

Pourquoi c'est utile avec des agents IA

Un agent de codage a besoin de contexte. Cette suite force la création d'un contexte exploitable avant la génération de code : comportement attendu, architecture cible, contraintes de données, tests, risques, rollback et métriques de succès.

Le résultat attendu n'est pas seulement du code plus rapide. C'est un meilleur alignement entre produit, architecture, UX, sécurité, tests et production.

Le dépôt GitHub

Le dépôt est public ici : https://github.com/fareswebnet/ai-sdlc-skills.

Il contient les 33 skills, les presets, les templates d'artefacts, une matrice de sourcing et un exemple Fintech CFO B2B.

Limite importante

Cette suite est un outil d'aide à la structuration produit et technique. Elle ne constitue pas un conseil juridique, financier, comptable, de sécurité certifiée, de conformité réglementaire ou d'investissement. Dans les contextes régulés, elle sert à poser les bonnes questions et à préparer les artefacts, mais ne remplace pas une revue qualifiée.