← Dossier de décision · Mini-projet de recherche · v1 — 14 juillet 2026
Les méthodes agiles (SCRUM en tête) sont devenues le mode d'organisation dominant du développement logiciel, et les outils de gestion de tickets comme JIRA en sont le système de référence : chaque ticket y laisse une trace d'exécution complète (création, estimations, transitions d'états, affectations, commentaires). Ces référentiels concentrent pourtant une charge de coordination manuelle considérable — triage et affectation des tickets, estimation de l'effort, priorisation du backlog, détection des dérives de sprint — répétitive, coûteuse en temps d'ingénierie et sujette aux biais.
L'émergence des agents fondés sur les grands modèles de langue (LLM) ouvre la voie à l'automatisation de ces tâches de connaissance : c'est l'« automatisation agentique des processus » (Agentic Process Automation), qui dépasse le RPA classique en confiant à l'agent la construction et l'exécution dynamique du workflow. Mais deux verrous scientifiques bloquent son adoption en entreprise :
IA pour le génie logiciel (AI4SE / Mining Software Repositories). L'estimation d'effort et le triage de tickets sont des problèmes établis : Deep-SE (Choetkiertikul et al., IEEE TSE 2019) puis GPT2SP (Fu & Tantithamthavorn, IEEE TSE 2023) estiment les story points par apprentissage profond ; le dataset public TAWOS (Tawosi et al., MSR 2022) — ~500 000 tickets JIRA issus de 44 projets open source — sert de référence reproductible. Limite : ces approches sont mono-tâche, sans notion de processus ni d'action autonome.
Process mining prédictif. Le monitoring prédictif de processus (Teinemaa et al., ACM TKDD 2019 ; van der Aalst, 2016) prédit issue, délai et prochaine activité à partir d'event logs, avec un outillage mature (pm4py). Son application aux référentiels de tickets logiciels reste marginale, et son couplage avec des agents LLM est inexploré.
Agentic BPM. Les LLM appliqués au BPM sont une piste ouverte depuis Vidgof et al. (BPM Forum 2023) ; ProAgent (2023) a posé le concept d'Agentic Process Automation. Le domaine explose en 2025-2026 mais reste dominé par des démonstrations sur processus jouets — pas de validation sur des processus d'ingénierie logicielle réels avec données longitudinales.
Fiabilité des agents. MAST (Cemri et al., 2025) fournit la première taxonomie empirique des échecs multi-agents ; l'injection de prompt demeure le risque nº 1 de l'OWASP Top 10 LLM, sans solution générale. L'évaluation d'agents sur des processus métier — où une erreur a un coût organisationnel — n'a pas de benchmark de référence.
Positionnement. L'intersection des trois champs — des agents LLM opérant sur des processus agiles réels, augmentés par le process mining et évalués/confinés systématiquement — est inoccupée. C'est le créneau de cette thèse, avec un différenciateur rare en académie : des données industrielles réelles et longitudinales, validées en miroir sur datasets publics.
Démarche : génie logiciel empirique et design science — cycles courts construire → mesurer → publier, chaque contribution étant validée à la fois sur données publiques (reproductibilité) et sur le terrain industriel (validité externe).
Données. (i) Référentiels JIRA d'organismes utilisant la méthodologie agile SCRUM (entreprises et administrations, à conventionner) : historiques réels multi-équipes, mis à disposition sous convention, anonymisation systématique et conformité à la loi 09-08 sur la protection des données personnelles ; (ii) datasets publics TAWOS et projets Apache pour la reproductibilité et la comparaison à l'état de l'art.
Moyens de calcul — sobriété assumée. Le cœur du travail (agents via API, process mining, évaluation) ne requiert aucun cluster GPU. Les expériences sur petits modèles open source tiennent sur un GPU unique ; l'accès gratuit à HPC-MARWAN (CNRST) couvre les besoins ponctuels de fine-tuning. Coût marginal : crédits API (autofinancés).
Compatibilité avec le statut de salarié. Disponibilité régulière et chiffrée (soirées et week-ends, ~15-20 h/semaine), autofinancement, et un atout structurel : une pratique professionnelle quotidienne des processus agiles (JIRA/SCRUM), qui ancre la thèse dans les problèmes réels du terrain et facilite l'identification de partenaires industriels.
| Année | Objectifs scientifiques | Jalons & publications visées |
|---|---|---|
| 1 2026-27 | Formations doctorales ; revue systématique de littérature ; conventions d'accès aux données + pipeline d'anonymisation ; constitution du benchmark (C1, v0) | Participation au MSR Mining Challenge ; communication nationale |
| 2 2027-28 | C1 complète : benchmark + évaluation de la génération d'agents actuelle | Papier conférence/atelier international (MSR, ESEM ou ICPM) |
| 3 2028-29 | C2 : agents process-aware, comparaison aux baselines | Soumission revue 1 (Empirical Software Engineering ou Information & Software Technology) |
| 4 2029-30 | C3 : taxonomie d'échecs, détection prédictive, garde-fous ; étude de cas industrielle | Soumission revue 2 ; communication internationale |
| 5 2030-31 | Consolidation, révisions des revues, rédaction du manuscrit | Soutenance — cible : 2 revues indexées (Scopus/WoS) en 1ᵉʳ auteur + 2 communications |
Le calendrier intègre les délais réels de review (6-18 mois par revue) en soumettant tôt (années 3 et 4).
Le sujet s'inscrit au cœur des thématiques de l'équipe Alqualsadi (ENSIAS, Pr. Karim Baïna) — Business Process Management et ingénierie des SI — en y apportant l'angle agents LLM et un terrain industriel. Il rejoint les priorités « transformation digitale » des programmes PNARDI 2025-2028 et de la feuille de route « Maroc IA 2030 », ce qui ouvre un rattachement possible à un projet financé du laboratoire.