Comment on construit Catena avec une équipe de 2 (+ des agents IA)

La Pizza Team re-visitée

La "Two-Pizza Team" de Jeff Bezos est un concept sacré dans le monde Agile : une équipe ne devrait jamais être plus grande que ce que deux pizzas peuvent nourrir. Soit 5 à 7 personnes maximum.

Chez Catena, on a poussé ce concept encore plus loin. Notre équipe compte exactement deux personnes. Et on ship des features plus vite qu'une équipe classique de sept développeurs.

Le secret ? On travaille avec quatre agents IA qui ont transformé notre façon de concevoir, développer et livrer du logiciel. Pas de la théorie : c'est notre réalité quotidienne depuis plusieurs mois.

Les résultats sont là : temps de cycle divisé par 5, coûts réduits de 65%, capacité à tester 3× plus d'hypothèses produit par mois.

Voici comment on construit Catena, un outil SaaS pour faciliter les ateliers collaboratifs, avec notre "Pizza Team 2.0".

Notre composition d'équipe

Les humains : deux rôles complémentaires

Notre équipe humaine est volontairement réduite à l'essentiel. D'un côté, moi (Aymeric) en tant que Product Owner et Founder. De l'autre, un développeur senior (Tony) qui fait office d'architecte technique.

Mon rôle de PO a radicalement évolué. Aujourd'hui, je passe 70% de mon temps à écouter les utilisateurs. Comprendre leurs problèmes, identifier les vrais besoins, prioriser les features qui apportent de la valeur. Le reste se répartit entre validation des choix produit (20%) et orchestration des agents IA (10%).

Cette répartition n'a rien à voir avec ce que je vivais avant. Dans une configuration classique, j'aurais passé la majorité de mon temps à rédiger des specs, structurer des backlogs, et coordonner des réunions. Toutes ces tâches administratives qui éloignent le PO de sa vraie mission.

Le développeur senior, lui, s'est libéré des tâches répétitives pour se concentrer sur l'architecture critique : sécurité, performances, scalabilité. Il ne passe plus ses journées à écrire du code boilerplate. Il conçoit les fondations techniques du produit.

Les agents IA : quatre spécialistes virtuels

À côté de nous deux, quatre agents IA composent le reste de l'équipe :

• Agent Specs → Transforme mes notes en spécifications techniques structurées (User Stories, critères d'acceptation, scénarios de test)
• Agent POC → Génère des prototypes fonctionnels en quelques heures pour valider rapidement des hypothèses
• Agent Tests → Prend en charge l'automatisation complète des tests (unitaires, intégration, end-to-end)
• Agent Doc → S'occupe de toute la documentation technique (README, guides API, changelog)

Cette organisation peut sembler artificielle. En réalité, c'est extrêmement fluide. On sollicite les agents au moment où on en a besoin, on obtient un résultat en quelques minutes ou heures, et on valide avant de passer à l'étape suivante.

Le grand écart avec une équipe classique

Le gain : 5× plus rapide, -65% de coût, soit 420 000 à 660 000 € économisés par an.

Mais au-delà des économies, c'est le gain en vélocité qui change tout. Pouvoir tester une hypothèse produit en quelques jours au lieu de plusieurs semaines, c'est pouvoir apprendre 10× plus vite. C'est pouvoir construire exactement ce dont les utilisateurs ont besoin.

Cerise sur le gateau… “apprendre 10x plus vite” c’est aussi dans notre ADN. Chez Catena (Coverfield) nous mettons l’apprentissage continu au cœur de notre projet d’entreprise (et personnel).. Je reviendrai là dessus dans un prochain post sur le Blog de Catena.

Une feature de bout en bout : le Timer synchronisé

Prenons un exemple concret. Il y a quelques semaines, on a développé le "Timer synchronisé", un timer visible sur tous les écrans en même temps (laptop facilitateur, grand écran salle, téléphones participants).

Jour 1 : De l'insight utilisateur à la spec technique

Tout a commencé par trois interviews utilisateurs. Trois facilitateurs m'ont remonté le même problème : "Mes participants ne voient pas le timer sur leur téléphone."

J'ai passé l'après-midi à transformer ces retours en spécifications avec Claude. Mon prompt : "Je veux créer un timer synchronisé multi-écran pour des ateliers. Contexte : app Vue.js, backend Node/Express. Besoin : sync < 1 seconde. Génère les specs techniques."

En une heure et quelques échanges fonctionnels et techniques avec l’agent, j'avais des User Stories structurées, une architecture WebSocket proposée, des critères d'acceptation précis, et des scénarios de test.

Jour 2 : Du concept au prototype fonctionnel

Le développeur a généré la structure de base avec Cursor. L'IA a produit le code serveur WebSocket, le code client, et les composants Vue.js.

En 3 heures : prototype fonctionnel. Latence < 500ms. On a fait venir deux utilisateurs l'après-midi pour tester. Validation immédiate : "C'est exactement ce qu'il nous faut."

Jour 3 : Production

Le développeur s'est concentré sur les parties critiques (gestion robuste des connexions, failover, optimisations). L'IA a généré tout le code standard : composants UI, intégrations, tests.

Jour 4 : Review et mise en production

Code review approfondie, tests de charge (500 utilisateurs simultanés), documentation générée par l'Agent Doc, déploiement en production.

Dans une équipe de 7, cette même feature aurait demandé 15 jours de travail.

Ce que l'IA fait (et ne fera jamais)

✅ Ce que l'IA fait pour nous

L'IA excelle dans la structuration et la génération. Elle transforme des informations en vrac en quelque chose d'utilisable et structuré.

• Rédaction de specs formatées
• Code boilerplate et intégrations standards
• Tests automatiques
• Documentation technique
• Prototypes rapides pour tester des hypothèses

❌ Ce que l'IA ne fait PAS

Mais il y a des choses que l'IA ne fait absolument pas :

Elle ne comprend pas le POURQUOI → Quand un utilisateur demande une fonctionnalité, l'IA ne peut pas deviner le problème sous-jacent. C'est mon job de creuser.

Elle ne PRIORISE pas → Quand on a 10 idées de features, l'IA ne peut pas décider laquelle construire en premier. Elle ne comprend pas la stratégie produit.

Elle ne CONÇOIT pas l'architecture critique → Pour la sécurité, les performances sous forte charge, la scalabilité, il faut un cerveau humain expérimenté.

Elle ne VALIDE pas la qualité → Elle peut générer des tests, mais pas juger si la couverture est suffisante. Elle peut produire du code, mais pas identifier les edge cases oubliés.

Les apprentissages

Ce qu'on a appris

La qualité du prompt fait toute la différence. Au début, on donnait des instructions vagues et obtenait des résultats médiocres. Aujourd'hui, on a une bibliothèque de prompts testés et affinés.

L'IA ne remplace jamais la code review. Il faut toujours qu'un humain relise le code généré. L'IA peut produire du code qui fonctionne mais qui pose des problèmes de sécurité, performance, ou maintenabilité.

Les décisions go/no-go sont devenues faciles. Avant, on hésitait entre investir 2 semaines pour tester une hypothèse ou décider sans tester. Aujourd'hui, on génère un POC en 1 jour et on décide sur des données concrètes.

Les pièges à éviter

⚠️ La tentation de tout déléguer → L'IA peut optimiser, mais elle ne définit pas la vision. On garde les rênes sur la stratégie.

⚠️ La dépendance aux outils → Si Claude ou ChatGPT tombent en panne, notre productivité chute. On a plusieurs outils en parallèle.

⚠️ La qualité variable → Parfois l'IA produit du code excellent, parfois bancal. Chaque output passe par une validation humaine. Toujours.

Pour qui ça marche (et pour qui ça ne marche pas)

✅ Ça marche si :

• Vous êtes en bootstrap avec budget limité
• Vous devez tester beaucoup d'hypothèses rapidement
• Vous avez au moins un développeur senior très compétent
• Vous acceptez d'apprendre (prompts, workflows, validation)

❌ Ce n'est PAS adapté si :

• Votre produit est ultra-complexe (banking, healthcare, aéronautique)
• Vous avez besoin d'équipes spécialisées (design, QA, DevOps)
• Vous n'avez pas de développeur senior (risque de dette technique)
• Vous préférez une approche traditionnelle avec processus établis

Notre pari sur l'avenir

En réduisant notre équipe à deux personnes et quatre agents IA, on a pris un pari. Le pari que la vélocité compte plus que la taille. Que la qualité des décisions compte plus que le volume de code. Que comprendre les utilisateurs compte plus que multiplier les features.

Les chiffres nous donnent raison :

✅ On livre 5× plus vite

✅ On teste 3× plus d'hypothèses

✅ On prend des décisions basées sur du concret

✅ On a économisé plusieurs centaines de milliers d'euros par an

Mais surtout, c'est une question de focus. Aujourd'hui, je passe la majorité de mon temps à faire mon vrai métier de Product Owner : comprendre les utilisateurs, identifier leurs problèmes, construire les bonnes solutions.

On ne prétend pas avoir trouvé la formule magique. Cette approche évolue constamment. On apprend tous les jours. Mais une chose est sûre : la Pizza Team 2.0, c'est notre façon de travailler. C'est notre avantage concurrentiel. C'est comme ça qu'on construit Catena.

Cet article a été rédigé par Aymeric Proux, founder de Catena. Pour échanger sur notre façon de travailler, retrouvez-moi sur LinkedIn.