Il y a une question qui circule dans les cercles produit depuis quelques mois de plus en plus frontalement. Est-ce que tout le monde fait vraiment la même chose avec l’IA ? De fait, beaucoup n’utilisent l’IA que pour poser quelques questions isolées, un peu comme un moteur de recherche amélioré. Bien sûr, cette utilisation empêche de vraiment tirer le bénéfice de toute la puissance de l’IA.
Entre un PM qui ouvre ChatGPT pour reformuler une user story et un PM qui orchestre un système d’agents coordonnés, il y a moins une différence de maîtrise technique qu’une différence de conception du métier. Le premier traite l’IA comme un outil. Le second l’a intégrée comme une architecture. C’est dans cet écart que l’opportunité d’améliorer la qualité de son produit se saisit. Lisa Huang, Vice-Présidente Product Senior chez Xero est d’ailleurs catégorique :
“Un PM devrait piloter une vingtaine d’agents pour être réellement performant.”
Analyser le marché de votre produit
Plus besoin d’investir dans les études de marché coûteuses de Gartner ou Nielsen. En effet, recourir à l’IA pour une première analyse en quelques dizaines de minutes permet déjà d’obtenir :
- Une estimation des segments de marché,
- Des besoins identifiés par type de persona,
- Les tendances émergentes,
- Une première cartographie des risques.
L’IA peut mener elle-même l’enquête, ce qui peut aider pour une première analyse. En revanche, elle peut quand même commettre des confusions face à l’immense quantité d’informations sur le web. La pratique qui fonctionne, c’est de lui fournir ses propres sources, des retours clients, des rapports sectoriels déjà disponibles. Cette centralisation du contexte permettra à l’IA de concentrer l’analyse là où elle a du sens.
Une analyse SWOT (Forces, Faiblesses, Opportunités, Menaces) de la concurrence suit la même logique. Et si vous travaillez sur un produit qui propose déjà une solution approximative face à un concurrent mieux positionné, l’IA l’intégrera à l’analyse sans traitement de faveur !
Synthèse et consolidation d’échanges
Mener un entretien utilisateur tout en prenant des notes simultanément, c’est rater la moitié de ce qui se passe : les silences, les hésitations, les moments où la personne dit une chose mais montre sur son visage quelque chose d’autre.
“You can’t be in every interview. You can’t read every support ticket. AI closes that gap.”
– Lisa Huang, SVP Product chez Xero
Là aussi, L’IA arrive à la rescousse !
- Génération de compte rendu : Teams, Meet, Webex et consort intègrent tout ce qu’il faut pour résumer. Il devient beaucoup plus aisé de se concentrer sereinement sur les interlocuteurs quand l’IA ne perd pas une miette de nos échanges.
- Consolidation : l’IA va être capable de mettre en commun tous les retours d’interviews et de réunions, puis d’en générer des synthèses, en identifier les points de friction récurrents, les futures opportunités, etc.
Une précaution s’impose cependant : l’utilisation d’IA publiques avec des données clients peut poser problème, car ces IA reposent sur du Machine Learning, une technologie qui utilise toutes données reçues pour s’entraîner et apprendre d’elle-même. Comme détaillé dans L’IA souveraine, créer de meilleurs produits sans pour autant se retrouver avec des données sensibles exploitées dans des contextes qui nous échappent est tout à fait possible.
Génération automatique des livrables
Une fois l’analyse menée et les entretiens consolidés, le PM dispose d’un contexte riche. C’est là que l’IA change de registre : au lieu de générer de l’information, elle produit des livrables. Pitch produit, PRD (Product Requirements Document), User Stories, en alimentant correctement le contexte et en fournissant un template, l’IA peut produire une première version en quelques minutes là où il en fallait plusieurs heures.
C’est là qu’entrent en jeu les templates. Fournir un template qui servira de modèle de formatage pour les documents produit par l’IA est toujours recommandé. Le template n’est pas non plus magique : il faudra le retravailler et l’affiner en fonction des résultats que l’IA vous renverra car la forme du template doit parfois être adaptée à l’IA utilisée, et à sa version. Nous avons également observé qu’une courte description du rôle de chaque section du document accroît les chances d’obtenir un résultat exploitable… Le template fait partie du prompt.
Enfin, on calque ce processus au reste des livrables : à partir d’une analyse de marché déjà traitée par un premier agent, un second génère le product requirement document (PRD). Un troisième en tire les user stories. Un quatrième, connecté à la base de code via GitLab ou GitHub, évalue la faisabilité technique avant même qu’un développeur ait été sollicité. La sortie de chaque agent devient l’entrée du suivant, et c’est là que le système prend une dimension que l’usage ponctuel ne peut pas atteindre.
Un exemple de production automatisé par l’IA
| Agent | Source d’entrée | Livrable |
|---|---|---|
| Veille concurrentielle | Actualités, release notes, rapports | Benchmarks, SWOT |
| Synthèse clients | Transcriptions d’entretiens, tickets support | Carte des frictions et opportunités |
| Rédaction PRD | Synthèse clients + contexte produit | Document de spécifications structuré |
| Faisabilité technique | PRD + base de code (GitLab / GitHub) | Évaluation de complexité avant arbitrage |
Prototyper rapidement une idée de produit
Valider une hypothèse produit prend habituellement du temps, notamment parce qu’elle implique des développeurs qui ont d’autres priorités et d’autres deadlines. Or, quand nous avons besoin de valider notre hypothèse, nous avons justement besoin d’un retour très rapide (des commerciaux, voire des clients directement), sans forcément avoir de contraintes fortes sur la qualité du code.
Des outils comme Qwen, ou les versions boostées par l’IA de Figma et Canva, permettent aujourd’hui de générer une maquette ou un prototype fonctionnel en un seul jet, suffisamment solide pour le faire tester par des commerciaux ou des clients en amont, sans attendre un sprint complet.
Ce n’est pas du code production, c’est surtout une réponse rapide à la seule question qui compte à ce stade : est-ce que le client voudra de ce produit ?
Du “étape par étape” au pipeline IA
Toutes les étapes que nous avons vues jusqu’à présent s’enchaînent naturellement :
- Analyse du marché et des échanges avec les clients pour identifier nos opportunités.
- Consolidation des retours.
- Alimentation de nos livrables, notamment PRD et User Story.
- Génération d’un MVP.
Chaque étape consomme automatiquement les données de l’étape précédente et c’est précisément ce qui fait passer le PM du “étape par étape” au pipeline IA.
Des outils comme Claude Code, n8n ou OpenCode permettent de mettre en place ce type d’architecture plus largement : connecter Jira, Gitlab ou Webex via le MCP (Model Context Protocol, le standard qui permet à ces systèmes de communiquer avec des outils externes), lancer des agents en parallèle sur des tâches distinctes, ou faire se relire et corriger les agents entre eux.
Ce que ça change concrètement pour vos produits
| Sans pipeline IA | Avec pipeline IA |
|---|---|
| Veille concurrentielle manuelle et ponctuelle | Flux continu d’alertes automatisées, ciblées par périmètre |
| Synthèses d’entretiens rédigées après coup, de mémoire | Transcription automatique, consolidation multi-interviews en quelques minutes |
| PRD construit sur page blanche à chaque itération | Première version générée depuis le contexte existant, à affiner |
| Prototype conditionné à la disponibilité d’un développeur | MVP testable produit en autonomie, en quelques heures |
Là où le PM fait la différence
Une limite s’impose ici, et elle mérite d’être dite clairement : l’IA a tendance à chercher les patterns majoritaires et lisser les signaux faibles. Or, un bon PM ne va pas seulement regarder les tendances générales, il va aussi chercher à exploiter ces signaux faibles pour tenter de révéler des besoins émergents, ou des frustrations qui ne sont pas encore majoritaires, mais qui pourraient apporter une rupture dans le marché. Dave Killeen (VP Product chez Pendo) a tout de même réussit à proposer un outil qualitatif : Gumloop. Dans une vidéo récente, il a donné un exemple concret de workflow. Au lieu de parcourir manuellement les blogs concurrents, il a structuré la pipeline suivante :
LE PIPELINE PRODUIT DE DAVE KILLEEN, VP Product chez PENDO
- Capture : Un agent « scrape » chaque semaine les pages de Release Notes et les centres d’aide des concurrents.
- Analyse métier : Ces données brutes sont envoyées à un modèle IA qui possède déjà le contexte de notre produit et nos Jobs-to-be-Done.
- Action : Si une fonctionnalité concurrente menace directement notre périmètre, une alerte (Slack ou Webex) est envoyée au PM concerné avec un résumé de l’impact potentiel.
Finalement, ce qui prenait auparavant une demi-journée de veille fastidieuse par mois devient un flux continu d’intelligence stratégique, libérant le PM pour la finesse et le jugement : ce sont ces tâches à haute valeur ajoutée qui font la différence entre un produit correct et un produit qui compte.
4 piliers de la rationalisation IA
Soigner ses prompts.
La qualité de la réponse dépend directement de la clarté de la demande. Un prompt vague produit un résultat vague.
Nourrir le contexte.
L’IA travaille avec ce qu’on lui donne. Plus le contexte est complet et à jour, plus les résultats sont pertinents et réutilisables.
Un sujet, un contexte.
Mélanger plusieurs opportunités ou projets dans une même session, c’est prendre le risque que l’IA perde le fil.
Connecter les étapes.
L’IA prend toute sa puissance quand les étapes s’enchaînent : c’est là que le gain de temps devient structurel.
Ce qui change ici, c’est la finalité : du temps libéré sur les tâches de production, c’est du temps gagné sur la compréhension des utilisateurs, sur les décisions difficiles, sur ce qui fait qu’un produit résout vraiment quelque chose pour quelqu’un. L’efficacité n’est pas la destination, elle est ce qui permet d’y arriver.
Prêt à passer de l’usage à l’orchestration ?
Ressources
- Podcast d’Aakash Gupta avec Lisa Huang
- “Building Claude Code with Boris Cherny” par The Pragmatic Engineer
- AI PRD par Aakash Gupta
- “Guide to Claude Code for PMs: From Cowork to Code” par Paweł Huryn
- Documentation IA Compatible par Stéphane Robert
- « Your product’s next million users won’t have eyes » par Aakash Gupta
- Cinq tendances de l’IA et de la Data Science sur MIT Sloan Review
- Tried and tested AI tools for product managers – Dave Killeen (VP Product, Pendo)
- Claude Code for Product Managers with Sachin Rekhi
- PMs Guide to Claude Code
- L’IA et le Product Management : il faut s’y mettre !
- Claude Code + Analytics Masterclass (Amplitude)
- L’IA souveraine, ou comment maîtriser son utilisation de l’IA par Jérémie Balagna-Ranin