• Analyser le marché
• Consolidation et synthèse d’échanges
• Génération automatique des livrables
• Tester rapidement une idée
• L’étape d’après : La pipeline IA
• Savoir utiliser l’IA, c’est gagner en efficacité
• Ressources

Cet article est la base de travail pour la publication sur le blog d’Exomind.

Récemment, un article « Le Consultant augmenté par l’IA » a été publié sur le blog d’Exomind. Nous y voyons que le consultant ne devrait pas voir l’IA comme une menace, mais bien comme une opportunité. Pour le Product Manager, le même principe s’applique : c’est l’opportunité d’améliorer la qualité de son produit, et de la communication au sein de l’équipe produit.

Mais si nous n’utilisons l’IA que pour poser quelques questions isolées, nous ne faisons que l’utiliser comme un moteur de recherche amélioré, sans vraiment tirer le bénéfice de toute la puissance de l’IA. Lisa Huang, SVP Product chez Xero est d’ailleurs catégorique : un PM devrait piloter une vingtaine d’agents pour être réellement performant.

Dans cet article, nous allons embarquer pour un tour d’horizon de quelques usages concrets grâce auxquels nous pouvons réellement gagner du temps et (surtout) accroître significativement la valeur de notre produit.

§Analyser le marché

Avant d’investir dans les études de marché coûteuses de Gartner ou Nielsen, nous pouvons utiliser l’IA pour une première analyse en quelques dizaines de minutes. L’IA peut facilement nous fournir :

• 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 toute première analyse, mais comme elle peut encore avoir quelques hallucinations, disposer de ses propres sources pour guider l’IA est un excellent calcul : elle commencera ses recherches par là, et sera capable de nous fournir une synthèse des informations qu’elle y trouve.

De la même façon, réaliser un SWOT (Forces, Faiblesses, Opportunités, Menaces) de la concurrence ne prendra que quelques minutes. Dans une démarche étape par étape, nous pouvons commencer par cibler le besoin que nous voulons résoudre, demander à notre IA de nous trouver des acteurs du marché traitant de ce besoin, puis lui demander de mener l’analyse SWOT : elle se chargera alors de créer un magnifique tableau à 4 colonnes, et une ligne par concurrent. Et si nous travaillons sur un produit qui propose déjà une solution approximative à ce besoin, nous pouvons l’intégrer à l’analyse : l’IA ne fera pas de traitement de faveur !

Pour alimenter cette analyse, il est d’ailleurs possible (et recommandé) d’aller chercher du côté des places de marché, pour alimenter l’IA avec des commentaires et critiques de client… De la donnée bien concrète, pour réduire les risques d’hallucination.

§Consolidation et synthèse d’échanges

Comme le dit Lisa Huang :

« You can’t be in every interview. You can’t read every support ticket. AI closes that gap. »

Lorsque nous menons des entretiens clients et des réunions, l’idéal est de pouvoir se concentrer sur ses interlocuteurs : signaux faibles de gêne dans l’organisation, comprendre où se trouve le réel point de friction dans les silences, etc.

Là aussi, L’IA arrive à la rescousse !

• Génération de compte rendu : Teams, Meet, Webex et consort intègrent tout ce qu’il faut pour ça. Nous pouvons nous concentrer sereinement sur nos interlocuteurs, l’IA ne perd pas une miette de nos échanges.
• Consolidation : l’IA va être capable de prendre tous les retours d’interview et de réunion, et générer des synthèses, identifier les points de friction récurrents (nos futures opportunités), etc.

Sur cette section, nous devons tout de même relever un point d’attention important : l’utilisation d’IA publiques avec des données clients peut poser problème, car ces IA utilisent toutes données reçues pour leur entraînement. Nous pouvons donc nous retrouver avec des données sensibles exploitées dans des contextes qui nous échappent.

§Génération automatique des livrables

Pour ce qui est du Pitch (présentation courte) de notre produit, du PRD (Product Requirements Document, ou documentation des prérequis produit), ou des User Stories, là aussi, l’IA est un atout imbattable. Lors des étapes précédentes, nous l’avons utilisé pour générer des analyses, des comptes rendus et des synthèses. Nous l’avons vu à l’œuvre pour identifier des points de frictions qui peuvent constituer de nouvelles opportunités.

Avec toutes ces données, nous pouvons alimenter le contexte de notre IA, lui fournir des templates de document, et lui demander de nous générer nos livrables … Cela ne lui prendra que quelques minutes !

Le template n’est pas non plus magique : il faudra le retravailler et l’affiner en fonction des résultats que l’IA vous renverra. Il se peut également que la forme du template doive 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 le résultat idoine… Le template fait partie du prompt.

Et à partir du PRD, accompagné du contexte de notre produit, l’IA sera à même de générer les User Stories à implémenter, en appliquant la même recette que pour le PRD.

§Tester rapidement une idée

Les développeurs le savent : l’IA est particulièrement douée pour générer du code. Ce code ne sera pas forcément très propre, à moins d’avoir une configuration solide et de repasser derrière le code généré (et encore, certains pros considèrent que cela ne suffit pas).

Maintenant, quand nous en sommes au premier jet, et que nous avons juste 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 sont très performants pour générer des maquettes ou des prototypes en un seul jet (ou presque). Des outils comme Figma ou Canva sont également boostés par l’IA pour générer des prototypes directement.

Pour cela, nous pouvons repartir de notre PRD, ou bien commencer par travailler une description plus technique de notre cible, cela dépend du niveau de précision dont nous avons besoin. Quoi qu’il en soit, il sera possible de sortir rapidement et sans souffrance un MVP (Produit Minimum Viable).

§L’étape d’après : La pipeline IA

Toutes les étapes que nous avons vues jusqu’à présent s’enchaînent naturellement :

1. Analyse du marché et des échanges avec les clients pour identifier nos opportunités.
2. Consolidation des retours.
3. Alimentation de nos livrables, notamment PRD et User Story.
4. Génération d’un MVP.

Chaque étape consomme les données de l’étape précédente. Un développeur passant derrière notre épaule devrait avoir un réflexe : « Eh mais ? On peut automatiser tout ça ! »

Il est désormais possible de se reposer sur des outils comme Claude Code, OpenCode ou n8n.

• Ces systèmes sont capables d’interagir directement avec nos outils favoris (Webex, Jira, Gitlab, etc.) pour récupérer des informations (discussions, tickets, état du produit), les analyser et les consolider. Pour cela, ils s’appuient sur un MCP (Model Context Protocol), le standard qui permet la communication avec n’importe quel outil externe compatible.
• Ils permettent également de lancer de nombreux agents en parallèle, par exemple pour récupérer en des retours d’entretien client pour les agréger et en extraire un sujet à fort impact et forte portée.
• Ces agents vont endosser un rôle d’expert d’un domaine spécifique : un agent « Expert Technique » va prendre une proposition de PRD et la confronter avec la base de code (e.g. via le MCP de Gitlab ou Github) pour évaluer la faisabilité de cette proposition.
• Ces systèmes sont capables de dérouler un workflow itératif : ils peuvent exécuter un processus, se relire et se corriger pour affiner et améliorer la qualité des livrables, documentation ou code. Dans notre exemple précédent, l’agent en charge de la rédaction du PRD pourra revoir sa copie en fonction des retours de l’agents Expert Technique.

La difficulté avec l’intégration de l’IA dans nos workflows Produit est qu’elle a tendance à chercher les patterns majoritaires et lisser les signaux faibles. Or, un bon PM ne va pas seulement regarder les tendances générales, mais il doit aussi rechercher et exploiter ces signaux faibles : ils révèlent 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 :

1. Capture : Un agent « scrape » chaque semaine les pages de Release Notes et les centres d’aide des concurrents.
2. 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.
3. 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.

Le résultat ? Ce qui prenait auparavant une demi-journée de veille fastidieuse par mois devient un flux continu d’intelligence stratégique, libérant le PM pour les tâches à haute valeur ajoutée : la finesse et le jugement. Dans la vidéo, Dave Killeen explique que, tout bénéfices de l’IA cumulés dans son quotidien, il gagne facilement l’équivalent une journée de travail chaque semaine.

Parmi les bénéfices observés, on retrouve ainsi :

• La disparition du reporting manuel, car des agents peuvent être programmés pour se lancer à interval régulier et heure fixe, pour surveiller nos dashboards, extraire les insights et fournir une synthèse à l’heure du café.
• L’IA est capable de fournir un point de vue critique sur la base des standards du produit, autant que de la base de code, comme on l’a vu plus haut.
• Nous pouvons désormais passer directement des retours utilisateurs au prototype testable et prêt à passer entre les mains des utilisateurs, sans besoin de connaissances techniques très poussées.

§Savoir utiliser l’IA, c’est gagner en efficacité

D’un seul coup, notre valeur ne réside plus dans la rédaction de compte-rendus, et de tickets Jira, mais dans le contact humain et l’identification de petits “insights” que l’IA ne verrait pas… justement parce qu’elle n’a pas d’yeux pour observer nos interlocuteurs.

Pour en tirer le meilleur parti, quelques règles simples vont nous aider rapidement.

• Bien rédiger les prompts permet de tirer le meilleur parti de l’IA.
• Alimenter et consolider le contexte est essentiel : l’IA y retrouve toutes les informations utiles pour travailler.
• Une opportunité, un contexte, car l’IA ne fera pas de discrimination : elle peut ainsi mélanger les données et perdre le focus (comme un humain qui travaille sur trop de projets en parallèle).
• L’utilisation de l’IA doit être Agile : une fois chaque étape du processus augmentée avec l’IA, il faut les connecter entre elles… Et aller encore plus loin dans l’automatisation. Il faut consolider ses sources dans une base de donnée pour l’IA, configurer ses agents, et enfin fournir des exemples concrets de modèles de livrables à suivre.

Ainsi, nous retrouvons les mêmes lignes directrices à l’intégration de l’IA que pour dans les autres métiers, ici déclinées pour les métiers du Produit. 

§Ressources

• Le Consultant augmenté par l’IA sur le blog d’Exomind
• 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)