Le chef de produit propulsé par l’IA : Comment la Dr Nancy Li lance des produits IA en quelques semaines
Découvrez la méthode de la Dr Nancy Li pour piloter la livraison de produits grâce à l’IA : automatisez le travail de chef de produit, validez les idées rapidement et lancez des produits IA en quelques semaines avec une valeur mesurable.
Nancy Li
Directrice de produit, Youtubeuse et Top Voice LinkedIn
Leadership sectoriel: La Dr Nancy Li est une directrice de produit reconnue, Youtubeuse et LinkedIn Top Voice en gestion de produit IA.
Gestion de projet IA: L’IA transforme la gestion de projet en se concentrant davantage sur la prise de décision que sur la simple documentation.
Automatisation des tâches: Automatiser les tâches fondamentales du chef de produit permet de gagner beaucoup de temps et renforce l’efficacité et la productivité.
Cycle de vie des produits IA: Un cadre structuré pour les produits IA accélère les lancements tout en garantissant une réelle valeur ajoutée des applications IA.
Futur des métiers: L’IA peut remplacer certains rôles, mais elle souligne surtout le besoin de chefs de produit compétents et outillés par l’IA.
La Dre Nancy Li est une Directrice produit reconnue, YouTubeuse et LinkedIn Top Voice. Elle a fondé le Product Manager Accelerator, deux produits IA, et le Bootcamp de gestion de produits IA — ce dernier étant responsable du lancement de plus de 40 produits IA réels.
Nous l'avons rencontrée pour comprendre comment elle y parvient. Elle nous a partagé son cadre pour une livraison de projets rapide et efficace.
Former les chefs de produit
J'ai fondé le Product Manager Accelerator, qui a aidé plus de 1 500 chefs de produit à décrocher leur poste de rêve dans les entreprises FAANG et les licornes — et à obtenir une promotion comme leaders produit. J'ai aussi créé le Bootcamp de gestion de produits IA, qui a permis de lancer 40 produits IA réels.
Unlock for Free
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Plus récemment, nous avons développé deux produits IA pour nos étudiants : AI Study Companion et AI Interviewer Copilot. Ils sont actuellement utilisés par les étudiants du PM Accelerator, et nous lancerons le produit auprès d'utilisateurs externes en 2026.
J'ai également été l'une des plus jeunes doctorantes en ingénierie de la BU et je suis une ancienne élève de la MIT Sloan School of Business. Je suis une Directrice produit primée et YouTubeuse. J'ai été citée dans Forbes, et je suis LinkedIn Top Voice.
Comment l'IA transforme la livraison de projets : des livrables aux décisions
Grâce à l'IA, la livraison de projets évolue de la production de livrables vers la prise de décisions. Nous passons moins de temps sur la documentation et la coordination, et plus de temps à bien cerner les problèmes, valider les hypothèses et concevoir des flux de travail automatisés par IA.
Grâce à l’IA, la livraison de projets passe de la production de livrables à la prise de décisions.
C'est plus rapide, plus itératif, et il s'agit de plus en plus d'orchestrer humains et IA ensemble — non de gérer des transferts.
En tant que CEO et CPO, j'ai pu réduire mon équipe de moitié et doubler ma productivité grâce à la puissance de l'IA.
Quelles tâches essentielles du chef de produit peuvent être automatisées
J'économise au moins huit heures par semaine sur les tâches de gestion de produit grâce à l'automatisation. Les tâches suivantes devraient être automatisées :
- Génération des exigences
- Prototypage
- Études de marché
- Débogage
- Entretiens clients — nous utilisons Dovetail pour résumer les comptes rendus de réunions et les transformer en exigences.
- Intégration sur de nouveaux projets
- Prise en main rapide de n'importe quel sujet, comme des actualités sectorielles
- Résumer les technologies existantes
- Créer des schémas d'architecture système à partir de la base de code existante
Mais il est important de noter que l'intervention humaine reste essentielle dans certains domaines, comme passer du prototype à un produit fini pour la production ou élaborer une stratégie produit qui vous permette vraiment de vous démarquer.
Une intervention humaine reste nécessaire dans certains domaines, comme passer du prototype à des produits prêts pour la production et créer une stratégie produit qui vous aide réellement à vous démarquer.
Comment l'IA transforme les rituels de livraison essentiels pour les équipes produit
Tous ces éléments impactent les rituels de livraison.
L'IA réduit de 50 % le temps consacré à la définition du périmètre de projet. Vous pouvez recueillir les retours clients et réaliser des études de marché très facilement de nos jours.
Et, bien qu’aligner les équipes exige encore une dimension humaine, l’IA peut aider à résumer les réunions d’équipe et ainsi faire gagner du temps.
Un cadre pour la création de produits à base d’IA
Comme je l’ai mentionné, mon bootcamp a permis de lancer plus de 40 produits d’IA. Pour cela, nous avons créé un cadre d’hypothèses pour l’IA. Il s’agit d’un système simple et reproductible que nous utilisons pour valider les idées d’IA avant de les développer.
Tout commence par la Définition du Problème en utilisant notre cadre GUCCI (Goals and Mission, Unmet Needs, Customer Segmentation, Competition, and Integrated Ecosystem), où nous clarifions l’objectif utilisateur, le point de douleur, les contraintes et l'impact que nous souhaitons générer.
À partir de là, nous formulons une Hypothèse IA — une déclaration claire des données dont l’IA a besoin, des résultats attendus, et de la façon dont cela va améliorer le flux de travail. Cela alimente notre stratégie de données ainsi qu’une preuve de concept rapide pour tester la faisabilité technique.
Nous validons ensuite directement auprès des clients les entrées et sorties de l’IA afin de confirmer si la fonctionnalité règle effectivement un problème réel. Seules les idées validées passent au MVP du produit, où nous concevons le parcours utilisateur complet activé par l’IA.
Une fois le MVP en ligne, nous mesurons si nous avons atteint l’adéquation produit-marché pour l’IA. Si c’est le cas, nous passons à l’échelle grâce à une stratégie de généralisation, élargissons les cas d’usage, et exploitons les données d’utilisateurs réels pour renforcer l’avantage de nos données et de notre produit.
Ce cycle de vie — GUCCI → Hypothèse IA → PoC → MVP → PMF → Échelle — nous permet de lancer régulièrement des produits IA en environ trois mois tout en garantissant que l’IA n’est utilisée que là où elle apporte une réelle valeur mesurable. Vous pouvez en lire plus sur le processus ici.
Comment une gestion de produit guidée par le cahier des charges accélère la livraison des produits IA
Un autre aspect important est que nous avons abandonné les méthodes traditionnelles de gestion de projet — rédiger des spécifications, attendre que les designers créent des maquettes, puis attendre que les ingénieurs développent un premier prototype. Désormais, nous utilisons une gestion de produit « guidée par le cahier des charges », c’est-à-dire que nous utilisons des outils IA pour rédiger les exigences et générer rapidement des prototypes.
Maintenant, nous utilisons un processus de gestion de produit « guidé par le cahier des charges », ce qui signifie que nous utilisons des outils d’IA pour rédiger les exigences et générer des prototypes rapidement.
Nous sommes capables de transformer des exigences produit en prototypes en une heure sans une seule ligne de code, et d’expérimenter des idées — rapidement. Supprimer la dépendance vis-à-vis des designers et des développeurs réduit considérablement les délais et fait facilement gagner des heures chaque semaine aux chefs de produit.
Voici comment faire :
- Demandez à ChatGPT d’aider à définir les exigences produit pour vos idées
- Saisissez vos idées de produit
- Ensuite, ChatGPT posera des questions de clarification et concevra la carte du parcours utilisateur détaillée
- Demandez à ChatGPT de générer les exigences.
- Intégrez ces exigences dans Google AI Studio pour générer le prototype.
Pourquoi une philosophie « scénario d’abord » crée une valeur mesurable
Nous croyons beaucoup aux agents. En réalité, notre orientation produit principale repose largement sur des flux de travail agents — tant dans notre entreprise que dans nos produits. Cela implique de donner à l’IA la responsabilité des résultats, pas seulement des instructions.
En interne, les agents nous aident à transformer des processus complexes en workflows évolutifs, de haute qualité et reproductibles. Combinés à notre boucle d’évaluation de bout en bout, les systèmes agentiques sont devenus un moteur fiable de la qualité de notre livraison.
Par exemple, nous utilisons des agents qui analysent les données clients, génèrent des insights, rédigent des PRD, proposent des variantes de design et créent des prototypes. Et nous avons créé un « second cerveau IA » qui peut réfléchir à des idées avec moi comme le ferait un chef de produit junior.
Dans nos produits, nous nous concentrons sur les workflows qui apportent une réelle valeur à notre communauté d’apprentissage : assistants d’apprentissage, intelligence documentaire et raisonnement en plusieurs étapes.
Notre philosophie est simple : l’IA doit servir le scénario, et le scénario doit créer de la valeur mesurable.
De notre point de vue, l’IA n’est pas une question de course au dernier modèle — il s’agit d’ingénierie rigoureuse, de conception centrée sur les scénarios et de l’art de peaufiner chaque composant jusqu’à ce qu’il réponde véritablement aux besoins de l’utilisateur.
À notre avis, l’IA ne consiste pas à courir après le dernier modèle — il s’agit d’une ingénierie rigoureuse, d’une conception axée sur les scénarios et d’un savoir-faire qui consiste à affiner chaque composant jusqu’à ce qu’il serve réellement l’utilisateur.
Comment les agents peuvent gagner en sophistication avec LangGraph
Regardons de plus près un workflow basé sur des agents. Ce cas d’utilisation précis ne s’applique peut-être pas de manière généralisée, mais je pense que les détails de notre mise en œuvre peuvent inspirer des workflows avancés basés sur la gestion de produit (PM).
Au début de notre AI Interviewer Copilot, notre système était principalement un assistant centré sur le RAG, construit avec LangChain. Cela nous a permis d’itérer rapidement et de poser des bases solides en matière de traitement documentaire et de qualité de récupération. Mais à mesure que l’assistant a gagné en fonctionnalités et en complexité — prenant en charge le raisonnement multi-étapes, de nouveaux types de tâches, la personnalisation et la collaboration entre différents modules de raisonnement —, une simple chaîne RAG n’était plus suffisante.
Le défi initial n’était pas seulement la complexité, mais aussi comment garantir une livraison fiable, reproductible et de haute qualité lorsque les sources de contenu étaient hétérogènes et en constante évolution. Nous voulions un cadre permettant de soutenir le RAG agentique, où plusieurs agents spécialisés collaborent de manière contrôlée et interprétable.
C’est ce qui nous a amenés à adopter LangGraph. Cette solution nous a apporté déterminisme, transparence et gestion explicite des états, ce qui est essentiel lorsqu’on veut créer un assistant conversationnel dont les étapes de raisonnement doivent être auditées, explicables et reproductibles. Le passage à LangGraph s’est également bien aligné avec notre vision à long terme : construire un assistant intelligent plutôt qu’un système de questions/réponses à tour unique.
Nous avons donc reconstruit le workflow de livraison à l’aide d’une orchestration moderne de l’IA :
- LangGraph pour des transitions d’état déterministes entre agents multiples
- Boucles d’évaluation d’intégration et de récupération pour stabiliser l’agent RAG
- Traitement documentaire préservant les métadonnées afin d’éviter toute dérive sémantique
C’est désormais un système multi-agents composé d’un Agent RAG, d’un Agent d’évaluation de CV et d’un Agent d’orchestration contextuelle. Nous avons mis en place un cadre complet d’évaluation de bout en bout — couvrant la précision au niveau des composants (découpage en segments, intégration, récupération) et la précision au niveau du système (pertinence de la réponse finale, taux d’hallucinations).
Et en ajustant continuellement chaque composant et en intégrant des tests de non-régression automatisés, nous avons pu garantir que le système atteignait plus de 90 % de précision avant chaque publication majeure.
Au final, nous pensons qu’un système d’IA moderne ne se définit pas par un seul modèle. Il se définit par un écosystème bien orchestré de composants : intelligence documentaire, stabilité de la récupération, collaboration multi-agents, structures de mémoire et évaluation continue.
Nous pensons qu’un système d’IA moderne ne se définit pas par un seul modèle. Il se définit par un écosystème bien orchestré de composants : intelligence documentaire, stabilité de la récupération, collaboration multi-agents, structures de mémoire et évaluation continue.
Comment le débogage assisté par l’IA accélère la livraison
Le débogage assisté par l’IA a été un élément important de cette mise en œuvre réussie — nous y avons énormément eu recours.
Des outils comme Claude Code et Cursor nous aident à diagnostiquer rapidement les problèmes d’intégration, à générer des tests unitaires et à raisonner sur les cas limites dans le comportement des prompts. Cela a fortement accéléré notre rythme de développement, en particulier pour corriger les erreurs logiques ou des réponses inattendues générées par les modèles.
À quoi ressemble en pratique une pile d’outils de gestion de produit pensée IA-first
Voici notre stack technologique PM :
- Google AI Studio pour le prototypage
- Claude Code pour identifier les problèmes, raisonner sur des cas limites et générer des tests unitaires ciblés
- Cursor pour le débogage
- ChatGPT pour les PRD
- ChatPRD pour la gestion de produit
- Dovetail pour recueillir les besoins issus des insights clients
- Miro pour la collaboration
Mon préféré est peut-être Claude Code. Il nous aide constamment à repérer les problèmes d'intégration ou les lacunes logiques bien plus tôt qu'un simple débogage traditionnel. Et il est nettement meilleur que Lovable. Même s'il y a beaucoup de battage autour de Lovable, ce n'est pas adapté à l'ingénierie IA avancée en production.
L’IA remplacera-t-elle les chefs de projet et les fonctions liées au produit ?
Au final, je pense que l'IA remplacera les chefs de projet. Nous n'avons tout simplement plus besoin de chefs de projet pour gérer les processus ! En réalité, de nombreux emplois débutants seront remplacés par l'IA — cela inclut les ingénieurs logiciels, les designers et les analystes de données.
Cependant, nous avons besoin de plus de chefs de produit utilisant l’IA capables de prendre des décisions en s'appuyant sur l'IA, de diriger des équipes pluridisciplinaires pour concrétiser les visions produits, de gérer efficacement les parties prenantes et d'obtenir des résultats rapidement.
Mon conseil ? Vous devez rapidement développer vos compétences sur la manière d’exploiter les outils d’IA existants et réinventer la livraison des produits. Et envisagez de vous concentrer spécifiquement sur les produits d’IA. Selon moi, vous pouvez soit créer des produits d’IA et mener l’innovation, soit être remplacé.
Suivez-la
Vous pouvez suivre les projets IA de la Dr. Nancy Li et apprendre grâce à ses conseils sur YouTube, LinkedIn, X, son podcast, ainsi que sur le site PM Accelerator. Vous pouvez également consulter son nouveau Bootcamp de gestion de produits IA.
D’autres interviews d’experts sont à venir sur The Digital Project Manager !
