Un Chef de Produit chez Meta Partage Comment l’IA Révolutionne la Livraison et Où Elle Montre ses Limites
Tom Leung, chef de produit chez Meta, explique comment l’IA accélère le prototypage et la livraison, où elle échoue, et pourquoi le jugement humain, l’alignement et la stratégie restent essentiels en gestion de produit.
Tom Leung
Chef d’équipe gestion de produit chez META & Créateur de la newsletter The Fireside PM
Fonctionnalités IA: Construire des fonctionnalités IA efficaces nécessite des tests approfondis, des boucles de rétroaction et un raffinement continu pour réussir.
Évolution de la gestion de projet: L’IA transforme la gestion de projet en permettant un prototypage plus rapide et des processus de validation itératifs.
Équipes autonomes: La réussite de la livraison repose désormais sur des objectifs flexibles et des équipes autonomes dotées de cadres de décision clairs.
Pile d’outils IA: Une pile d’outils IA variée améliore l’efficacité des chefs de produit, avec des outils adaptés à chaque tâche ou workflow.
Focalisation stratégique: L’avenir du management de projet requerra une pensée stratégique alliée à la maîtrise de l’IA, combinant orchestration et automatisation des rôles.
Tom Leung dirige une équipe de gestion de produit chez Meta, où il est responsable à la fois du succès produit et projet. Il est également le créateur de la newsletter Fireside PM.
Nous nous sommes entretenus avec lui pour mieux comprendre ce qui change dans la livraison des produits et des projets. Il nous a expliqué où l'IA a changé la donne — et où l'humain reste plus essentiel que jamais.
La gestion de produit chez Meta
Je travaille dans la gestion de produits logiciels depuis plus de vingt ans.
Déverrouillez gratuitement
Créez un compte gratuit pour terminer la lecture de cet article et rejoindre une communauté de leaders innovants qui accèdent à des outils, des méthodes et des idées pour prospérer à l’ère de l’IA.
Aujourd'hui, je dirige une équipe de gestion de produit chez Meta. Mon rôle est centré principalement sur le pourquoi et le quoi d'un projet, mais je suis responsable du succès global et de l'impact de nos projets.
Je suis également le créateur de la newsletter Fireside PM.
Pourquoi il est plus difficile qu'il n'y paraît de créer une fonctionnalité IA gagnante
J'ai récemment effectué une mission de conseil pour une entreprise pré-IPO qui lançait une fonctionnalité basée sur l'IA. Ce qui était intéressant, c'est que la magie opérait principalement entre l'idée initiale et la première démo fonctionnelle.
Cependant, améliorer la démo initiale pour atteindre un niveau de confiance élevé s'est avéré bien plus compliqué que prévu. Nous avons réalisé de multiples itérations, testé différents modèles fondamentaux (GPT-4, Claude, Gemini) pour déterminer lequel était le plus performant pour notre cas d'usage spécifique, et expérimenté largement avec l'optimisation des instructions : tester différents formats d'instructions, ajouter davantage de contexte sur l'intention utilisateur, et affiner la structure des réponses.
La plus grande amélioration est venue de l’intégration de boucles de retours utilisateurs et de données de personnalisation, qui ont permis au modèle de comprendre les préférences individuelles des utilisateurs et leur contexte particulier.
La plus grande amélioration est venue de l'intégration de boucles de retours utilisateurs et de données de personnalisation, permettant au modèle de mieux comprendre les préférences individuelles et le contexte de chaque utilisateur. Nous avons mis en place des tests A/B pour mesurer l'amélioration de la précision et la satisfaction utilisateur à chaque itération.
Tout cela a engendré de nombreux tâtonnements. Il a fallu environ trois mois d'affinements continus pour passer d'une « démo impressionnante » à une « fonctionnalité prête pour la production ».
En bref, il est relativement facile de créer une fonctionnalité IA, mais l'intégrer efficacement dans votre produit pour en faire une IA réellement performante est bien plus difficile qu'il n'y paraît.
Pourquoi le principal risque de l'IA est à quel point elle est impressionnante
Nous ne sommes pas encore à un stade où l'IA est totalement autonome. Aussi impressionnante qu'elle soit, je découvre encore régulièrement des erreurs de raisonnement et il me faut tout vérifier minutieusement.
En voici un autre exemple. Il y a quelques mois, j'ai réalisé une mission de conseil où Claude et Gamma ont effectué une grande partie du travail après que je leur ai fourni une tonne d'informations de contexte et de comptes-rendus de réunions. Le résultat était bluffant. Pourtant, en préparant une réunion client, je me suis aperçu de plusieurs erreurs qui semblaient correctes jusqu'à ce que je mette à l'épreuve leurs hypothèses. J'ai dû tout revoir en urgence et mettre à jour l'ensemble des chiffres.
C'est donc le véritable défi de l'IA. Elle est incroyable, et elle progresse chaque jour — à tel point qu'on a tendance à vouloir moins la surveiller. Mais tant qu'elle n'atteindra pas 99–100% de précision, il faudra rester vigilant car une erreur ou une hallucination peut vraiment tout faire dérailler.
L’IA est incroyable, et elle s’améliore chaque jour. Mais tant qu’elle n’est pas précise à 99-100 %, vous devez encore la surveiller de près, car lorsqu’elle commet une erreur ou fait une hallucination, cela peut vraiment vous revenir en pleine figure.
Comment l'IA transforme la planification de projet, le prototypage et les feuilles de route
Cela étant dit, cela bouleverse notre façon de travailler. J’ai remarqué qu’il nous arrive désormais de commencer à prototyper en parallèle de la planification produit. Autrefois, on ne pouvait pas se permettre de commencer à construire quoi que ce soit avant d'avoir terminé toute la phase de planification. Aujourd'hui, on peut lancer un nouveau projet en quelques semaines—voire quelques jours.
J’ai aussi remarqué des cycles de planification plus courts et une validation plus itérative. Au lieu de passer des mois sur des cahiers des charges détaillés, nous rédigeons désormais des briefs légers et validons nos hypothèses par des expérimentations rapides.
Nous nous éloignons des feuilles de route rigides, pour passer à une planification plus adaptable : l’ajustement des priorités se fait chaque trimestre, ou même chaque mois, selon ce que nous apprenons.
Nous nous éloignons des feuilles de route rigides, pour aller vers une planification plus adaptative — ajustant les priorités chaque trimestre, voire chaque mois, selon ce que nous apprenons.
Nous avons également réduit le nombre de réunions de suivi formelles au profit de mises à jour asynchrones et de synthèses générées par l’IA sur l’avancement. Cela libère du temps pour des discussions stratégiques de fond plutôt que de simplement rapporter ce qui est déjà documenté.
Le risque, c’est qu’on finisse par devenir une usine à fonctionnalités ou à produits !
Comment les rituels fondamentaux de livraison évoluent avec l’IA
Nos rituels fondamentaux de livraison évoluent eux aussi.
Pour définir le périmètre, nous commençons désormais avec des objectifs axés sur les résultats plutôt que des listes de fonctionnalités. Cela donne aux équipes plus de flexibilité pour s’adapter au fil de leur apprentissage.
Pour la validation, nous faisons de plus en plus de tests continus avec de petits groupes d’utilisateurs plutôt que de gros lancements. Les outils d’IA nous aident à analyser rapidement les tendances du retour utilisateur.
Pour le pilotage de l’exécution, nous avons évolué vers des équipes plus autonomes avec des cadres décisionnels clairs (par exemple : DACI), plutôt que des processus d'approbation centralisés. L’essentiel, c’est de faire confiance aux équipes pour prendre de bonnes décisions, tout en utilisant l’IA pour mettre en avant les risques ou points de blocage à un stade précoce.
Et puis il y a l’alignement. Selon moi, c’est plus important que jamais. Comme il est possible de faire tant de choses aujourd’hui, il faut partager une vision commune de ce qu’il faut développer et pourquoi.
Pour atteindre cette vision commune, nous investissons beaucoup dans le contexte partagé : des revues régulières de la stratégie, une documentation claire du « pourquoi », et des principes explicites de prise de décision auxquels tous peuvent se référer. J’utilise aussi l’IA pour créer des synthèses cohérentes des décisions clés, diffusées largement pour que tout le monde dispose des mêmes informations. Nous organisons aussi des sessions d’alignement trimestrielles où nous revoyons nos priorités et nous assurons que chacun comprend comment son travail s’inscrit dans la vision d’ensemble.
L’objectif est de créer un modèle mental partagé, afin que les équipes puissent prendre des décisions indépendantes qui s’alignent tout de même sur la stratégie globale.
Je pense que l’alignement est plus important que jamais. Puisque nous pouvons faire tellement de choses désormais, nous devons avoir un point de vue unifié sur ce qu’il faut construire et pourquoi.
À quoi ressemble une pile d'outils IA pour les chefs de produit modernes
Voici ma pile d'outils IA actuelle :
ChatGPT : Raisonnement général, brainstorming et recherche rapide
Claude : Analyses complexes et tâches de rédaction nécessitant un raisonnement nuancé
Gemini : Tâches multimodales et analyse de documents contenant des images
Manus : Automatisation des tâches fastidieuses comme la génération de mises à jour hebdomadaires d'équipe, le traitement des données et la gestion de tâches de gestion de projet répétitives
NotebookLM : Synthétiser des insights à partir de grands ensembles de documents et créer des résumés audio
NanoBanana : Création rapide de présentations visuelles et de supports de diapositives
FigmaMake : Prototypage rapide et itération sur le design
J'alterne entre ChatGPT, Claude et Gemini selon la tâche. Chacun a ses points forts dans des domaines différents.
Pourquoi Claude surpasse les autres LLM pour les exigences produit
J'ai récemment testé cinq chatbots IA pour m'aider à rédiger des cahiers des charges produit.
Claude s'est distingué pour la rédaction de documents de spécification produit. Il excelle à maintenir le contexte sur des documents longs, à suivre des consignes complexes et à produire un résultat structuré qui se lit naturellement. Il est particulièrement doué pour saisir la nuance et éviter le ton trop formel ou générique dans lequel tombent certains autres modèles.
Cela dit, j'utilise encore différents modèles selon les tâches : ChatGPT pour des itérations rapides, Gemini lorsque j'ai besoin de traiter des informations visuelles, et Claude pour tout ce qui nécessite un raisonnement poussé ou de la rédaction longue.
Comment les workflows agents sur Manus économisent des heures chaque semaine
J'utilise Manus comme principale plateforme d'orchestration pour les workflows pilotés par des agents. C'est particulièrement utile pour automatiser des tâches en plusieurs étapes telles que la génération de mises à jour d'équipe hebdomadaires, la transformation de comptes-rendus de réunion en actions, et la synthèse de recherches issues de plusieurs sources.
J’utilise Manus comme ma principale plateforme d’orchestration pour les workflows agents. C’est particulièrement utile pour automatiser les tâches en plusieurs étapes.
L'expérience a été positive — Manus gère tout le travail de coordination fastidieux qui me prenait des heures chaque semaine auparavant. Cela dit, je dois encore vérifier attentivement les résultats car l'IA n'est pas encore totalement fiable.
J'ai aussi expérimenté l'utilisation des GPT personnalisés de ChatGPT et des Projects de Claude pour des workflows spécifiques. Mais Manus s'est révélé le plus efficace pour des orchestrations complexes et multistades nécessitant la collaboration de plusieurs outils différents.
Pourquoi NotebookLM transforme la façon dont les chefs de produit synthétisent le contexte et la prise de décision
Ce qui m'a le plus marqué récemment, c'est la capacité à comprendre le contexte interne d'un segment client, d'un projet ou d'une décision passée en utilisant l'IA pour analyser des dizaines de sources. C'est tout simplement étonnant.
Avant l'IA, il fallait parfois des semaines pour lire des piles de documents et faire des dizaines d'entretiens individuels. Désormais, j'utilise des outils comme NotebookLM pour ingérer des dizaines de documents — comptes rendus de réunion, documents stratégiques, études clients — et synthétiser rapidement des insights à travers tous ces éléments.
Par exemple, lorsque j’évalue une nouvelle orientation produit, je peux lui demander de résumer tous les retours clients précédents sur un point de douleur spécifique et obtenir une réponse cohérente en quelques secondes, plutôt que de passer des jours à lire des documents éparpillés. J’utilise aussi ChatGPT et Claude pour ce type de synthèse, surtout lorsque j’ai besoin de comprendre le contexte derrière des décisions passées ou d’identifier des tendances à travers plusieurs projets.
Pourquoi la stratégie comptera plus que jamais dans un monde accéléré par l’IA
D’ici cinq ans, le rôle de chef de projet va se diviser en deux branches distinctes.
La première sera axée sur l’orchestration stratégique : compréhension du contexte business, alignement des parties prenantes, et prise de décisions à haut niveau.
L’autre ressemblera davantage à un « ingénieur des workflows IA », chargé de concevoir et d’optimiser les systèmes automatisés qui gèrent l’exécution, le reporting et la coordination.
Le volet tactique et administratif du métier de chef de projet sera presque entièrement automatisé.
Les équipes avanceront plus vite, mais le discernement humain nécessaire pour décider quoi construire et pourquoi le faire deviendra encore plus crucial. Les chefs de projet qui sortiront vainqueurs seront ceux capables de réfléchir stratégiquement tout en maîtrisant l’utilisation optimale des systèmes IA.
Suivez Tom Leung
Vous pouvez suivre Tom Leung, qui continue de révolutionner le secteur de l’IA, sur LinkedIn. Et bien sûr, rendez-vous également sur tomleungcoaching.com !
D’autres interviews d’experts à venir sur The Digital Project Manager ! Rejoignez notre communauté gratuite pour un accès illimité aux articles et éclairages.
