Un chef de produit chez Meta explique comment l’IA transforme 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 présente des faiblesses, et pourquoi le jugement humain, l’alignement et la stratégie restent essentiels en gestion de produit.
Tom Leung
Leader d’équipe en gestion de produit chez META & créateur de la newsletter The Fireside PM
Fonctionnalités IA: Construire des fonctionnalités IA performantes exige des tests poussés, des boucles de rétroaction et un affinage 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 itérative.
Équipes autonomes: La réussite de la livraison dépend désormais d’objectifs flexibles et d’équipes autonomisées avec des cadres de décision clairs.
Pile d’outils IA: Une pile d’outils IA diversifiée améliore l’efficacité de la gestion de produit, avec des outils adaptés à chaque tâche et workflow.
Focalisation stratégique: L’avenir de la gestion de projet nécessitera une réflexion stratégique alliée à la maîtrise de l’IA, en séparant les rôles d’orchestration et d’automatisation.
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 comprendre ce qui change dans la livraison des produits et des projets. Il a expliqué comment l’IA a changé la donne — et où les humains sont plus importants que jamais.
La gestion de produit chez Meta
Je travaille dans la gestion de produit logiciel depuis plus de vingt ans.
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
Aujourd'hui, je dirige une équipe de gestion de produit chez Meta. Mon rôle concerne principalement le "pourquoi" et le "quoi" d’un projet, mais je suis responsable du succès global et de l’impact de nos projets.
Je suis aussi le créateur de la newsletter Fireside PM.
Pourquoi créer une fonctionnalité IA gagnante est plus difficile qu’il n’y paraît
J'ai récemment réalisé une mission de conseil pour une entreprise pré-introduction en bourse qui lançait une fonctionnalité alimentée par IA. Ce qui était intéressant, c’est que la magie se produisait surtout au tout début : du concept à la démo fonctionnelle.
Cependant, améliorer la démo initiale pour obtenir une solution en laquelle nous avions une grande confiance s’est avéré bien plus difficile que prévu. Nous avons fait de nombreux allers-retours, testé différents modèles de base (GPT-4, Claude, Gemini) pour voir lequel était le plus performant pour notre cas d’usage, et fait beaucoup d’expérimentations sur la conception des invites : en testant différentes formulations, en ajoutant plus de contexte sur l’intention utilisateur et en affinant la structure de sortie.
La plus grande amélioration est venue de l’intégration de boucles de retour des utilisateurs et de données de personnalisation, ce qui a aidé le modèle à comprendre les préférences individuelles des utilisateurs et leur contexte.
La plus grande avancée a été d’intégrer des boucles de retour utilisateur et des données de personnalisation, qui ont permis au modèle de mieux comprendre les préférences individuelles et le contexte utilisateur. Nous avons mis en place des tests A/B pour mesurer les gains de précision et la satisfaction des utilisateurs à chaque itération.
Tout cela a généré beaucoup de tâtonnements. Le processus a pris environ trois mois d’affinements continus pour passer de « démo impressionnante » à « fonctionnalité prête pour la production ».
La synthèse (TL;DR), c’est qu’il est assez facile de créer une fonctionnalité IA, mais intégrer une fonctionnalité IA gagnante dans votre produit est beaucoup plus difficile qu’il n’y paraît.
Pourquoi le plus grand risque de l’IA est à quel point elle impressionne
Nous ne sommes pas encore arrivés à un stade où l’IA est totalement autonome. Malgré tout son potentiel, je repère encore régulièrement des failles de raisonnement qui nécessitent une vérification attentive.
Voici un autre exemple. J’ai réalisé une mission de conseil il y a quelques mois où Claude et Gamma ont fait une grande partie du travail après leur avoir fourni beaucoup d’informations de contexte et de comptes rendus de réunions. C’était bluffant. Mais ensuite, en préparant une réunion client, je me suis aperçu qu’il y avait plusieurs erreurs qui passaient inaperçues jusqu’à ce qu’on challenge les hypothèses. J’ai dû tout reprendre et mettre à jour tous les chiffres en urgence.
Voilà donc le défi avec l’IA. C’est impressionnant, et cela progresse chaque jour — à tel point qu’on a l’impression de pouvoir moins vérifier. Mais tant qu’on n’atteint pas 99–100 % de précision, il faut rester vigilant car lorsqu’une erreur ou une hallucination survient, les conséquences peuvent être importantes.
L’IA est incroyable, et elle s’améliore chaque jour. Mais tant qu’elle n’est pas précise à 99-100 %, il faut rester vigilant, car lorsqu’elle fait une erreur ou hallucine, cela peut vraiment se retourner contre vous.
Comment l’IA transforme la planification de projet, le prototypage et les feuilles de route
Cela dit, cela change notre façon de travailler. J’ai remarqué que nous commençons parfois le prototypage en parallèle de la planification produit. Autrefois, on ne pouvait pas se permettre de construire quoi que ce soit tant que toute la planification n’était pas achevée. Mais aujourd’hui, il est possible de lancer un nouveau projet en quelques semaines — ou même en quelques jours.
J’ai également constaté des cycles de planification plus courts et une validation plus itérative. Au lieu de passer des mois sur des spécifications détaillées, nous élaborons maintenant des briefs allégés et validons les hypothèses par l’expérimentation rapide.
Nous nous éloignons des feuilles de route rigides pour aller vers une planification plus adaptative — en adaptant les priorités 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 — en adaptant les priorités chaque trimestre, ou même chaque mois, selon ce que nous apprenons.
Et nous avons réduit le nombre de réunions de suivi formelles au profit de mises à jour asynchrones et de résumés générés par l’IA sur l’avancement des projets. Cela libère du temps pour des discussions stratégiques plus approfondies, plutôt que de simplement rendre compte de ce qui est déjà documenté.
Le risque, c’est de finir 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 aussi.
Pour la définition du périmètre, nous commençons désormais par des objectifs axés sur les résultats plutôt que par des listes de fonctionnalités. Cela donne aux équipes plus de flexibilité pour s’adapter au fur et à mesure de leur apprentissage.
Pour la validation, nous réalisons davantage de tests continus avec de petits groupes d’utilisateurs plutôt que des lancements massifs. Les outils d’IA nous aident à analyser rapidement les tendances des retours.
En ce qui concerne l’exécution, nous nous orientons vers des équipes plus autonomes, avec des cadres décisionnels clairs, plutôt que des processus d’approbation centralisés. L’essentiel est de faire confiance aux équipes pour prendre de bonnes décisions, tout en utilisant l’IA pour détecter rapidement les risques ou obstacles potentiels.
Il y a aussi la question de l’alignement. Je pense que l’alignement est plus important que jamais. Puisque nous sommes capables de faire tant de choses désormais, il est crucial d’avoir une vision unifiée sur ce que nous construisons et pourquoi.
Pour obtenir cette vision unifiée, nous investissons beaucoup dans le contexte partagé : des revues de stratégie régulières, une documentation claire de notre « pourquoi » et des principes de décision explicites auxquels chacun peut se référer. J’utilise aussi des outils IA pour générer des résumés cohérents des décisions clés et les diffuser largement afin que tout le monde ait accès à la même information. Et nous organisons des sessions trimestrielles d’alignement pour revoir nos priorités et nous assurer que chacun comprend comment son travail s’intègre dans la vision globale.
L’objectif est de créer un modèle mental partagé afin que les équipes puissent prendre des décisions indépendantes tout en s’inscrivant dans notre stratégie globale.
Je pense que l’alignement est plus important que jamais. Puisque nous pouvons faire tellement de choses aujourd’hui, il nous faut une vision unifiée de 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 recherches rapides
- Claude : Analyses complexes et tâches de rédaction nécessitant un raisonnement nuancé
- Gemini : Tâches multimodales et analyse de documents avec images
- Manus : Automatisation des tâches fastidieuses comme la génération de mises à jour hebdomadaires de l’équipe, le traitement des données et la gestion répétitive de projets
- NotebookLM : Synthèse des enseignements à partir d’un grand nombre de documents et création de résumés audio
- NanoBanana : Réalisation rapide de présentations visuelles et de diaporamas
- FigmaMake : Prototypage rapide et itération en design
J’alterne entre ChatGPT, Claude et Gemini selon la tâche. Chaque outil a ses points forts dans des domaines différents.
Pourquoi Claude a surpassé les autres LLM pour les exigences produit
J’ai récemment testé cinq chatbots IA pour rédiger des cahiers des charges produit.
Claude s’est imposé pour la rédaction de documents de spécifications produit. Il excelle dans le maintien du contexte sur de longs documents, le suivi d'instructions complexes, et la production d’une sortie structurée et naturelle. Il est particulièrement bon pour comprendre les subtilités et éviter le ton trop formel ou générique dans lequel certains autres modèles tombent parfois.
Ceci dit, j’utilise toujours différents modèles en fonction des tâches : ChatGPT pour des itérations rapides, Gemini quand il est nécessaire de traiter de l’information visuelle, et Claude pour tout ce qui demande un raisonnement poussé ou de la rédaction longue.
Comment les workflows agentiques sur Manus font gagner des heures chaque semaine
J’utilise Manus comme principale plateforme d’orchestration pour les workflows agentiques. Cet outil est particulièrement utile pour automatiser des tâches en plusieurs étapes comme la génération de mises à jour d'équipe hebdomadaires, la transformation de comptes-rendus de réunions en actions concrètes, et la synthèse de recherches provenant de multiples sources.
J’utilise Manus comme principale plateforme d’orchestration pour les workflows agentiques. Cet outil est particulièrement utile pour automatiser des tâches en plusieurs étapes.
L’expérience a été positive — Manus prend en charge toute la coordination fastidieuse qui me prenait auparavant des heures chaque semaine. Cela étant dit, je dois encore relire soigneusement les sorties car l’IA n’est pas encore totalement fiable.
J’ai aussi expérimenté les GPT personnalisés de ChatGPT et les Projects de Claude pour des workflows spécifiques. Mais Manus s’est révélé le plus efficace pour l’orchestration complexe et multi-étapes lorsque plusieurs outils doivent fonctionner ensemble.
Pourquoi NotebookLM transforme la façon dont les chefs de produit synthétisent le contexte et les décisions
Ce que j’ai le plus remarqué récemment, c’est cette capacité à comprendre le contexte interne d’un segment de clientèle, d’un projet ou d’une décision passée en utilisant l’IA pour croiser des dizaines de sources, ce qui est impressionnant.
Avant l’IA, il fallait passer des semaines à lire des piles de documents et à faire des dizaines d’entretiens individuels. Maintenant, avec des outils comme NotebookLM, j’ingère des dizaines de documents : notes de réunions, documents de stratégie, recherches clients — puis je synthétise rapidement les enseignements majeurs.
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, au lieu de passer des jours à lire des documents éparpillés. J'utilise également ChatGPT et Claude pour des travaux de synthèse similaires, notamment quand j'ai besoin de comprendre le contexte derrière des décisions passées ou d'identifier des schémas 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 se divisera en deux trajectoires distinctes.
La première trajectoire sera axée sur l'orchestration stratégique : comprendre le contexte commercial, aligner les parties prenantes et effectuer des arbitrages de haut niveau.
L'autre s'apparentera davantage à un « ingénieur des flux de travail IA », chargé de concevoir et d'optimiser les systèmes automatisés qui gèrent l'exécution, le reporting et la coordination.
Le côté tactique et administratif du travail de chef de projet sera presque entièrement automatisé.
Les équipes avanceront plus vite, mais le jugement humain, nécessaire pour décider quoi construire et pourquoi, deviendra encore plus crucial. Les gagnants seront les chefs de projet capables de penser stratégiquement tout en maîtrisant l’utilisation efficace des systèmes d’IA.
Suivez l’actualité
Vous pouvez suivre les prochaines avancées de Tom Leung dans le domaine de l’IA sur LinkedIn. Et, bien sûr, consultez tomleungcoaching.com !
D'autres interviews d'experts seront bientôt disponibles sur The Digital Project Manager ! Rejoignez notre communauté gratuite pour un accès illimité aux articles et aux analyses.
