Comment l’IA pousse les chefs de produit au-delà de leur rôle

Le parcours vers la gestion de produit

Je suis chef de produit depuis plus de 15 ans maintenant. Plus tôt dans ma carrière, j’ai touché à tout ce que je pouvais : design, vente, conseil, marketing, et même du code à l’époque de PHP — beurk.

Je me suis tourné vers la gestion de produit car j’aimais vraiment naviguer entre divers sujets et interagir avec les utilisateurs, les développeurs, les dirigeants, etc. J'avais aussi un assez bon œil pour le design et un bon sens du goût produit. Après beaucoup de recherches, j’ai trouvé un métier qui correspondait parfaitement à ce profil : la gestion de produit. Alors, j’ai postulé à mon premier poste de PM et c’est comme ça que je suis arrivé ici.

J’ai travaillé dans plein de secteurs différents : B2B, B2B2C, retail, logiciels grand public. J’ai commencé à enseigner la gestion de produit chez General Assembly il y a plus de dix ans, puis j’ai lancé mes propres cours en ligne en indépendant sur Udemy puis, plus tard, LinkedIn Learning. Aujourd’hui, j’ai plus de 1,6 million d’élèves combinés sur les deux plateformes. Et j’ai aussi parlé lors de nombreuses conférences sur la gestion produit et projet, y compris en travaillant avec Google pour enseigner un cours produit à Kyiv, en Ukraine.

Actuellement, je travaille avec Probably.dev, une application agent de données déterministe financée par a16z. Nous sommes une petite équipe, donc je ne suis pas seulement PM, mais aussi ingénieur, commercial, designer, etc.

Notre application est une application desktop native qui effectue de la science des données déterministe, au niveau PhD, avec des visualisations à l’appui pour répondre directement à toute requête en langage naturel sans que des données sensibles ne quittent votre machine. Vous pouvez la voir comme un « copilote de données ». Nous travaillons directement à partir de schémas d’entrepôts de données (par exemple BigQuery, Snowflake, Clickhouse, etc.), ainsi qu’avec des fichiers locaux comme CSV, JSON et Parquet. Toutes les réponses fournies par notre agent sont traçables et reproductibles par un humain, donc les hallucinations typiques des LLM ne sont pas un problème. Ce n’est pas juste un agent générateur de SQL de plus, et nous pouvons gérer des milliards de lignes/colonnes et des schémas complexes de dizaines de milliers de tables.

You should also read

• Glossaire ultime des termes de la gestion de projet

• 153 citations sur la gestion de projet pour vous inspirer en 2026

• Qu’est-ce que le cycle de vie d’un projet : Explication des 5 phases

Comment l’IA aide les équipes à produire plus par personne

L’IA a eu un énorme impact sur mon travail. Avant, j’étais « juste un PM ». Ça paraît étrange car les PM font déjà énormément, mais à présent je peux contribuer sur tout le reste, comme l’ingénierie et la vente. Et cela accélère le rythme de l’équipe. Avec l’IA qui transforme la gestion de projet, les frontières de rôles traditionnelles deviennent de plus en plus poreuses.

Les tâches chronophages comme la recherche et l’analyse sont bien plus rapides, et ce gain de temps permet d’avoir beaucoup plus d’échanges directs et de communications avec les parties prenantes. Cela favorise aussi une prise de décision plus rapide.

Une grande partie du métier de PM, c’est de veiller à ce que tout le monde puisse faire son travail efficacement alors, en pouvant moi-même accomplir encore plus de tâches, nous arrivons à produire bien davantage par personne. Cette approche hybride humain-IA devient essentielle pour les équipes de livraison modernes.

Pourquoi une compréhension approfondie de l’IA permet aux chefs de produit de tout faire (ou presque)

Plus je m’y plonge, plus je réalise à quel point la courbe d’apprentissage pour une utilisation efficace et performante de l’IA/des LLM est élevée, ainsi que la sous-compétence qui consiste à adapter ces outils aux flux de travail préférés des personnes autour de vous ou dans vos équipes. Cela renforce ma conviction : tout collaborateur d’une entreprise doit être intimement familier non seulement avec les LLM en général et les modèles disponibles, mais aussi avec la multitude d’outils de l’écosystème comme les MCP, les différents modes (CLI, GUI), et surtout l’architecture du transformer. Pour ceux qui souhaitent approfondir leurs connaissances, l’exploration de livres sur la gestion de projet et l’IA peut apporter un éclairage précieux pour une mise en œuvre efficace de ces technologies.

Bien utiliser l’IA dans la marée de « soupe IA » actuelle, qu’il s’agisse de contenus ou d’outils, est une compétence à affûter, qui ne s’acquiert qu’avec l’expérience. Il faut comprendre comment les LLM fonctionnent, ce qu’ils sont capables de bien faire ou non, pour tirer le meilleur de ces outils et être réellement performant.

De nombreux produits et outils SaaS soi-disant “révolutionnaires” semblent constituer de bonnes solutions — par exemple pour rédiger des PRD — mais j’ai découvert que 99% de ce que vous avez à faire peut être accompli vous-même moins cher, plus vite, plus personnalisé, et largement mieux. Bien sûr, il faut pour cela comprendre les concepts évoqués et maîtriser l’usage des LLM.

C’est comme ces télé-achats où on voit quelqu’un peiner à accomplir une tâche toute simple, puis on essaie de vous vendre tout un appareil pour régler ce petit cas d’usage… Comme si, au lieu de couper une banane en morceaux avec un couteau comme n’importe qui, on voulait vous vendre une trancheuse en forme de banane qui découpe tout en un geste…

Le couteau représente un LLM et l’ustensile à découper les bananes est une application de niche inutile. Apprenez à utiliser le foutu couteau. Achetez-en un de bonne qualité, utilisez-le, apprenez à le maîtriser et arrêtez de chercher des gadgets stupides parce que la tech sur Twitter vous affirme qu’une appli SaaS aléatoire a « rendu les designers obsolètes » ou « tué le codage ».

Il n’y a pratiquement rien que vous ne puissiez faire avec un LLM dans une interface en ligne de commande, un navigateur web, et parfois un outil d’automatisation ouvert et non spécialisé comme n8n.

Économisez votre argent et apprenez à créer des choses qui reflètent la sagesse de votre expérience, plutôt que d’accepter le résultat d’un outil SaaS créé en une nuit.

La seule exception concernerait les outils à usage unique, spécifiquement conçus pour résoudre des problèmes pour lesquels l’architecture des LLMs basée sur les transformers dans les modèles génériques (c’est-à-dire non spécialisés) est fondamentalement inadéquate. Par exemple, la science des données ou les mathématiques à grande échelle.

Comment commencer à apprendre l’IA en tant que chef de produit

Le meilleur avec les LLMs, c’est qu’on peut leur demander comment apprendre à les utiliser. Si, comme moi, vous apprenez visuellement, YouTube est la cerise sur le gâteau, on y trouve une multitude d’excellentes ressources sur l’IA et les LLMs.

Si je repartais de zéro, j’aborderais l’apprentissage de cette façon : Indiquez à un LLM que vous souhaitez tout apprendre sur l’univers de l’IA et des LLMs adapté à votre niveau de compréhension technique. Vous pouvez même lui demander de vous poser des questions progressivement plus techniques afin d’évaluer vos compétences actuelles en IA/LLM, en partant des bases. Et lorsque vous atteindrez vos limites, il pourra recommander des sujets à étudier, des fondamentaux de l’architecture transformer à la compréhension du fonctionnement d’applications comme ChatGPT.

L’idée est d’obtenir une liste de sujets à apprendre, puis de chercher chacun d’eux sur YouTube pour trouver une vidéo explicative.

Voici un exemple d’invite :

Agis comme mon évaluateur « point de départ » en IA/LLM.

Pose-moi jusqu’à 12 questions (mélange de simples et de techniques) pour évaluer :

• mon aisance technique générale (codage, données, APIs)
• ma compréhension du fonctionnement des LLMs (modalités modèles comme CLI, interfaces graphiques, tokens, contexte, hallucinations, etc.)
• ma familiarité avec les schémas d’applications LLM modernes (RAG/embeddings, agents/utilisation d’outils)
• ma capacité à juger de la qualité (évaluations, vérification)
• ma prise de conscience des risques (confidentialité, injection de prompt, etc.)
• ma conscience des limites de l’IA (bons vs mauvais cas d’usage pour les LLMs, précision, caractère incontrôlable des sorties LLM, etc.)

Après mes réponses, fournis UNIQUEMENT :

• 5 à 10 sujets prioritaires à chercher sur YouTube, classés par ordre d’importance. Chaque point doit être une phrase de recherche YouTube (pas une phrase complète) + une explication de 5 à 10 mots du « pourquoi c’est important ».

Commence avec tes questions dès maintenant.

Quelles compétences IA les chefs de produit doivent-ils apprendre en priorité ?

À mon avis, comprendre où et comment utiliser les LLMs est essentiel. Par là, j’entends comprendre qu’ils peuvent être intégrés à une appli, utilisés dans votre terminal d’ordinateur, ou dans du code fonctionnant via des plateformes d’orchestration ou des APIs.

Deuxièmement, il faut absolument comprendre qu’ils sont :

1. Nondéterministes, incontrôlables et sujets aux erreurs
2. À ne jamais utiliser comme unique source d’informations fiables, surtout pour des décisions critiques
3. Pouvant être automatisés de façon créative pour atténuer les deux points précédents, selon votre cas d’usage

L’exemple classique que je donne est de ne jamais utiliser un LLM pour rédiger entièrement un essai, mais il est tout à fait pertinent de lui demander des idées de pistes si vous êtes en panne d’inspiration. Autrement dit, les LLMs sont d’excellents compléments à l’esprit humain, mais il est risqué de leur déléguer toute la réflexion à la place de l’intelligence humaine.

Le dernier point que j’ajouterai ici, c’est que, pendant que vous assimilez ces concepts, il faut absolument les essayer vous-même. Si, par exemple, vous apprenez comment fonctionne l’ingénierie de l’invite, testez une même question à un LLM formulée de deux manières différentes et remarquez les différences de résultat. N’apprenez jamais sans pratiquer en même temps.

Pourquoi il ne faut pas automatiser les interactions client à forte valeur ajoutée avec l’IA

Une fois que vous savez ce qu’il faut savoir, vous pouvez presque tout faire. Mais cela ne veut pas dire que vous devez tout faire.

Pour une jeune entreprise avec un produit premium, l’interaction client et la vente « semblent » être les domaines les plus prometteurs pour l’IA et l’automatisation. Mais en pratique, j’ai constaté qu’une touche humaine est absolument indispensable. Personnellement, je trouve que l’échange avec les utilisateurs ou clients potentiels est un vrai atout pour les deux parties, et je ne souhaite même pas tenter de l’automatiser.

En tant que chef de produit, vous vous rendriez un mauvais service en vous tenant à distance des utilisateurs, même dans une moindre mesure. Plus vous échangez personnellement avec eux avec votre propre voix, plus vous glanez d’informations et gagnez leur confiance.

Pourquoi il est difficile — mais possible — pour les chefs de produit de contribuer au code

Donc, je fais attention à ce pour quoi j’utilise l’IA, mais je l’utilise beaucoup.

Par exemple, juste avant une mise en production, il y a toujours une frénésie de correction de bugs. Généralement dans une grande entreprise, les ingénieurs et l’équipe QA se chargent de ces derniers ajustements. Évidemment, le chef de produit principal reste impliqué, mais il s’occupe aussi de planifier les prochaines étapes, de mettre en place des stratégies pour surveiller cette version, de recueillir les retours utilisateurs, d’anticiper les cycles à venir ou de collecter des métriques une fois la fonctionnalité ou le produit lancé.

Comme je travaille actuellement dans une petite entreprise, un véritable atout pour moi a été de pouvoir aider à résorber les bugs aux côtés des ingénieurs, et je n’ai pu y parvenir que grâce à l’usage de l’IA/LLMs.

J’ai toujours participé aux processus QA sur les produits et fonctionnalités au cours de ma carrière, mais il m’est rarement arrivé de pouvoir véritablement plonger dans le code et réparer un bug en apportant des modifications sur toute la stack.

Les professionnels expérimentés comprendront que les ingénieurs sont souvent très pointilleux quant à leur base de code et aux standards de codage. Donc, même si vous savez techniquement corriger un bug, il faut aussi avoir le contexte des standards de développement, connaître les membres de l’équipe, et comprendre qui a œuvré sur telle partie du code. Ainsi, réparer certains bugs reste loin d’être facile même en sachant comment faire, et la plupart des ingénieurs ridiculiseraient votre pull request.

Grâce à l’IA, cependant, j’ai pu à la fois contribuer directement au code via des pushs sur main, et aussi surmonter les obstacles culturels secondaires impliqués.

Comment construire un agent IA pouvant contribuer en toute sécurité à votre base de code

Ma démarche initiale a été de créer un document Markdown sur les standards de codage en faisant examiner tout le dépôt des six derniers mois par un essaim d’agents dans Claude Code pour absorber le style de code, le fichier Claude.md du repository, et surtout, tous les commentaires faits sur les diffs GitHub, les résolutions de conflits, les commits et les modifications des PRs.

À partir de là, j’avais un document assez solide sur les standards, que j’ai enrichi en en faisant un ensemble de compétences et de commandes dans Claude Code, utilisé pour vérifier que chaque correctif généré respecte les normes déjà ancrées dans la base de code. J’ai ensuite créé un sous-agent qui utilise des hooks avec GitHub, que je peux aussi déclencher manuellement pour examiner mon code, les retours ou correctifs, et assimiler tout cela dans une version enrichie du document des standards de codage.

Finalement, après à peine quelques PRs, le code que je générais pour un correctif pouvait être facilement converti dans le style de codage voulu via un simple document Markdown ; ce guide de style évolue continuellement et s’auto-améliore, activé par plusieurs tâches cron et des automatisations avec Claude Code.

L’agent est maintenant si performant que je peux fusionner directement sur main.

Comment les petites équipes produit peuvent gagner en agilité

C’est un bon exemple de la manière dont je transcende le rôle de PM traditionnel. Mais sortir des rôles classiques exige de bons processus.

Nous avons un backlog soigneusement alimenté et étiqueté dans Linear, et nous faisons des réunions obligatoires les lundis, mercredis et vendredis matin. Les jours sans réunion synchrone, nous restons à jour via un standup check-in sur Slack. Toute autre priorisation et discussion se fait en temps réel sur Slack.

Ce n’est peut-être pas idéal pour les grandes entreprises, mais vous seriez surpris de voir à quel point cela fonctionne pour notre cas et à quel point cela nous rend agiles. Avant, j’utilisais Google Drive, des feuilles de calcul, documents, slides et une infinité d’applis. Aujourd’hui, notre petite équipe se contente de GSuite, Slack, Linear et GitHub.

Des méthodes de gestion de produit allégées sont cruciales dans cet environnement IA/LLM en constante évolution. N’importe quel jour, un retour utilisateur ou le lancement d’un concurrent potentiel peut arriver et nous obliger à réajuster nos priorités très rapidement.

Comment l’IA oblige les équipes produit à repenser leurs rituels

Concernant les rituels, le plus gros changement est de constater que ceux-ci deviennent véritablement circulaires et infinis, et non plus de simples documents figés à créer et consulter constamment.

Le périmètre commence par un ticket Linear concis, avec un niveau de détail variable. J’utilise alors l’IA pour le tester contre l’ambiguïté, les cas extrêmes et les options de séquençage, et je le resserre jusqu’à ce qu’il soit prêt à être livré dans la plus petite tranche possible.

Pour notre petite équipe à distance, l’alignement se fait principalement de façon asynchrone — un court fil Slack qui se termine par une décision claire et les prochaines actions, tandis que les standups légers sont gérés par Geekbot. Mais il demeure une grande valeur dans trois ou quatre réunions d’équipe hebdomadaires pour échanger librement et renforcer la cohésion.

Pour la validation, je suis devenu plus exigeant, pas moins. Les LLMs génèrent souvent des réponses crédibles mais trompeuses si on ne sait pas s’en servir correctement. Ainsi, chaque nouveauté ou modification d’app dispose d’un petit banc de tests — entrées réalistes, résultats attendus, cas adverses — généré avec l’aide de l’IA mais soigneusement revu et testé par mes soins.

L’exécution se résume ensuite à Linear + Claude Code + Posthog auto-hébergé pour l’analytics. Livrer, observer, ajuster, et garder une boucle courte, car le marché technologique évolue à une vitesse qui semble presque horaire aujourd’hui.

Pourquoi une pile d'outils minimaliste et axée sur l'IA est la meilleure

Voici donc ma pile PM de base :

• GSuite
• Slack
• Le bot Slack Geekbot (pour les standups)
• Linear
• VSCode
• LLM en ligne de commande (Claude Code dans notre cas)

Pourquoi Linear ? Il propose l'essentiel. Il est suffisamment puissant pour répondre à presque toutes les demandes d'une équipe projet, mais assez simple pour rester accessible. C'est l'anti-JIRA. Et surtout, il s'intègre facilement à GitHub et Slack, qui sont déjà les outils principaux des ingénieurs. Il est simple, léger, et ajoute un minimum de friction supplémentaire pour que les ingénieurs suivent ou mettent à jour leurs tâches. Il est aussi extrêmement extensible donc vous pouvez faire des choses sympas, comme avoir votre LLM dans votre CLI qui tente automatiquement de corriger un bug signalé dans un PR brouillon — avant même qu'un humain ne commence à le regarder.

Aucun autre outil n'est nécessaire. Tout le travail qui doit être effectué en dehors de cela peut être réalisé avec des outils open source dans le terminal.

L’outil d’IA préféré de Cole pour la productivité personnelle

À titre personnel, hors travail d’équipe, je suis absolument obsédé par Raycast pour la productivité. C’est l’application d’accès rapide ultime, totalement personnalisable et ultra-légère qui remplace le "Spotlight" sur Mac ou la touche "Windows" sous Windows. Vous réduirez votre utilisation de la souris de 75% pour la plupart des actions. Vous pouvez intégrer quasiment n’importe quelle application grâce à leurs intégrations existantes ou créer vos propres intégrations personnalisées facilement — il suffit de demander à Claude Code de vous créer une extension !

Si je souhaite récupérer le texte d’une image que je vois pour le copier dans mon presse-papiers, j’appuie sur les raccourcis Raycast, je tape « OCR », et j’appuie sur Entrée. Cela déclenche l’outil de capture OCR cleanshotX et j’ai le texte de n’importe quelle image en moins de cinq secondes. De la même façon, je peux appuyer sur le raccourci, taper « Ask spotify », puis saisir une phrase en langage naturel comme « donne-moi de la musique dynamique pour coder », ce qui va interpréter ma demande via un LLM, rechercher les étiquettes musicales et propriétés sur l’API Spotify, puis démarrer automatiquement une playlist correspondant à ma demande sur Spotify.

Les cas d’usage sont infinis. Téléchargez-le, activez l’IA soit avec vos propres clés API soit via leur abonnement, puis parcourez les meilleures extensions sur leur site web pour trouver celles qui pourraient vous être utiles. Un vrai changement de donne.

Pourquoi la gestion de produit et l’ingénierie commencent à se recouper

Bientôt, la plupart des ingénieurs fonctionnalité devront commencer à réfléchir et à prendre des décisions comme des chefs de produit, et les chefs de produit devront apprendre suffisamment sur le machine learning, les réseaux neuronaux, les LLMs, et diverses architectures pour s'approcher autant que possible du travail d’un ingénieur exploitant des LLMs sans en être un. Cette transformation reflète des approches audacieuses pour l'intégration de l'IA qui redéfinissent les rôles traditionnels.

Bien sûr, il existe de nombreuses exceptions et domaines où cela ne s'appliquera pas, mais en général, le diagramme de Venn de tous les anciens rôles d'une entreprise, de la vente au marketing en passant par le produit et l’ingénierie, finira inévitablement par se rejoindre, et très peu de compétences resteront exclusives à un rôle en particulier.

Comment éviter l’inévitable crise existentielle alors que l’IA redéfinit le travail produit

Voici mon conseil : essayez d’éviter l’inévitable crise existentielle à laquelle vous pourriez être tenté de céder à mesure que cette ère technologique continue d’évoluer.

À la place, concentrez-vous sur les compétences que votre esprit a développées par l’expérience. Les LLMs peuvent générer du contenu, mais ils sont vraiment nuls pour avoir du bon goût.

Les réponses sont désormais monnaie courante, donc savoir poser des questions uniques et spécifiques à votre expérience à l’IA est devenu une compétence. De plus, découvrir la bonne question à poser dans votre propre esprit, c’est là le véritable travail intellectuel.

Suivez Cole

Vous pouvez suivre Cole sur X et sur son site personnel, alors qu’il continue de repousser les limites du possible pour les chefs de produit. Et découvrez Probably.dev !

D’autres interviews d’experts à venir sur The Digital Project Manager !