Le rôle de Product Manager (PM) va être affecté par la révolution de l’Intelligence Artificielle (IA) sur 2 principaux éléments. Il va tout d’abord modifier son quotidien, améliorer ses performances, son rapport à ses outils dans chacune des phases de Strategy, Discovery et Delivery. L’IA va également modifier son rôle, ses enjeux et amener de nouveaux cas d’usages sur ses produits numériques. Le PM de 2030 doit savoir naviguer, maîtriser ces 2 éléments pour tirer pleinement profit de cette révolution.
Une Vision du Produit adaptable et évolutive. Autrefois statique, la vision du produit doit désormais être adaptative pour tenir compte des rapides évolutions technologiques, notamment liées à l’émergence de l’IA. Les produits qui étaient autrefois considérés comme "finis" peuvent continuellement évoluer grâce à l'apprentissage automatique.
Apporter une valeur ajoutée continue. L'IA offre la possibilité de personnaliser le produit ou le contenu en temps réel, en fonction des besoins et des comportements des utilisateurs. Une application de fitness pourrait alors adapter en temps réel les plans d'entraînement grâce à l’interactivité, en fonction des performances réelles et des retours des utilisateurs.
Une expérience utilisateur cible encore plus riche et personnalisée. L’IA permet notamment de recommander du contenu basé sur les goûts de l’utilisateur, comme le fait Spotify via sa capacité à recommander de la musique basée sur les goûts de l’auditeur permettant d’enrichir ou de prolonger les playlists de l’auditeur.
Une mission du Produit au service des principes éthiques. La vie privée des données et la prévention des biais en demeure l’enjeu prioritaire. Par exemple, met depuis quelques années l'accent sur la confidentialité des données avec ses fonctionnalités basées sur l'IA, traitant la plupart des données directement sur l'appareil plutôt que dans le cloud.
La construction et la mise à jour de la Roadmap produit devra alors prendre en compte 3 éléments majeurs :
Une Roadmap flexible basée sur des itérations rapides : avec l'IA, les cycles d'itération peuvent être plus courts, car les modèles peuvent être améliorés en continu avec de nouvelles données. Ces feedbacks utilisateurs peuvent être actifs (retour via formulaire de notation) ou inactifs (modification, correction des résultats obtenus). Par exemple, la société allemande de traduction automatique DeepL utilise ces itérations rapides grâce à l’IA. Les utilisateurs évaluent les traductions, ce qui permet à DeepL d’intégrer directement ces corrections dans ses datasets d’entraînement pour améliorer la qualité des prochaines traductions (feedbacks actifs). Si des utilisateurs modifient fréquemment des suggestions, c’est un indicateur pour DeepL et donc une modification à intégrer dans ses données d’entraînement (feedbacks inactifs).
La prise en compte d’intégration de technologies tierces : l'IA nécessite souvent l'intégration d'outils et de technologies tiers par API (Application Programming Interface). La roadmap doit prévoir ces intégrations tout en gardant à l'esprit que les mises à jour des API tiers peuvent impacter en continu le produit d’origine. Exemple : l’intégration de chatbots basés sur l'IA dans les services d'assistance clientèle.
La formation et l’éducation des utilisateurs finaux & parties prenantes : l'IA peut parfois être une "black box". La Roadmap doit prévoir des moments pour éduquer et former les utilisateurs, les parties prenantes et même les équipes internes. Exemple : Salesforce offre des formations sur Einstein, leur plateforme d'IA, pour aider les utilisateurs à comprendre et à tirer le meilleur parti de la technologie.
L’analyse d’opportunités et l’enjeu de dérisquer le Delivery par une phase de Discovery pertinente va être bouleversé par des nouveaux enjeux. L’IA peut analyser les vastes volumes de données à une vitesse incroyable, identifier des schémas et des tendances émergentes pour révéler de nouvelles opportunités. En scrutant des milliards de séquences d'écoute, l'IA de Spotify peut identifier des tendances, telles que l'émergence d'un nouveau genre musical ou d'un artiste en plein essor. Ces analyses permettent à Spotify de créer des playlists personnalisées pour chaque utilisateur, comme "Découverte de la semaine", révélant ainsi de nouvelles chansons que l'utilisateur pourrait aimer, basées sur les tendances émergentes et les habitudes d'écoute.
Lors des interviews utilisateurs, grâce à l’IA, une segmentation avancée avec un ciblage ultra précis des bons utilisateurs selon des critères complexes sera désormais possible. Les feedbacks qualitatifs des utilisateurs pourront également être analysés par l’IA pour déduire le sentiment général afin de segmenter automatiquement ceux-ci et faire ressortir les plus pertinents. Un gain de temps fort pour des PM évoluant sur des produits BtoC à fort volume utilisateur. L’application française Blablacar repose fortement sur les commentaires et évaluations des utilisateurs pour établir une confiance entre les conducteurs et les passagers. En utilisant l'IA pour analyser ces feedbacks qualitatifs, l'entreprise peut segmenter les commentaires basés sur le sentiment (positif, négatif, neutre) et identifier rapidement les problèmes récurrents ou les opportunités d'amélioration. Cela permet à BlaBlaCar de cibler des utilisateurs spécifiques pour des interviews plus approfondies ou pour tester de nouvelles fonctionnalités.
L’analyse des données quantitatives via des outils tels que ContentSquare ou Google Analytics sera également accélérée. L’IA pourra analyser plusieurs volumes de data en parallèle, ressortir des patterns complexes et ainsi optimiser le temps d’analyse du PM. Des recommandations automatiques, sans action d’analyse de la data des PM de manière active, pourront également être proposée par l’IA qui analysera en temps réel les données. Par exemple, au lieu de simplement voir qu'un utilisateur quitte une page, l'IA peut identifier une séquence spécifique d'actions (comme le survol de certains éléments) qui précède généralement une sortie. L’IA peut déjà prévoir des futurs churns (départ d’utilisateur de son produit) via des patterns déjà identifiés. Les actions marketing pourront alors être proactives et non réactives post-churn.
Les algorithmes d’IA peuvent également ajuster les expérimentations d’A/B tests en temps réel. A titre d’exemple, si une nouvelle fonctionnalité est clairement sous-performante dans un A/B test, l'IA peut automatiquement réduire le trafic vers cette variante pour éviter une mauvaise expérience utilisateur. L’IA pourra également lancer des campagnes d’A/B test complexes avec plusieurs variables à la fois, offrant des insights plus nuancés qu'un simple test A/B. Exemple : tester simultanément différents titres, images et boutons d'appel à l'action pour trouver la combinaison optimale pour une landing page.
Rédiger des User Stories prédictives : avec des outils d'IA il est possible d'anticiper des besoins non exprimés et de formuler des user stories basées sur ces prédictions. La détection, l’expression du besoin fonctionnel ou technique sous la forme d’US peut alors être automatisée. Le rôle du PM sera alors de challenger, critiquer la recommandation de l’IA. Par exemple : si l'IA détecte que les utilisateurs cherchent souvent une fonctionnalité spécifique dans l'aide d'une application, elle peut automatiquement générer l’US associée.
La méthodologie de priorisation du backlog peut également être semi-automatisée selon la connaissance de l’IA des usages sur le produit. Une fois celle-ci entraînée aux usages de notre produit et à leur récurrence, l’IA peut permettre d’exécuter des calculs complexes rapidement afin d’estimer l’impact d’une nouvelle fonctionnalité sur des KPIs (taux de rétention par exemple).
Clarification automatisée : les outils d'IA peuvent suggérer des clarifications sur les user stories ou les tickets en se basant sur des questions fréquemment posées par les développeurs dans le passé. L’IA peut alors jouer un rôle de relecteur adapté aux attentes de l’équipe de développeurs sur le bon niveau de détail qu’ils souhaitent. Ni trop, ni pas assez.
Mise à jour du Delivery de la squad post rituel agile : les choix d’équipes évoqués en daily meeting peuvent être mis à jour automatiquement à la fin des cérémonies (Exemple : pondération des points lors des cérémonies de refinement, l’avancée des US sur JIRA ou dans un KANBAN après les daily-meetings ou retrospectives).
Qui n’a jamais été en retard ou omis de mettre à jour la documentation ? L’IA peut modifier celle-ci de manière automatique à chaque fois qu’une US est passée en DONE. Exemple : Lorsqu'une nouvelle fonction est ajoutée à l'API, l'IA crée automatiquement une section correspondante dans la documentation.
Une fois que l’IA aura détecté des tests de non-régression prioritaires selon des critères de récurrence d’usage et d’importance des fonctionnalités associées, celle-ci peut scripter l’automate. Le rôle du QA ou du PM sera alors de challenger, critiquer cette décision d’automatiser ce test. Comme en pair-testing, l’IA peut déjà relire la qualité du code avant de valider l’implémentation de celui-ci dans la chaîne de tests continus.
L’IA peut être l’allié n°1 des tests exploratoires. Pouvant utiliser un maximum de combinatoire en un temps record, l’IA peut remonter rapidement des bugs et anomalies sur le produit en production.
Auto-scalabilité des ressources d’infrastructure Cloud : des solutions basées sur l'IA peuvent automatiquement évoluer en fonction de la demande, évitant ainsi une surallocation ou une sous-allocation des ressources. Exemple : L'IA prévoit un pic de trafic basé sur des tendances et ajuste automatiquement les ressources de l’infrastructure cloud qui héberge notre produit.
Surveillance et adaptation aux contraintes des API : les outils d'IA peuvent surveiller l'utilisation de l'API en temps réel, identifier les goulots d'étranglement et ajuster ou recommander des modifications pour améliorer les performances. Exemple : si une certaine requête d'API est fréquemment sollicitée, l'IA peut recommander une mise en cache optimisée pour cette requête.
Identification proactive de l’impact sur la dette technique : les solutions d'IA peuvent scanner le code et identifier où la dette technique pourrait s’accumuler, aidant les PM à planifier des sprints de nettoyage. Exemple : l'IA identifie un morceau de code qui utilise une méthode obsolète et suggère sa refonte.
Détection automatisée de faille cyber : les outils basés sur l'IA peuvent constamment scanner le produit à la recherche de failles de sécurité, en utilisant des algorithmes d'apprentissage pour s'adapter aux nouvelles menaces. Exemple : en analysant les tendances des cybermenaces, l'IA peut prévoir les types d'attaques auxquels un produit pourrait être confronté. Attention toutefois, pour des raisons éthiques, ces usages sont très contrôlés.
Plus marginal, le rôle du Product Manager qui évolue chez un acteur du Hardware est de :
Les cas d’usage auxquels ils seront confrontés :
Encore moins répandu, le rôle du Product Manager qui évolue chez un fournisseur de Cloud est de :
Les cas d’usage auxquels ils seront confrontés :
En plein développement, le rôle du PM qui évolue chez un créateur d’IA consiste à :
Les cas d’usage auxquels ils seront confrontés :
Le cas le plus répandu et qui va continuer d’augmenter dans les prochaines années, le rôle du PM chez l'acteur qui utilise l'IA sur des cas d'usage spécifiques va continuer à évoluer. Pour ce faire, le PM devra :
Les nouveaux cas d’usage auxquels ils seront confrontés :
En conclusion, selon l’écosystème où il évolue, le type de produit qu’il aide à co-construire, le PM va être confronté à de nouveaux enjeux. Son quotidien est d’ailleurs déjà amélioré par les dernières versions du chatbot ChatGPT. Tu découvriras dans notre prochain article :
Comment ChatGPT augmente le quotidien des PM ?
un ensemble de prompts actionnables dès aujourd’hui dans votre quotidien.
Ce qu’il faut retenir de cet article :
Le spécialiste du conseil fullstack Produit : Strategy, Discovery & Delivery !
