Ces flux de travail ont désespérément besoin d’une mise à jour IA, déclare le leader mondial du produit

Tony Pagliocco est le Directeur Associé de la Gestion Mondiale des Produits chez Aldar, où il est responsable de la stratégie produit, des cadres opérationnels et des modes de fonctionnement à travers 24 équipes dédiées aux produits.

Lui et son équipe se concentrent sur l’intégration directe de l’IA dans leurs flux de travail produit. Nous nous sommes donc entretenus avec lui pour découvrir quels workflows il optimise actuellement et comment il garantit l'adoption à travers toute l'organisation. Voici ce qu’il nous a dit.

Des problèmes complexes à grande échelle

J’ai passé plus de 20 ans à concevoir et à faire évoluer des produits digitaux dans de nombreux secteurs, des médias et jeux vidéo à l’aviation, la logistique, et aujourd’hui l’immobilier aux Émirats arabes unis. J’ai constamment résolu des problématiques complexes à grande échelle et construit des équipes générant de l’impact.

Au début de ma carrière, j’étais très impliqué sur le terrain — lançant des produits et apprenant à exécuter. Ensuite, j’ai dirigé de plus grandes organisations produits, mené des transformations à l’échelle de l’entreprise. Un des chapitres les plus marquants fut chez Boeing, où j’ai dirigé le produit pour les plateformes d'usine intelligente numérique au service des programmes 777 et 787. Nous travaillions dans des environnements de données à plusieurs pétaoctets, appliquant le traitement automatique du langage naturel et la vision par ordinateur aux flux de fabrication et chaîne logistique. Nous avons construit des systèmes permettant de prédire les problèmes, d’optimiser les opérations et de fonctionner à l’échelle mondiale. Cette expérience a profondément influencé ma manière de penser les données, les plateformes, et aujourd’hui l’IA.

Chez Aldar, l’IA est profondément ancrée dans ce que nous créons, des plateformes de smart city et jumeaux numériques aux outils de planification urbaine et d’études de faisabilité. Nous utilisons l’IA pour simuler, prédire et optimiser les décisions bien avant toute réalisation concrète, ce qui change fondamentalement la manière dont l’entreprise fonctionne.

Ce moment marque un point d’inflexion. Nous passons de la création de logiciels à la construction de systèmes intelligents — et le rôle de la direction produit évolue de la gestion de feuilles de route à l’orchestration des données, de l’IA et des résultats concrets à grande échelle.

Conduire la stratégie produit

Aujourd’hui, j’occupe le poste de Directeur Associé de la Gestion Mondiale des Produits chez Aldar, relevant de notre Chief Digital Officer, où je pilote la stratégie produit, les cadres opérationnels et les modes de fonctionnement à travers 24 équipes axées sur le produit.

Nos équipes couvrent un vaste écosystème, incluant la vente immobilière, le commerce de détail, les domaines commercial et résidentiel, la fidélisation et le marketing, le e-commerce, l’hôtellerie et l’IoT des smart cities — et notre plateforme phare, Live Aldar, est à la base de tout cela. Nous soutenons à la fois les expériences orientées client et les plateformes internes, avec une forte volonté de connexion de l’ensemble du parcours en bout-en-bout.

Pour la livraison, nous fonctionnons par équipes transverses alignées sur les résultats business, tout en investissant dans des plateformes partagées telles que l’identité, les paiements, la donnée et l’IA pour se déployer à l’échelle de l’écosystème. Mon rôle consiste à garantir la cohérence de nos constructions, tout en permettant à chaque domaine d’avancer vite et d’apporter de l’impact.

Pourquoi l’IA nécessite de bonnes bases

Les réflexions de Tony

Les équipes qui rencontrent des difficultés avec l’IA essaient généralement de la superposer à des fondations défaillantes.

Voici ce qu’il faut d’abord préciser : l’IA n’est pas une fonctionnalité. C’est une capacité qui transforme le fonctionnement de tout votre produit et de votre organisation.

Beaucoup d’équipes abordent l’IA comme une simple évolution — ajout d’un chatbot, automatisation d’un processus ou amélioration d’une fonctionnalité. Cette manière de penser en limite l’impact. Le véritable changement est que l’IA modifie la façon dont les décisions sont prises, les produits sont conçus et la valeur est créée.

Elle révèle également les fondamentaux. Si vos données sont fragmentées, vos workflows flous ou votre logique produit pauvre, l’IA amplifiera ces problèmes. Les équipes qui échouent avec l’IA essaient généralement de la superposer à des bases fragiles.

Le vrai travail consiste à garantir que l’IA dispose des bonnes données d’entrée, d’une structure adaptée et de garde-fous solides. Sans cela, les résultats peuvent sembler bons en surface mais manquer de fiabilité pour un usage réel en produit. Si j’avais su cela au départ, j’aurais investi plus tôt dans le nettoyage des données, une définition claire du problème, et une meilleure délimitation de l’utilisation de l’IA dans le produit.

Cela, à lui seul, nous aurait permis de gagner du temps en évitant des attentes irréalistes. La pression existe souvent pour avancer vite et mettre en avant l’IA, mais sans les bonnes bases, on itère plus que nécessaire — ou pire, on perd la confiance des utilisateurs.

Ainsi, avant de se lancer, les dirigeants doivent se demander : « Avons-nous les données, le modèle opérationnel et la rigueur produit nécessaires pour en tirer profit ? »

Comment l’IA transforme le processus de développement produit

L’un des plus grands changements réalisés l’an passé a été de passer d’un développement produit statique et chargé de documents, à une découverte et une livraison continues assistées par l’IA.

Traditionnellement, notre processus reposait sur des artefacts structurés — PRD, business cases, documents de recherche — longs à produire et vite obsolètes. Nous avons intégré l’IA directement dans ce flux de travail pour synthétiser les retours clients, analyser les tickets de support, générer les exigences initiales du produit, voire remettre en cause les hypothèses lors de la phase de découverte.

Cela a changé la rapidité et la qualité de la prise de décision. Les chefs de produit ne partent plus de zéro ; ils partent d’un aperçu. Nous constatons des cycles plus rapides de l’idée à la validation, un meilleur alignement entre les parties prenantes et des priorisations plus fondées sur les données.

Cela a aussi changé la façon dont nos équipes fonctionnent. Plutôt que d’être un outil séparé, l’IA est désormais intégrée au quotidien, que ce soit pour générer des hypothèses, résumer des données ou accélérer la livraison. Le rôle du chef de produit a légèrement évolué, passant de créateur à curateur et décideur.

Comment la découverte produit peut être repensée grâce à l’IA

Parmi tout le cycle de vie produit, la découverte est celle qui nécessite la plus grande refonte.

Historiquement, la phase de découverte était lente, manuelle et reposait principalement sur de petits échantillons — entretiens, enquêtes, analyses limitées des données. Avec l’IA, ce modèle n’est plus valable. Nous pouvons désormais traiter d’immenses quantités de retours clients, de données comportementales et de signaux en quasi temps réel.

Mais la plupart des équipes continuent la découverte comme en 2015.

Nous avons commencé par intégrer Jira Product Discovery dans notre flux de travail afin de mieux structurer les idées, les enseignements et la priorisation. Cela nous a donné une base solide, mais nous avons véritablement accéléré avec l’ajout des agents Rovo agents IA connectés à notre écosystème élargi — documentation, conceptions techniques, Figma et autres outils de livraison.

Nous avons également intégré des flux de données continus — résultats d’enquêtes, boucles de retours clients, données de centres de contact et analyses produit — alimentant tout dans un seul processus de découverte.

Désormais, au lieu d’assembler manuellement les entrées, les équipes peuvent synthétiser rapidement les signaux, générer les exigences initiales et relier directement la découverte à l’exécution. L’écart entre « insight » et « livraison » s’est nettement réduit.

Résultat : des cycles plus rapides et une meilleure qualité. Les équipes partent d’une base mieux informée, avec un alignement renforcé entre produit, design et ingénierie.

Pourquoi l’IA informe les activités produit, mais l’humain tranche

Nous utilisons l’IA de façon intensive pour l’échelle, la vitesse et la reconnaissance de motifs — découverte, analyse des données et idéation initiale. C’est maintenant notre point de départ par défaut, plus un simple atout.

L’IA synthétise en quelques minutes les retours clients, tickets de support et données comportementales, façonne des hypothèses et génère même les premières exigences. Sur nos projets de ville intelligente et de jumeau numérique, nous l’utilisons aussi pour simuler des scénarios, permettant aux équipes d’explorer planification et faisabilité avant de construire quoi que ce soit.

Mais nous savons exactement où l’IA s’arrête.

Priorisation, arbitrage de roadmap, nuances d’UX et compromis restent humains, car là, le contexte, l’expérience et la responsabilité comptent. L’IA ne comprend pas la stratégie, la politique ou le risque de façon pertinente. Elle peut éclairer les décisions, mais ne doit pas les prendre.

Par exemple, nous avons utilisé l’IA pour analyser les retours clients et les tickets de support afin d’orienter la priorisation. Le modèle identifiait les tendances et faisait remonter efficacement les problèmes fréquemment évoqués, mais il n’a pas su distinguer ce qui était bruyant de ce qui était important. Les sujets à faible impact étaient surreprésentés simplement parce qu’ils étaient davantage signalés, tandis que des enjeux plus critiques mais moins fréquents étaient sous-pondérés.

Il manquait également le contexte du parcours client : pourquoi quelque chose se produisait, et pas seulement que cela se produisait. Le jugement humain était essentiel pour interpréter correctement le signal.

D’un point de vue de la confiance, si l’IA faisait remonter quelque chose qui n’était pas en phase avec l’intuition des parties prenantes, celles-ci l’écartaient rapidement. Ainsi, l’exactitude seule ne suffisait pas — il fallait aussi que ce soit explicable et cohérent avec le contexte réel.

Pourquoi les chefs de produit doivent se méfier d’une trop grande dépendance à l’IA

La rapidité et la productivité sont les plus grands atouts de l’IA. Les chefs de produit passent de l’idée à l’orientation validée beaucoup plus vite ; ce qui prenait auparavant des jours de synthèse et de rédaction se fait désormais en quelques heures. À l’échelle des équipes, j’estime une accélération de 30 à 50 % dans les cycles de découverte précoce et de documentation.

La qualité s’est également améliorée. L’IA aide les équipes à partir d’une base plus informée, en identifiant les signaux clients, en mettant en lumière des schémas et en réduisant les angles morts. Cela conduit à de meilleures hypothèses initiales et à des discussions avec les parties prenantes plus éclairées par les données.

À l’inverse, la dépendance excessive est le plus grand risque que j’ai observé. Certaines équipes ont d’abord considéré les résultats de l’IA comme des « réponses » plutôt que comme des pistes, ce qui a mené à une réflexion superficielle ou à des solutions génériques. Nous avons dû accompagner activement les équipes pour qu’elles remettent en question et affinent ce que produit l’IA au lieu de l’accepter tel quel.

Il subsiste également un écart de cohérence. L’IA n’est performante que si on lui fournit le bon contexte. Les bons chefs de produit en tirent une valeur exponentielle parce qu’ils savent la guider. Les moins expérimentés peuvent avoir des difficultés ou produire des résultats brouillons.

Au final, les bénéfices sont réels. Des cycles plus rapides, de meilleurs points de départ — mais seulement avec une solide réflexion produit. Sinon, on aboutit juste plus vite à la mauvaise réponse.

Pourquoi l’automatisation de bout en bout déçoit les chefs de produit

Au début, je pensais que l’IA pouvait véritablement orienter les décisions de la feuille de route ou générer des solutions prêtes à être livrées de haute qualité. En réalité, ce qu’elle génère est souvent utile comme orientation, mais reste générique. Il lui manque le contexte métier, la subtilité client, et les arbitrages que font les équipes expérimentées au quotidien.

L’automatisation de bout en bout est un autre domaine où elle n’a pas encore pleinement convaincu. Les agents IA promettent beaucoup pour l’exécution de flux de travail ou le remplacement de certaines tâches de livraison, mais en pratique, il faut encore une supervision humaine importante pour que ce soit fiable à grande échelle.

L’écart, donc, se situe entre les attentes et la réalité. L’IA est incroyablement puissante comme accélérateur, mais elle ne remplace pas le jugement produit — et les équipes qui la considèrent ainsi sont souvent rapidement déçues.

Réflexions de Tony

L’IA est incroyablement puissante comme accélérateur, mais elle ne remplace pas le jugement produit — et les équipes qui la considèrent ainsi sont souvent rapidement déçues.

Pourquoi les chefs de produit doivent passer du contrôle à la confiance avec l’IA

La qualité produit ne provient plus d’expériences strictement contrôlées et déterministes. Il faut abandonner cette idée.

Traditionnellement, nous concevions des produits pour qu’ils fonctionnent de façon prédictible : parcours clairs, résultats définis, gestion des cas limites. Avec l’IA, en particulier générative, on introduit une variabilité par défaut. La même entrée ne génère pas toujours le même résultat, et cela modifie totalement la conception de la qualité.

Cela oblige à passer de « Est-ce parfaitement défini ? » à « Est-ce utile de façon fiable et dans des limites acceptables ? »

C’est un grand changement de mentalité. On ne conçoit plus chaque résultat, mais des systèmes avec des garde-fous, des boucles de rétroaction et des moyens d’amélioration continue. Cela signifie aussi accepter un certain niveau d’imperfection, tant que la valeur est présente et les risques maîtrisés.

Ainsi, je suis passé du contrôle à la confiance : faire confiance au système pour fonctionner dans des limites définies, plutôt que d’essayer de tout prévoir à l’avance.

Comment l’IA modifie la dynamique des équipes produit

L’IA n’a pas tant changé la structure de l’équipe que la façon dont elle fonctionne.

Nous n’avons pas remplacé les rôles, mais les attentes envers ces rôles ont évolué. Les chefs de produit passent moins de temps à synthétiser et documenter manuellement, et plus à faire preuve de discernement, à prioriser et à générer de l’impact. Le niveau d’exigence stratégique a augmenté.

Elle a aussi gommé certaines frontières entre les rôles. Les chefs de produit se rapprochent de la donnée, les designers utilisent l’IA pour itérer plus vite, et les ingénieurs s’en servent pour accélérer le développement. Les boucles de collaboration sont plus resserrées parce que chacun peut avancer rapidement de son côté.

En même temps, un fossé évident se crée : ceux qui savent travailler avec l’IA et ceux qui ne savent pas. Les équipes qui s’y engagent sont nettement plus productives.

Comment l’intégration de l’IA aux workflows améliore l’adoption

L’adoption a été un défi. Tout le monde n’avance pas au même rythme. Certains s’impliquent, expérimentent et s’adaptent rapidement. D’autres hésitent, s’interrogent ou attendent que ce soit parfait avant de s’engager — et c’est là que le fossé apparaît.

Nous avons rendu l’utilisation de l’IA visible et attendue — pas optionnelle.

Au lieu de la présenter comme « voici un nouvel outil », nous l’avons intégrée directement dans les opérations de l’équipe. Par exemple, nous avons mis à jour nos workflows produits afin que chaque cycle de découverte ou PRD comprenne un premier passage assisté par l’IA — qu’il s’agisse de synthétiser les retours clients, de générer des exigences initiales ou de formuler des hypothèses. Cela fait désormais partie du processus, et non un ajout.

Nous avons également fixé une attente simple : ne venez pas en revue ou en discussion avec une page blanche. Commencez par un contenu assisté par l’IA, puis montrez ce que vous avez affiné. Ce changement d’état d’esprit a rapidement fait passer de la résistance à l’usage concret.

Parallèlement, nous avons mis en avant les réussites — en montrant par exemple comment une équipe a réduit de moitié son temps de découverte ou amélioré la qualité de sa réflexion initiale grâce à l’IA. Cette visibilité entre pairs a créé un élan.

Il ne s’agissait pas de forcer l’adoption ; c’était une question de la normaliser dans le workflow et de rendre ses avantages évidents au travers d’exemples concrets.

Pourquoi les leaders produit doivent s’engager dans l’IA — dès maintenant

Voici mon conseil : ne cherchez pas la clarté, engagez-vous et démarrez dès maintenant.

Nous vivons un moment où les pionniers vont définir la suite. Vous pouvez choisir d’attendre et d’analyser, ou bien vous confronter à la réalité et apprendre dans vos workflows. L’écart se creuse déjà entre ceux qui utilisent l’IA chaque jour et ceux qui en parlent encore.

Soyez un évangéliste. Si vous êtes convaincu que c’est notre avenir, agissez en conséquence. Adoptez-le dans votre propre travail, incitez vos équipes à l’utiliser et intégrez-le au fonctionnement de votre organisation. Il ne s’agit plus de mener des pilotes isolés, mais bien de changer votre façon de construire les produits.

Tout en gardant les pieds sur terre. L’IA ne remplace pas la réflexion ; c’est un amplificateur. Les leaders qui réussiront allieront un jugement produit solide à une forte envie d’apprendre.

En fin de compte, il s’agit d’apprentissage. Si vous n’êtes pas en train d’apprendre, d’expérimenter et d’évoluer activement aujourd’hui, vous prendrez du retard. C’est aussi simple que cela.

Alors engagez-vous, restez curieux et montrez l’exemple.

Suivez l’actualité

Vous pouvez en apprendre plus sur le travail de Tony Pagliocco sur tonypag.com ou le contacter sur LinkedIn.

D’autres interviews d’experts arrivent bientôt sur The CPO Club !