La vice-présidente principale de la gestion des produits évoque le passage des processus linéaires à l’itération parallèle

Suman Chittimuri est le vice-président principal de la gestion des produits chez Kore.ai, où il dirige des produits alimentés par l’IA qui servent des millions d’utilisateurs à travers des flux de travail d’entreprise comme les RH, l’IT, les achats et l’expérience client.

Nous avons échangé avec Suman pour comprendre comment l’IA transforme la gestion de produit en tant que discipline. Selon lui, au lieu d’améliorer les processus existants, l’IA oblige les équipes à les repenser entièrement — passant de processus linéaires à une itération continue et parallèle.

Appliquer l’IA à travers les flux de travail d’entreprise

Je suis le vice-président principal de la gestion des produits chez Kore.ai, où je dirige des initiatives produits intégrant l’IA dans les flux de travail d’entreprise — couvrant les RH, l’IT, les achats et l’expérience client.

Nous concevons nos produits pour de grandes entreprises, en servant à la fois les employés et les clients finaux à grande échelle dans des secteurs comme la banque, la santé et le commerce de détail, soutenant des millions d’interactions. Et nous utilisons un modèle de livraison basé sur plateforme, où nous construisons des capacités IA de base comme composants réutilisables et les déployons à travers de multiples flux de travail — ce qui nous permet d’accélérer l’extension des cas d’usage tout en maintenant cohérence et contrôle.

Au cours de l’année passée, l’IA est passée d’une couche d’assistance à une couche d’exécution centrale. Ce changement a un impact non seulement sur les fonctionnalités, mais aussi sur la façon dont nous concevons les produits, comment les équipes fonctionnent, et la rapidité avec laquelle nous passons de l’idée à l’impact.

Ce changement dans notre conception du produit a façonné mon parcours vers la transformation produit menée par l’IA.

Comment l’IA accélère les workflows de développement produit

Grâce à l’IA, nous sommes passés d’un modèle de développement produit linéaire à un workflow continu, assisté par l’IA.

Auparavant, la découverte, la rédaction du PRD, le design et le prototypage étaient séquentiels. L’IA rompt ce modèle. Elle soutient chacune de ces étapes en parallèle, générant des recherches, rédigeant des spécifications et créant des prototypes préliminaires presque simultanément.

Cela a changé la vitesse et la capacité d’itération. Ce qui prenait des jours se fait maintenant en quelques heures, permettant aux équipes d’explorer plus d’options et d’affiner plus rapidement. Cela signifie que les équipes peuvent — et doivent — explorer plus de pistes avant de s’engager.

Tous ces changements s’accompagnent de quelques ajustements :

• D’un transfert séquentiel à une itération continue
• D’une production d’artéfacts à un affinage des livrables
• D’une exploration limitée à une expérimentation rapide

Le goulet d’étranglement n’est plus la phase de construction, mais la décision de ce qu’il faut construire et la validation efficace. Nous avons dû renforcer les étapes de validation et appliquer de façon plus délibérée le jugement humain.

Pourquoi l’IA guide les décisions produit — mais l’humain décide en dernier ressort

Nous nous appuyons fortement sur l’IA pour informer et accélérer les activités amont et celles à forte composante exécution :

• Support à la découverte (études secondaires, analyses concurrentielles)
• Définition du problème et exploration initiale de solutions
• Rédaction du PRD et apports à la feuille de route
• Concepts UX et prototypage rapide
• Conception d’expérimentation et exploration des arbitrages techniques

Ce sont des domaines où la rapidité, l’étendue et l’itération comptent. L’IA excelle dans ces aspects.

L’intervention humaine reste explicite au niveau des prises de décisions et des domaines riches en contexte :

• Recherche primaire et compréhension approfondie du client
• Priorisation finale et engagements de feuille de route
• Affinage de l'expérience utilisateur et cohérence du design
• Interprétation des résultats expérimentaux
• Prendre des décisions de compromis entre l'entreprise, la technique et les parties prenantes

La raison est simple : l'IA est forte pour générer des options et déceler des schémas, mais plus faible en matière de jugement, de contexte et d’engagement de responsabilité.

D’après mon expérience, l’IA accélère le « comment » et « ce qui est possible », tandis que mon équipe et moi-même décidons « de ce qui compte vraiment » et « des engagements que nous prenons ».

Comment l’IA accélère la vitesse produit mais met la qualité au défi

Suman partage

L’IA ne se contente pas d’améliorer les workflows — elle vous oblige à les repenser… L’IA améliore significativement l’efficacité, mais les résultats dépendent toujours de la rigueur avec laquelle les équipes contrôlent et affinent ce qu’elle produit.

Globalement, j’ai constaté des améliorations nettes en termes de rapidité et de rendement dans toutes les activités produit :

• Création du PRD réduite de ~1 jour à ~2–3 heures
• Prototypage précoce passé de ~2 jours à ~4–6 heures
• Recherche de concurrents et d’études de marché ramenée de ~5–6 heures à ~1–2 heures
• Cycles d’analyse des données écourtés de ~60–70 %

Cela permet aux équipes d’explorer davantage d’options et d’itérer plus rapidement dans les mêmes délais.

À l’inverse, la qualité et la cohérence sont inégales :

• Les résultats de l’IA nécessitent souvent une validation importante et une reprise.
• Les équipes ont tendance à trop faire confiance aux premiers résultats, ce qui conduit à une réflexion superficielle.
• La cohérence de l’UX pâtit lorsque l’IA génère des prototypes sans supervision design forte.
• Dans certains domaines, la précision plafonne (par exemple, 80–85 % en extraction structurée), limitant ainsi l’utilisation dans les décisions à fort enjeu.

L’IA améliore considérablement l’efficacité, mais les résultats dépendent toujours fortement de la rigueur avec laquelle les équipes contrôlent et affinent ce qu’elle produit.

Pourquoi l’IA impose de repenser les workflows produits

Voici ce que les responsables produit doivent savoir : l’IA ne fait pas qu’améliorer les workflows — elle oblige à tout repenser.

La plupart des équipes commencent par superposer l’IA sur les processus existants, en ajoutant des copilotes, assistants ou automatisation étape par étape. Cela génère en général des gains incrémentaux de rapidité ou d’efficacité, mais le système central ne change pas vraiment.

La vraie opportunité vient lorsque vous redessinez les processus, en supposant que l’IA est un élément clé dès le début.

En procédant ainsi, quelques éléments évoluent :

• Le travail devient moins linéaire et plus parallèle — la découverte, le prototypage et la validation peuvent avoir lieu simultanément.
• Le coût de création et de test des idées baisse considérablement, ce qui permet plus d’itérations.
• Le rôle des équipes passe de la production de livrables à la relecture, au raffinement et à la prise de décision.
• Les goulets d’étranglement se déplacent de l’exécution vers le jugement, la validation et l’alignement.

Mais cela implique de repenser non seulement les processus, mais aussi les rôles, la responsabilité et la façon dont on mesure la qualité.

Si vous ne changez pas le système, vous limiterez les résultats. Vous aurez des versions plus rapides des mêmes workflows — pas des workflows foncièrement meilleurs.

Comment l’IA a fluidifié les workflows de découverte et de prototypage

Parlons de notre workflow de découverte produit jusqu’au prototypage.

Nous commençons par une phase de découverte assistée par IA, où l’IA synthétise les signaux du marché, les mouvements des concurrents et des données internes pour dresser une première cartographie du problème. La recherche primaire menée par l’humain — entretiens clients et recueil des avis des parties prenantes — vient compléter cela.

Puis, l’IA aide à la structuration du problème et à l’exploration de solutions, générant plusieurs approches, compromis et premières hypothèses.

Ensuite, nous passons à la rédaction du PRD, où l’IA produit la première version des exigences, des parcours utilisateurs et des cas limites. Les chefs de produit l’affinent en y ajoutant le contexte métier, les contraintes et les priorités.

En parallèle, l’IA soutient la conception UX et le prototypage précoce, générant des wireframes ou des flux pour des revues et itérations rapides.

Enfin, avant de passer à la construction, nous lançons une boucle de validation :

• PM, design et ingénierie examinent les livrables.
• Nous identifions les lacunes, incohérences et risques.
• Nous utilisons à nouveau l’IA pour affiner en fonction des retours.

Ce qui était auparavant un processus séquentiel se déroule désormais dans une boucle resserrée, compressant souvent plusieurs jours de travail en quelques heures.

Pourquoi les workflows produits IA de bout en bout restent inachevés

En dépit de tous ces progrès, l’IA n’est pas encore capable d’assurer un workflow produit autonome de bout en bout, de manière fiable.

On observe de fortes avancées sur des étapes individuelles, mais un système capable de passer de manière cohérente du problème à la solution jusqu’à la mise en production, avec une intervention humaine minimale, n’existe pas encore.

Des lacunes apparaissent dans :

• La préservation du contexte entre les étapes
• La gestion des cas limites et de l’ambiguïté
• L’assurance d’une qualité constante et d’une cohésion avec les objectifs métier

La promesse est séduisante, mais aujourd’hui l’IA ne fait qu’accélérer le workflow. Elle ne peut pas encore s’en charger de bout en bout avec fiabilité.

Comment l’IA redéfinit les rôles et compétences des équipes produit

En ce qui concerne les équipes produit, quelques évolutions ressortent :

• Les PM deviennent des « constructeurs », c’est-à-dire qu’on attend d’eux qu’ils travaillent étroitement avec l’IA, itèrent rapidement, et comprennent aussi comment mettre en œuvre les solutions, pas seulement quoi construire.
• Les rôles de design et d’ingénierie interviennent plus tôt dans le cycle, collaborant dès le début au lieu d’arriver une fois les besoins définis.
• La responsabilité sur la qualité est plus partagée. Chacun est responsable de la validation des livrables IA, pas seulement de sa propre fonction.

On constate aussi l’émergence de nouvelles aptitudes :

• Une approche renforcée d’évaluation et de test
• La capacité à évoluer dans l’ambiguïté et avec des systèmes non-déterministes
• L’aisance avec l’itération rapide et l’expérimentation

Pourquoi les dirigeants doivent se méfier de la fausse confiance de l’IA

Suman partage ses idées

Les dirigeants sous-estiment un risque majeur : la fausse confiance dans les résultats fournis par l’IA… Les équipes ont tendance à faire confiance aux sorties sans validation suffisante.

Les dirigeants sous-estiment un risque majeur : la fausse confiance dans les résultats générés par l’IA.

L’IA fournit souvent des réponses fluides et bien structurées qui paraissent correctes — même si elles sont incomplètes ou erronées. Les équipes tendent à faire confiance aux résultats sans validation suffisante.

À petite échelle, cela conduit à des erreurs mineures. Sur un large périmètre, cela peut générer des erreurs systémiques qui se propagent dans les workflows — que ce soit dans les décisions produit, l’expérience client ou les processus opérationnels.

Pourquoi Claude est l’outil le plus précieux en gestion produit

Si je ne devais garder qu’un seul outil d’IA, ce serait un espace de travail IA généraliste – Claude et Claude Work.

Non parce qu’il est parfait, mais parce qu’il est le plus polyvalent tout au long du cycle produit — recherche, cadrage du problème, rédaction du PRD, prototypage, et même exploration technique.

La valeur ne réside pas seulement dans l’outil lui-même, mais dans la facilité avec laquelle il s’intègre à différents flux de travail sans nécessiter une configuration ou une intégration lourde.

Les outils spécialisés sont utiles, mais ils tendent à répondre à des étapes spécifiques. Un espace de travail d’IA polyvalent fait office de couche de réflexion et d’exécution applicable à plusieurs étapes.

Pourquoi l’évaluation et le jugement sont essentiels pour les responsables produits

Voici ce que j’aurais aimé savoir avant de me lancer avec l’IA :

1. Le développement guidé par l’évaluation est primordial : Vous avez besoin de méthodes claires pour mesurer la qualité des premiers résultats. Sans cela, il est difficile de faire confiance ou d’étendre les systèmes d’IA.
2. L’expérimentation n’est pas optionnelle : Les systèmes d’IA sont non déterministes. On n’obtient pas un bon résultat du premier coup ; il faut itérer à travers plusieurs versions.

Voici donc mon conseil. Commencez avec des cadres d’évaluation solides. Si j’avais fait cela, nous aurions évité les retouches et la fausse confiance dans les premiers résultats.

Comprenez aussi ceci : la pensée produit de haut niveau n’est plus principalement portée par une connaissance approfondie du domaine.

Autrefois, les chefs de produit développaient et s’appuyaient sur une expertise approfondie au fil du temps. Désormais, l’IA rend une grande partie de ces connaissances de base — contexte marché, veille concurrentielle, voire premières analyses — facilement accessibles.

Ce qui compte davantage aujourd’hui, ce n’est pas seulement ce que vous savez, mais la façon dont vous questionnez, synthétisez et appliquez votre jugement. La profondeur reste importante, mais ce n’est plus le seul facteur de différenciation.

Suivez les actualités

Vous pouvez vous abonner à la newsletter "AI Fluency" de Suman Chittimuri sur LinkedIn et à sa newsletter produit sur Substack. Et suivez-le également sur LinkedIn.

D’autres entretiens d’experts à venir sur The CPO Club !