La fondatrice et ancienne cheffe de produit chez Apple affirme que les processus de documents d’exigences produit doivent être refondus — voici le plan

Sonia Vora a occupé les postes de responsable produit et de directrice de la gestion des produits dans diverses entreprises du secteur de la santé. Elle a également dirigé les produits de deux solutions de santé d’Apple. Aujourd’hui, elle est fondatrice d’une entreprise spécialisée dans l’IA appliquée à la santé.

Nous nous sommes entretenus avec Sonia pour découvrir comment elle utilise les agents dans les flux de travail des PM. Voici ce qu’elle nous a expliqué.

À la découverte des produits de santé fondés sur l’IA

Bonjour, je m’appelle Sonia. J’ai commencé ma carrière dans le conseil en stratégie chez McKinsey et GoogleX. Ensuite, je suis devenue directrice de la gestion des produits chez ACKO Insurance, une compagnie d’assurance indienne de vente directe aux consommateurs en série D. Plus tard, j’ai été nommée responsable produit chez Narayana One Health, une unité de soins intégrés au sein d’un système hospitalier en Inde. J’ai également dirigé les produits de deux solutions de santé chez Apple : l’application Attain (développée en partenariat avec Aetna Insurance) et Lumihealth (développée en partenariat avec le gouvernement singapourien). J’ai aussi été reconnue dans le classement Forbes 30 Under 30.

En 2017, avant l’arrivée des transformers et des LLM, j’ai étudié l’impact de l’IA chez McKinsey et Google et exploré, chez Apple et ACKO, des opportunités fondées sur le ML pour améliorer les soins aux patients. Mais je n’avais plus travaillé directement avec l’IA depuis cette période. Puis, il y a environ 1,5 an, j’ai compris que l’IA allait transformer non seulement mon secteur (la santé), mais aussi la gestion des produits. J’ai immédiatement lancé plusieurs initiatives :

1. Me former de manière autonome aux fondamentaux de l’IA.
2. Intégrer ChatGPT/Gemini au travail quotidien des PM de mon équipe produit. Cela comprenait la création de prompts pour obtenir des PRD plus précis, réfléchir à des PRD, mener des recherches avec Deep Research et utiliser ChatGPT et Gemini pour fournir des retours sur les conceptions et détecter les problèmes d’UX.
3. Expérimenter des outils comme Lovable afin de créer rapidement des prototypes et de recueillir les retours UX des utilisateurs et des acheteurs.

Aujourd’hui, je suis la fondatrice d’Alongside Health, une entreprise qui associe IA et santé. J’ai combiné les capacités de traitement du langage naturel des LLM avec des protocoles déterministes pour automatiser les soins cliniques. Pour créer nos premiers projets pilotes, j’utilise Claude Code au quotidien afin de concevoir des systèmes déterministes et de déployer des agents que nos clients pilotes peuvent tester. Je crée également des prototypes et notre site web directement avec Claude Code.

Sonia partage

Les responsables produit doivent repenser complètement le système dans lequel les product managers rédigent un PRD, le transmettent à l’équipe design, puis à l’équipe d’ingénierie.

Comment l’IA transforme le processus des PRD

Les responsables produit doivent repenser complètement le système dans lequel les responsables produit rédigent un PRD, le transmettent à l’équipe design, puis à l’équipe d’ingénierie. L’objectif est d’accélérer l’ensemble de ce cycle, d’éviter que les PM et les designers soient bloqués par l’ingénierie et d’impliquer plus tôt les équipes d’ingénierie, là où leur expertise est la plus nécessaire.

Les approches varient, mais je vois deux opportunités à fort impact et facilement accessibles :

1. Accélérer la phase initiale de « mise au point du PRD » et l’idéation en fournissant des prototypes créés avec Claude, d’abord par les PM, puis affinés par les designers. Cela donne aux ingénieurs une base concrète pour créer les documents de conception de nouvelles fonctionnalités, au lieu de partir de longues exigences écrites.
2. Pour une fonctionnalité existante, j’ai trouvé utile de donner aux PM et aux designers un accès complet afin qu’ils puissent effectuer certaines modifications et soumettre des PR — tant que ces changements n’ont pas d’incidence fondamentale sur l’architecture. Si vous disposez d’un processus solide de revue du code, vous éviterez l’apparition de nombreuses portions de nouveau code difficiles à maintenir lorsque les PM et les designers soumettent des modifications.

Personnellement, je ne rédige plus en amont de longs PRD qui tentent de couvrir tous les cas particuliers. Je travaille plutôt immédiatement avec Claude pour détailler mon document initial d’exigences au moyen de discussions sous forme de questions-réponses.

J’utilise ensuite ce document comme point de départ pour Claude Code et je me sers du prototype pour identifier les cas particuliers et intégrer ces exigences au document PRD avec Claude avant le lancement.

Résultat : je produis un travail de bien meilleure qualité dans le même temps. J’ai un partenaire de réflexion et de confrontation des idées qui m’aide à être plus rigoureuse, à explorer plus rapidement les options et à rechercher des ressources utiles en ligne.

Pourquoi l’expérimentation est le superpouvoir de l’IA

Voici comment j’utilise l’IA dans la gestion des produits :

• Découverte des problèmes : l'IA est la moins utile ici, car elle ne connaît pas les problèmes réels des utilisateurs. L'IA peut formuler des hypothèses, mais celles-ci ne reposent pas sur une expérience directe et ne révéleront pas de vérités qui ne font pas consensus. Rien ne remplace le fait de s'asseoir avec un utilisateur et de comprendre ses réflexions.
• Priorisation : de la même manière, l'IA peut proposer une première approche de la priorisation fondée sur le « bon sens », mais elle ne dispose ni de retours réels des utilisateurs ni d'une véritable compréhension produit. Vous devez donc surveiller attentivement l'IA dans ce domaine.
• Goût en matière de conception et décisions UX : l'IA propose une excellente première approche, mais elle ne comprend ni vos utilisateurs ni leurs objectifs ; elle se contente d'imiter les parcours existants. Vous devez examiner attentivement l'élément « humain » qui aide les utilisateurs à accomplir leurs tâches. J'ai beaucoup itéré sur l'UX afin de garantir la cohérence, de prendre en compte les composants et d'obtenir une architecture de l'information qui corresponde réellement aux attentes et aux objectifs des utilisateurs. C'est comme un ingénieur disposant d'excellentes bibliothèques front-end qui concevrait chaque écran : parfois, le résultat est très esthétique, mais il n'aide pas les utilisateurs à comprendre facilement comment accomplir leurs tâches.
• Planification : c'est un domaine dans lequel l'IA excelle pour créer une première approche. Avec suffisamment de contexte, elle peut élaborer efficacement des calendriers initiaux et contribuer aux tactiques de planification. J'apprécie particulièrement Linear.
• Identification des compromis et de l'impact des décisions de conception : les agents de codage ne le font généralement pas, sauf si on le leur demande explicitement. Cependant, lorsqu'on les sollicite, ils présentent efficacement plusieurs avantages, inconvénients et débats internes, ce qui vous aide à réfléchir plus en profondeur aux conséquences. Je trouve encore souvent des lacunes dans l'analyse des causes profondes et le brainstorming avec les agents de codage, mais il leur arrive aussi de soulever des points auxquels je n'avais pas immédiatement pensé.
• Expérimentation : c'est le véritable superpouvoir de l'IA. Comme vous pouvez créer des concepts très rapidement, vous pouvez essayer de nombreuses approches, faire l'expérience du produit, puis itérer en fonction de vos découvertes.

Comment l'IA peut contribuer aux flux de travail d'évaluation

Voici un exemple de flux de travail basé sur l'IA que j'utilise dans le cadre de ma gestion de produit.

J'ai utilisé Claude pour programmer un processus dans lequel, pour chaque nouvelle version du produit, je demande à OpenAI ou Gemini (via des appels d'API) d'incarner un profil de patient et de répondre à mon agent dans le cadre d'une conversation simulée.

Je génère des profils de patients à partir d'un script qui crée toutes les branches du protocole et teste chacune d'elles. Le script intègre également des types de personnalité issus de notre générateur fondé sur la recherche. Après chaque conversation entre un profil et la nouvelle version de l'agent, nous demandons à Gemini ou OpenAI d'évaluer la conversation selon nos 10 critères d'évaluation et de fournir des scores de réussite ou d'échec.

J'examine ensuite les résultats de l'évaluation, je répertorie les changements suggérés pour corriger les problèmes de Claude, je déploie une nouvelle version de l'agent, puis je relance l'ensemble du processus.

J'ai utilisé Claude Code pour créer l'interface côté client, dans laquelle je peux consulter les résultats de l'évaluation, les conversations simulées et les profils de patients simulés.

Cela m'a été extrêmement utile, avec toutefois une réserve : l'IA reste extrêmement stochastique. J'ai rencontré des difficultés dans les domaines qui exigent de la fiabilité. Par exemple, dans le cas d'évaluations de type « LLM comme juge » comme celle-ci, l'IA donne souvent une réussite lors d'une exécution et un échec lors d'une autre, ce qui constitue un problème majeur.

Vous pouvez concevoir votre système de manière à réduire les incohérences, mais vous devez également toujours le concevoir pour détecter les erreurs potentielles de l'IA.

Comment les PM peuvent ne plus se sentir intimidés par Claude Code

Au début, l'idée d'utiliser efficacement Claude Code en tant que non-ingénieure m'intimidait, d'autant plus que la plupart des personnes l'utilisaient dans le terminal.

Mais j'ai commencé à construire. J'ai traité Claude/Cursor comme un employé junior nécessitant beaucoup de réflexion et d'accompagnement, ce qui m'a aidée à comprendre les problèmes potentiels liés au codage de type Claude. Je les anticipe désormais dans mon flux de travail.

Par exemple, Claude peut sembler « distrait » parce qu'il compacte les informations pour les faire tenir dans sa fenêtre de contexte. Pour contourner ce problème, je lui demande désormais de toujours noter un plan et de s'y référer avant de construire quelque chose, comme vous le feriez avec un véritable être humain — nous sommes nous aussi sujets à l'oubli !

Claude est désormais particulièrement facile à utiliser, car les modèles se sont considérablement améliorés. Même avec un contexte incomplet, si vous lui demandez de poser des questions, il peut dialoguer avec vous afin d'élaborer d'abord un plan complet. Il peut ensuite l'exécuter de manière plus fiable, ce qui réduit votre besoin de vous préoccuper de la structure de base.

Pourquoi les agents de programmation ne sont pas une solution miracle

Grâce aux agents de programmation, tout le monde peut désormais être ingénieur. Nous devons donc laisser les experts se concentrer sur les choses qu’eux seuls savent bien faire, et laisser les autres s’occuper des tâches simples. L’état d’esprit selon lequel « tout le monde est ingénieur » est extrêmement important.

Mais il convient de noter que les agents de programmation ne peuvent pas corriger miraculeusement les bugs sans intervention. Souvent, ils manquent de bon sens ou de contexte en matière de conception, ce qui les amène à identifier incorrectement la cause profonde des problèmes ou à les résoudre de manière inadéquate.

Avec quelques instructions bien formulées, ils sont nettement plus performants, mais les limites contextuelles peuvent subtilement favoriser une exécution ou une réflexion paresseuse.

Le temps de développement a malgré tout été considérablement réduit, mais livrer un bon produit nécessite toujours une réflexion approfondie.

Comment suivre le rythme de l’IA

Commencez dès maintenant à utiliser ces outils dans votre travail réel ! Plus vous attendrez pour les adopter, plus vous prendrez de retard sur vos pairs qui ont déjà optimisé leurs flux de travail grâce à ces agents.

Profitez-en également pour garder l’esprit ouvert quant aux forces et aux faiblesses de l’IA — et reconnaissez que cela évolue presque chaque mois.

Expérimentez. Utilisez Claude Code ou d’autres outils dans votre travail quotidien afin de comprendre les forces et les faiblesses des modèles. Si vous consacrez ne serait-ce que 30 minutes par jour à une tâche, il vaut probablement la peine d’investir une ou deux heures pour l’automatiser — ce temps s’accumulera.

Essayez plusieurs outils de chat fondés sur des LLM lorsque vous cherchez des réponses, afin de voir comment les différents fournisseurs et modèles réagissent. Et modifiez votre « régime » LinkedIn pour rester au fait des personnes qui appliquent l’IA afin de devenir les meilleurs PM possibles.

Tout le monde se sent dépassé en ce moment, et c’est normal. Je parle à des professionnels de l’IA à temps plein qui se sentent dépassés — soyez indulgent envers vous-même et célébrez les petites victoires tandis que vous suivez les évolutions de l’IA.

Suivez-nous

Vous pouvez contacter Sonia Vora sur LinkedIn.

D’autres entretiens avec des experts seront bientôt disponibles sur The CPO Club !