Dirigeant produit et co-CEO explique pourquoi créer des produits IA est une tout autre affaire

Andrei Rebrov

Bâtisseur de produits passionné et co-CEO de Finsi

Andrei Rebrov

Découvrez comment un CEO centré sur le produit utilise l’IA pour accélérer la priorisation, le prototypage et l’exécution tout en gardant la stratégie, la confiance et la compréhension client entre les mains de l’humain.

Key Takeaways

Intégration de l’IA: Andrei Rebrov explique l’intégration de l’IA dans la stratégie produit de Finsi afin d’améliorer la prise de décisions et l’expérience utilisateur.

Priorisation produit: L’IA transforme la priorisation des produits en traitant plus de signaux et en accélérant les cycles de développement.

Base de la stratégie: L’IA augmente l’échelle et la rapidité mais ne peut pas corriger une stratégie produit défaillante, soulignant ainsi l’importance des fondations.

Prototypage: Cursor accélère le prototypage produit, permettant une validation et des retours rapides avant le codage de production.

Jugement humain: Les humains conservent les rôles nécessitant jugement et empathie, tandis que l’IA gère les tâches analytiques et répétitives.

Andrei Rebrov est un créateur de produits de longue date et co-PDG de Finsi, où il intègre l'IA à chaque niveau de la stratégie produit — pour l'équipe comme pour leurs clients.

Nous avons demandé à Andrei comment l'IA est en train de transformer à la fois la gestion et la stratégie produit. Voici ce qu'il nous a répondu.

Intégrer l’IA dans la stratégie produit

Je suis Andrei Rebrov, co-PDG de Finsi. Tout au long de mon parcours en gestion de produit, je me suis concentré sur la création de solutions de technologie financière qui servent réellement les gens.

Chez Finsi, je dirige l’organisation produit derrière une plateforme de croissance propulsée par l’IA, conçue pour les marques e-commerce. Le produit est une solution SaaS B2B destinée aux opérateurs e-commerce DTC et par abonnement — des jeunes marques réalisant moins de 5M $ de chiffre d’affaires jusqu’aux grandes PME. Notre plateforme se connecte à plus de 50 outils, dont Shopify, Klaviyo, Meta Ads, Google Ads et Recharge, unifiant les données à travers tout l'écosystème e-commerce. Elle utilise également cinq agents IA couvrant l’intelligence liée aux revenus, l’automatisation publicitaire, la rétention et l’emailing, le SEO ainsi que la recherche client.

Notre modèle de livraison est entièrement basé sur le web (SaaS) et notre proposition de valeur principale est de fermer la boucle entre les analyses et l’exécution : nous ne nous contentons pas de faire remonter des insights ; nous construisons et déployons les campagnes, automatisations et segments pour nos utilisateurs.

À Finsi, j’ai été à l’avant-garde de l’intégration de l’IA dans notre stratégie produit — en explorant comment l’IA peut simplifier les services financiers, améliorer l’expérience utilisateur et permettre des prises de décision plus intelligentes à grande échelle.

Cette période de transformation par l’IA dans le leadership produit est à la fois enthousiasmante et charnière. Je suis impatient de partager les enseignements et points de vue que j’ai acquis au fil du temps.

More Articles

Comment l’IA transforme les processus de priorisation produit

Comment l’IA transforme les processus de priorisation produit

Les responsables produit doivent repenser leur processus de priorisation. Presque toutes les équipes que je connais priorisent encore à l’aide de feuilles de calcul, de cadres de scoring subjectifs et de rituels de planification trimestriels adaptés à des cycles de développement lents et coûteux.

L’IA change la donne des deux côtés : elle accélère la construction (ce qui permet de valider plus d’hypothèses), et elle peut traiter bien plus de signaux qu’un humain — données d’utilisation, retours du support, schémas de désabonnement, signaux concurrentiels, interviews clients — pour éclairer ce qui compte réellement.

Nous avons repensé notre processus de priorisation autour d’une couche continue de signaux alimentée par l’IA. Nous automatisons l’extraction des tâches à partir des transcripts Granola pour ne rien oublier de ce qui nous incombe. Et plutôt qu’un exercice de roadmap trimestriel, nous maintenons un backlog en temps réel où chaque élément est étiqueté avec des données issues de plusieurs sources — fréquence des retours clients, estimation de l’impact revenu, urgence compétitive et schémas d’engagement. Notre IA génère chaque semaine une vue classée de ce backlog, mise à jour au rythme des nouveaux signaux.

Nos responsables produit gardent la décision finale, mais ils travaillent à partir d’une vue bien plus riche et dynamique qu’auparavant.

Le résultat : nous avons réduit de moitié le temps entre l’identification d’une opportunité et la mise en production d’une solution, et nous avons développé beaucoup moins de solutions inutilisées.

Pourquoi l’IA a besoin d’une base solide de stratégie produit

Il est important de souligner que l’IA ne peut pas réparer une stratégie produit défaillante — elle amplifie simplement la stratégie que vous avez déjà.

Si vous répondez au bon problème pour les bons utilisateurs, l’IA vous aidera à le faire plus vite et à plus grande échelle. Mais si votre hypothèse produit de base est erronée, l’IA ne fera qu’accélérer votre course dans la mauvaise direction.

J’ai vu cela de mes propres yeux. Au début de la création de Finsi, nous avons envisagé d’ajouter des fonctionnalités IA parce qu’elles étaient impressionnantes et techniquement réalisables — recommandant des actions, prédisant les désabonnements et générant du contenu. Mais rien de cela n’aurait eu d’impact si nous n’avions pas d’abord identifié l’insight fondamental : les opérateurs e-commerce n’ont pas un problème d’analytique, ils ont un problème d’exécution. Ce n’est qu’une fois cela validé que l’IA est devenue le bon levier.

Travailler avec l’IA demande la même rigueur qu’un bon travail produit — définition stricte de la problématique, empathie profonde avec l’utilisateur, et priorisation honnête. L’IA augmente l’enjeu de chacun de ces points car la rapidité de développement permet de construire (et déployer) la mauvaise chose plus rapidement que jamais.

L’IA ne peut pas réparer une stratégie produit défaillante — elle ne fait qu’amplifier la stratégie déjà en place.

Andrei RebrovBâtisseur de produits de longue date et co-CEO de Finsi
Share This Quote on:

Comment une compétence Claude Code a affiné la concentration produit

Un changement crucial pour nous a été la mise en place d’une compétence Claude Code appelée « Merchant Advocate » pour nos agents de codage.

J’ai fourni à Claude le contexte sur la mission et l’objectif produit de Finsi, ainsi qu’un résumé des transcriptions de Granola. Désormais, lorsqu’une nouvelle exigence apparaît, nous la soumettons à cette compétence, qui nous aide à rester fidèles à notre mission première : livrer des logiciels qui réduisent le travail des commerçants.

Nous avons retiré de nombreuses fonctionnalités potentielles de notre feuille de route grâce à cette étape simple intégrée à nos workflows.

Pourquoi Cursor est essentiel pour le prototypage rapide de produits

Cursor a révolutionné la manière dont notre équipe d’ingénierie livre ses projets — non seulement en écrivant du code plus vite, mais aussi en réduisant la distance entre la réflexion produit et la mise en œuvre.

Lorsque je peux décrire une fonctionnalité en langage naturel et voir un prototype fonctionnel en quelques minutes, cela change fondamentalement la façon dont nous validons les idées. Cela rend toute la boucle de développement produit plus rapide et plus expérimentale.

Voici un exemple. Nous voulions tester une interface « briefing d’intelligence hebdomadaire » pour l’un des agents de notre produit. Plutôt que de l’élaborer dans Figma et d’attendre un sprint, nous avons simplement décrit la structure et les données à Cursor en langage clair et obtenu un prototype connecté à nos données de préproduction en quelques heures. Nous l’avons ensuite présenté à trois clients le même jour, ce qui nous a permis de recueillir des retours qui ont réorienté le design final avant même que nous écrivions une seule ligne de code de production.

Pourquoi l’humain possède le relationnel et le décisionnel

Nous avons clairement défini les rôles de l’IA et de l’humain dans nos processus produits.

L’IA alimente notre synthèse des données, la détection de patterns, l’identification des anomalies et l’exécution : détection automatique des signaux de churn, réaffectation des budgets publicitaires, génération de textes d’email dans la voix de la marque, déploiement de flux Klaviyo, etc. Ce sont des tâches fréquentes et intensives en données où l’IA surpasse systématiquement l’humain en vitesse et en échelle.

L’IA informe également notre priorisation en identifiant les recommandations qui génèrent le plus grand impact sur le chiffre d’affaires à travers notre base clients, nous aidant ainsi à cibler le développement produit.

Cependant, l’humain prend explicitement les décisions qui requièrent du jugement, de l’éthique et une vision stratégique.

Cela signifie que la vision produit et l’orientation de la feuille de route restent humaines — nous devons comprendre non seulement ce que disent les données, mais aussi le type d’entreprise que nous voulons bâtir et les aspirations profondes de nos clients. Les décisions UX restent menées par l’humain, car l’empathie et l’intuition concernant les ressentis des utilisateurs ne sont pas encore automatisables de manière fiable. Et toute décision qui met en péril l’activité d’un client — comme une réallocation majeure du budget publicitaire — requiert une validation humaine avant exécution.

Notre principe de fonctionnement est : l’IA gère le répétitif et l’analytique ; l’humain possède le relationnel et le décisionnel.

Pourquoi l’IA peine à comprendre profondément les clients

C’est en matière de compréhension profonde des clients que l’IA a le plus clairement échoué à répondre à nos attentes. Nous pensions initialement qu’elle pourrait synthétiser de manière fiable les signaux qualitatifs — tickets de support, avis, réponses aux enquêtes — et les transformer en insights produits actionnables sans trop d’intervention humaine. En pratique, l’IA excelle dans la catégorisation et le regroupement du feedback à grande échelle, mais rate systématiquement la subtilité des ressentis clients, notamment pour les niches du e-commerce ayant des contextes culturels ou opérationnels spécifiques. L’IA met souvent en avant de véritables tendances, mais leur interprétation requiert toujours un humain qui comprend profondément le monde du client.

Nous avons également constaté que la création générée par l’IA — textes publicitaires, objets d’emails — bien que rapide et utile comme point de départ, égale rarement la performance d’un texte rédigé par quelqu’un qui connaît vraiment la voix de la marque et son audience. Cela accélère la production, mais ne remplace pas encore un vrai jugement créatif.

Enfin, nous nous attendions à ce que l’IA améliore réellement notre processus d’exploration produit interne, mais elle n’a pas raccourci le temps nécessaire pour identifier un besoin client réellement nouveau : elle nous aide à traiter l’information existante, mais les insights les plus précieux proviennent toujours de conversations directes, sans filtre, avec les clients — qu’aucun outil d’IA n’a encore réussi à reproduire ou à remplacer.

Andrei Rebrov

Les réflexions d'Andrei

L’IA excelle à catégoriser et regrouper les retours à grande échelle, mais elle passe systématiquement à côté de la nuance des ressentis des clients.

Comment la qualité des données impacte le développement de produits IA

Quand j’ai commencé avec l’IA, je ne réalisais pas à quel point la qualité des données est cruciale, ni le temps qu’il faut pour l’obtenir.

Lorsque nous avons développé les agents IA de Finsi, nous pensions que la connexion à Shopify, Klaviyo et aux plateformes publicitaires fournirait des données propres et fiables. La réalité était bien plus complexe. Chaque marque structure ses données différemment, suit des événements différents, utilise des conventions de nommage distinctes, et présente des lacunes et incohérences dans ses historiques. Nous avons passé bien plus de temps que prévu sur la normalisation, la déduplication et la validation des données, avant que l’IA ne produise des recommandations dignes de confiance.

Si j’avais su cela à l’avance, j’aurais investi plus tôt et plus massivement dans l’infrastructure de données, plutôt que de me précipiter pour construire la couche IA au-dessus d’une base instable.

Pourquoi la confiance des utilisateurs doit être envisagée avec les produits IA

Si je devais recommencer avec les agents IA de notre produit, j’aborderais la question de la confiance de l’utilisateur différemment.

Au départ, nous avons conçu nos agents IA pour qu’ils soient assez autonomes — en mettant en avant des recommandations faciles à approuver et à exécuter en un clic. Les utilisateurs ont hésité, même lorsque les recommandations étaient judicieuses. Ils avaient besoin de comprendre le « pourquoi » derrière chaque proposition avant de se sentir à l’aise d’agir. Par conséquent, nous avons intégré l’explicabilité après coup, mais il aurait été bien préférable de penser à la transparence dès le départ.

La confiance n’est pas une fonctionnalité que l’on peut ajouter plus tard — elle doit être tissée au cœur de l’expérience.

La confiance n’est pas une fonctionnalité que l’on peut ajouter plus tard — elle doit être tissée au cœur de l’expérience.

Andrei RebrovBâtisseur de produits de toujours et co-CEO de Finsi
Share This Quote on:

Pourquoi l’IA rend le choix et la configurabilité moins importants pour les utilisateurs

L’IA m’a aussi forcé à abandonner l’idée qu’un bon produit consiste à donner plus de contrôle et de personnalisation aux utilisateurs.

Pendant des années, la sagesse conventionnelle dans le SaaS B2B voulait que les utilisateurs avancés souhaitent de la flexibilité — plus de réglages, plus de tableaux de bord, plus de façons de personnaliser leur expérience. Nous avons conçu les premières versions de Finsi sur cette idée, en permettant aux opérateurs de configurer leurs propres tableaux de bord, de fixer leurs seuils de KPI, et de choisir les métriques à suivre. Mais lorsque nous avons commencé à intégrer l’IA, nous avons constaté l’inverse : nos utilisateurs les plus performants passaient moins de temps à configurer et plus de temps à agir selon les recommandations de l’IA.

Les opérateurs qui voulaient tout régler eux-mêmes en tiraient rarement de la valeur, car ils optimisaient l’outil, pas leur activité. L’IA a montré que nos utilisateurs avaient besoin de moins de charge cognitive et de plus de confiance sur la suite à donner. Cela nous a forcés à simplifier nettement le produit, à supprimer beaucoup des options de configuration que nous avions ajoutées, et à nous appuyer résolument sur des paramètres par défaut pilotés par l’IA.

Cette leçon allait à l’encontre de l’intuition : il arrive qu’enlever des choix aux utilisateurs soit meilleure décision produit que d’en ajouter.

Pourquoi une véritable transformation IA exige de repenser la chaîne de valeur d’un produit

La plupart des produits « alimentés par l’IA » ne sont pas des produits IA — ce sont des couches de fonctionnalités auxquelles on ajoute un LLM, et le marché finira par s’en rendre compte.

La vraie transformation de produit par l’IA impose de repenser toute la chaîne de valeur, pas simplement d’insérer un appel GPT dans un flux de travail existant. Les entreprises qui sortiront gagnantes ne sont pas celles qui ont ajouté l’IA le plus vite ; ce sont celles qui ont mis à profit l’IA pour remettre en cause chaque postulat sur le fonctionnement de leur catégorie de produit.

Pourquoi les responsables produits doivent sélectionner un petit nombre de paris à fort effet de levier

Résistez à deux pulsions tout aussi dangereuses :

  1. L'envie d'adopter l'IA partout et tout de suite
  2. L'envie d'attendre jusqu'à ce que les choses semblent plus certaines

Les responsables produits qui réussiront sélectionnent un petit nombre d’initiatives à fort impact, approfondissent ces sujets et développent une véritable culture organisationnelle — pas seulement une connaissance des outils — autour de l’IA. Commencez par les problèmes qui vous coûtent le plus : temps perdu sur des tâches manuelles, décisions prises sans assez de données, et fonctionnalités trop longues à livrer ou valider. Utilisez l’IA pour résoudre ces problèmes spécifiques.

Et soyez honnête avec vos équipes à propos de ce que l’IA va changer pour elles. Les dirigeants qui font semblant de croire que l’IA ne transformera pas les rôles et les responsabilités perdront la confiance ; ceux qui ouvrent le dialogue et discutent sincèrement de la façon dont l’IA complète le discernement humain bâtiront une culture apte à s’adapter.

Enfin, n’optimisez pas pour paraître « IA-native » — optimisez pour les résultats. La meilleure stratégie produit IA crée une valeur mesurable pour les utilisateurs, pas juste la démo la plus impressionnante. Restez concentré sur le problème, et la bonne utilisation de l’IA s’imposera d’elle-même.

Andrei Rebrov

Les réflexions d'Andrei

Les responsables produits qui réussiront sélectionnent un petit nombre d’initiatives à fort impact, approfondissent ces sujets et développent une véritable culture organisationnelle autour de l’IA.

Suivez-nous

Vous pouvez entrer en contact avec Andrei Rebrov sur LinkedIn. Et découvrez Finsi.

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

You may also like