WeFiiT votre partenaire Product Management 360°
Découvrir notre offre

Le rôle de l'IA Product Manager

Camille

Product Manager

Introduction

Le Product Manager IA, qu’est-ce encore que cette nouvelle notion ? Rien de très sorcier, rassurez-vous ! Le Product Manager IA est tout simplement un Product Manager travaillant sur un produit d’Intelligence Artificielle ou comprenant une part d’Intelligence Artificielle. Avec l’accroissement de l’utilisation de l’Intelligence Artificielle dans les produits tech, ce poste est amené à être de plus en plus en vogue. Cet article vise à donner une vision exhaustive du poste de Product Manager IA, de ses enjeux et à proposer quelques bonnes pratiques à adopter en tant que Product Manager IA.

Qu’est-ce qu’un Product Manager IA ?

L’IA au service du Produit

Le Product Manager IA est amené à travailler sur des produits d’Intelligence Artificielle ou utilisant une part d’Intelligence Artificielle. L’Intelligence Artificielle peut être utilisée à diverses fins produit. Deux grandes catégories d’intelligence artificielle existent : le Machine Learning, qui consiste à entraîner une machine sur des jeux de données, afin de lui permettre de prendre des décisions en autonomie. Le Deep Learning, qui est une sous-partie du Machine Learning, et qui consiste à simuler le raisonnement humain. Voici quelques cas d’usage produit associés à chacune de ces deux grandes entités :

Cas d’usage produit liés au Machine Learning

  • prédire un comportement utilisateur, fonctionnalité particulièrement usitée dans les algorithmes de recommandations. Largement employés dans les sites de e-commerce, ces algorithmes permettent de proposer à l’utilisateur des articles susceptibles de lui plaire et, in fine, de personnaliser les tunnels de conversion. Ces algorithmes sont aussi largement répandus sur les plateformes de musique telles « Deezer » ou « Spotify » ou encore sur des plateformes de VAD telles « Netflix », « France TV », « Arte ». Un algorithme de recommandations peut se fonder sur l’historique de l’utilisateur, ses coups de cœur, ses derniers achats, sa localisation géographique ou simplement sur des contenus ou articles fonctionnellement considérés comme « similaires ». Cette prédiction permet d’individualiser les parcours utilisateur, de les rendre uniques, pour une expérience personnalisée et ce, dans un objectif d’augmentation du taux de conversion et de fidélisation.
  • prédire des phénomènes naturels, fonctionnalité particulièrement utilisée dans l’industrie sur des activités à haut risque. Par exemple, TotalEnergie, avec son application DrillX cherche à prévenir les risques liés au forage pétrolier. Pour ce faire, TotalEnergie s’appuie sur le Machine Learning, en entraînant ses modèles sur des milliers de jeux de données, provenant de cas réels : par exemple, les données physiques, chimiques et atmosphériques d’une plateforme pétrolière avant un incident. L’IA est entraînée pour reconnaître les combinaisons de facteurs à risque. Ainsi, une alerte est déclenchée lorsqu’une combinaison de données possède des similitudes avec une situation identifiée comme risquée.

Cas d’usage produit liés au Deep Learning

  • converser avec un utilisateur, de façon intelligible et intelligente, comme un humain. Cette fonctionnalité est particulièrement employée dans les chatbots, afin de comprendre l’intention de l’utilisateur, son état d’esprit, le contexte de sa question. Les entreprises ont alors plusieurs solutions à leur disposition :
    • utiliser l’API d’un LLM (grand modèle linguistique) du marché (Open AI, Anthropic…), à qui est fourni un contexte de recherche, à travers un prompt system.
    • utiliser l’API d’un LLM du marché et l’entraîner sur ses propres bases de données.
    • concevoir son propre LLM et l’entraîner sur ses propres bases de données.
  • reconnaître des images, fonctionnalité utilisée par exemple en médecine afin d’identifier des pathologies ou encore sur des plateformes telles Facebook, Instagram, TikTok afin de faire de la modération de contenus ou pour la conduite de véhicules autonomes, capables d’identifier les obstacles et les panneaux de signalisation.

Un Product Manager IA est donc amené à concilier technique de pointe et attente produit. Pour ce faire, il travaille la plupart du temps avec des équipes techniques pluridisciplinaires, composées de Data Scientists, Data Ingénieurs et de développeurs back et front.

L’environnement de travail du Product Manager IA

Le Product Manager IA est ainsi amené à travailler avec des équipes pluridisciplinaires et très techniques. Les Data Scientists sont responsables de concevoir les algorithmes et d’entraîner les modèles d’Intelligence Artificielle, mais aussi d’établir des prompt systems pour donner des instructions au LLM, tandis que les Data Ingénieurs sont responsables de mettre à disposition des Data Scientists des jeux de données fiables, mais aussi d’optimiser la recherche dans les bases de données et l’indexation des données.

Le rôle d’un Product Manager IA est de permettre à ces deux équipes, très dépendantes l’une de l’autre, de travailler en bonne intelligence. Pour ce faire, le Product Manager IA peut instaurer des daily communs, identifier les principales dépendances et prioriser le travail des Data Scientists et des Data Ingénieurs. Les développements effectués par les Data Scientists et les Data Ingénieurs doivent aussi être intégrés sur l’applicatif digital, par le biais d’une équipe de développeurs web ou app. Le Product Manager IA est ainsi souvent amené à travailler avec ces trois équipes en parallèle : Data Scientists, Data Ingénieurs, développeurs back et front.

Quels sont les enjeux d’un Product Manager IA ?

Développer ses connaissances techniques

Contrairement à un Product Manager classique, le Product Manager IA doit faire montre d’un fort intérêt pour la technique : en effet, là où un Product Manager classique peut se contenter de quelques notions techniques, le Product Manager IA doit comprendre l’architecture du produit, le travail des Data Ingénieurs et des Data Scientists, la façon dont fonctionnent les algorithmes ou dont sont entraînés les modèles d’IA, l’indexation des données ou encore la structuration des bases de données. Sans cette compréhension, le Product Manager IA ne peut être en mesure d’adopter les bonnes règles produit.

Par ailleurs, l’IA étant un domaine très expérimental et dont les technologies évoluent rapidement, il est essentiel pour le Product Manager IA de faire régulièrement de la veille technologique, afin d’être au fait des dernières avancées en la matière. Dans le cas de l’utilisation d’un LLM du marché, le Product Manager IA peut par exemple s’interroger sur la pertinence d’utiliser l’API d’Open AI plutôt que celle d’Anthropic ou de Mistral. Il peut être amené à les tester chacune afin d’identifier leurs forces et faiblesses respectives, et décider de la plus adaptée à son produit.

Allier attente utilisateur et amélioration technique

Tout l’enjeu du Product Manager IA se résume donc à allier amélioration technique et bénéfice utilisateur, sur un scope bien plus technique que pour un produit classique. La complexité réside en la compréhension intime du travail effectué par les Data Scientists et Data Ingénieurs, et son application concrète au produit final, afin de servir les utilisateurs finaux. Le Product Manager IA doit par exemple être en mesure de définir les bonnes règles métiers dans le cadre d’algorithmes de recommandations (sur quelles données entraîner l’algorithme, quels critères utilisateur utiliser), mais aussi de définir les règles de recherche et d’indexation des documents dans les bases de données dans le cadre d’un LLM. Si ce lien entre technique et produit n’est pas assuré, l’écueil est de privilégier la technique au détriment du produit.

Quelles sont les bonnes pratiques à adopter

Adopter un état d’esprit de « chercheur »

Le Product Manager IA doit aussi pouvoir fixer les bons KPIs pour juger des améliorations de ses équipes techniques. Contrairement à un Product Manager classique, dont les hypothèses produit peuvent être testées aisément, à travers des AB tests, le tracking des données dans Tableau ou Google Analytics, il est plus délicat de juger de la réussite d’un produit IA, en raison de sa complexité. Les critères de réussite sont à la fois produit, mais aussi techniques : par exemple, la réduction des hallucinations est un KPI à prendre en compte, tout comme la réduction des faux positifs. Dans le cadre d’un agent conversationnel ou d’un LLM, les critères peuvent être plus subjectifs et reposer sur la pertinence de la réponse, la capacité à prendre en compte l’intention de l’utilisateur, son humeur et le contexte de sa question. Un Product Manager IA doit garder une certaine souplesse et flexibilité et être en mesure de définir des KPIs pertinents pour bien évaluer la performance de son produit et conduire à son amélioration.

Dans cette tâche, il peut être accompagné d’un Data Analyst, qui l’aidera à définir les meilleurs KPIs et à mettre en place un plan de tracking pertinent.

Être à l’écoute des équipes techniques

Cela passe avant tout par une écoute active des équipes techniques : les Data Scientists et Data Ingénieurs sont les plus à-même d’aider le Product Manager IA dans la compréhension technique du produit, et dans les pistes potentielles d’amélioration. Un Product Manager IA doit ainsi s’appuyer largement sur ses équipes techniques dans la définition de pistes d’amélioration, afin de pouvoir identifier ce qu’il est techniquement possible de faire. Néanmoins, le Product Manager IA reste un garde-fou pour empêcher les équipes techniques de s’éloigner de la finalité du produit, qui reste avant tout de satisfaire les utilisateurs finaux. Il est important que le Product Manager IA guide les équipes techniques dans cette direction, sans se laisser embarquer dans de la technique pure, sans lien avec le produit.

Ce qu’il faut retenir

Le Product Manager IA est un Product Manager responsable d’un produit d’IA, de Deep Learning ou de Machine Learning, ou ayant trait à l’IA. Il est souvent la clé de voute entre équipes Data Scientists, Data Ingénieurs et développeurs back et front. Le Product Manager IA doit faire montre d’une certaine appétence technique, afin de bien comprendre le travail de chacune de ses équipes : cela lui permettra de lier technique et finalité produit, afin de mettre la technique au service des utilisateurs finaux.

Dans la même catégorie
Product Manager IA et data analyst : deux métiers complémentaires
Product Manager IA et data analyst : deux métiers complémentaires
Flèche
Le no code : un avantage pour les Product Managers
Le no code : un avantage pour les Product Managers
Flèche
Comment réussir sa sprint review ?
Comment réussir sa sprint review ?
Flèche
Comment concevoir un produit accessible et inclusif ?
Comment concevoir un produit accessible et inclusif ?
Flèche
Les enjeux de la Qualité de la Donnée dans le Product Management
Les enjeux de la Qualité de la Donnée dans le Product Management
Flèche
Feature #1 : Product Manager vs Quality Analyst, comment travailler ensemble ?
Feature #1 : Product Manager vs Quality Analyst, comment travailler ensemble ?
Flèche

Découvrir nos offres.

Photo de Etienne, Product Manager en train d'écrire sur un tableau blanc.

Product Management

À vos côtés pour relever tous vos défis produits.

Photo de Etienne, Product Manager en train d'écrire sur un tableau blanc.

Product Data & IA

Construire aujourd'hui les Produits de demain.

Photo de Etienne, Product Manager en train d'écrire sur un tableau blanc.

Product Marketing

Faire décoller l'adoption de vos produits.