PM IAGouvernance · Workflows · Cas d'usage · Data
L'IA pilotée comme un produit
Je pilote l'IA comme j'ai appris à piloter les Design Systems : en partant des usages, en posant un cadre partagé et en mesurant l'adoption. L'objectif reste le même, de la cohérence à l'échelle, avec une exigence en plus : maîtriser le risque.
Ce que fait un Product Manager IA
Le métier reste celui de Product Manager : comprendre un problème, décider quoi construire, mesurer si ça marche. Ce qui change, c'est la nature du produit. Un système d'IA ne donne pas toujours la même réponse, dépend de données qu'on ne maîtrise jamais tout à fait, coûte à chaque utilisation et peut se tromper avec aplomb. Chacune de ces propriétés appelle une décision produit.
| Sujet | Produit numérique classique | Produit IA |
|---|---|---|
| Comportement | Déterministe : même entrée, même sortie. | Probabiliste : il faut définir ce qu'est une « bonne » réponse et la mesurer. |
| Recette | Tests fonctionnels, cas passants et non passants. | Jeux d'évaluation, seuils de qualité, revue humaine d'échantillons. |
| Coût | Surtout fixe (développement, hébergement). | Variable : chaque requête a un coût qui pèse sur le modèle économique. |
| Risque | Bugs, sécurité, accessibilité. | S'y ajoutent erreurs plausibles, biais, fuite de données, obligations AI Act. |
| Après la mise en ligne | Maintenance évolutive. | Suivi continu : dérive, changement de modèle, nouveaux usages détournés. |
Mon positionnement
Mon parcours relie la robotique et l'IA, le produit digital B2B et B2C, les plateformes CMS et les Design Systems. Je viens des Design Systems, de la stratégie digitale et de l'accessibilité. C'est précisément ce qui manque à beaucoup de projets IA : la capacité à rendre un système explicite, à le faire adopter par des dizaines d'équipes et à le gouverner dans la durée.
Héritage Design System
Stratégie produit du Design System de Schneider Electric ; plateforme CMS et bibliothèque de plus de 100 composants pour Sanofi. Gouvernance, contribution, adoption, accessibilité : les mêmes mécanismes s'appliquent à l'IA.
Culture data
KPI d'adoption, d'usage et de satisfaction, NPS, analytics et reporting Europe chez Philip Morris International, tokens de marque systématisés : l'habitude de structurer l'information pour qu'une machine puisse l'exploiter.
Pratique de l'IA
Gouvernance IA d'équipe, bibliothèque partagée de skills, agents et MCP qui rendent le Design System exploitable par un LLM. Marketing et Product Ownership de produits d'IA et de robotique.
En ce moment : des agents au service du Design System
Chez Schneider Electric, je conçois et prototype des agents qui s'appuient sur le Design System via MCP, pour produire des maquettes et du code conformes, faciliter l'adoption et alléger le support.
Onboarding autonome
Accompagne les nouvelles équipes dans la prise en main du Design System.
Support autonome
Répond aux questions courantes des équipes et allège le support de l'équipe cœur.
Screen builder
Génère des écrans Figma et du code conformes au Design System.
Accessibilité
Aide à vérifier et améliorer l'accessibilité des écrans.
Un produit IA ne vaut que si les équipes lui font confiance. Cette confiance se construit avec un cadre, des preuves et de la transparence.
Gouvernance de l'IA
La gouvernance répond à trois questions : qui a le droit de lancer un usage de l'IA, à quelles conditions, et qui en répond. Bien conçue, elle accélère les équipes, parce qu'elles savent ce qui est autorisé sans avoir à demander à chaque fois.
Les cinq briques
Une instance de décision légère
Un comité réunissant produit, juridique, sécurité, data et métier. Il tranche les cas sensibles et fait évoluer les règles ; les cas à faible risque passent sans lui.
Un registre des cas d'usage
Chaque usage y figure : objectif, propriétaire, données utilisées, modèle ou fournisseur, niveau de risque, date de revue. C'est la base de tout le reste.
Une classification des risques
Alignée sur l'AI Act et complétée par les critères internes : données personnelles, impact d'une erreur, réversibilité, exposition client.
Une politique d'usage
Outils autorisés, données interdites dans les prompts, règles de transparence vis-à-vis des utilisateurs. Elle répond aussi à l'usage non déclaré d'outils grand public.
Une revue avant production, puis périodique
Une checklist proportionnée au risque, et une revue régulière : un usage validé il y a un an peut ne plus l'être aujourd'hui.
Classer par niveau de risque
Le Règlement européen sur l'IA (Règlement (UE) 2024/1689, « AI Act ») classe les systèmes selon leur niveau de risque. Le niveau détermine les obligations.
CalendrierLe règlement est entré en vigueur le 1er août 2024 et s'applique par étapes : interdictions depuis février 2025, obligations des modèles d'IA à usage général depuis août 2025, puis le reste du texte. Le calendrier des systèmes à haut risque fait l'objet d'ajustements discutés au niveau européen : vérifiez toujours les dates en vigueur avec votre service juridique.
Référentiels utiles
AI Act
Le cadre légal européen, fondé sur le risque. Il fixe les obligations selon le niveau de risque et le rôle (fournisseur, déployeur).
ISO/IEC 42001
Publiée en 2023, elle décrit un système de management de l'IA : politique, rôles, évaluation des risques, amélioration continue. Certifiable.
NIST AI RMF
Cadre américain de gestion des risques (version 1.0, 2023) organisé en quatre fonctions : Govern, Map, Measure, Manage.
RGPD
Toujours applicable dès qu'il y a des données personnelles : base légale, minimisation, information, analyse d'impact si nécessaire.
Workflows : où placer l'IA, où placer l'humain
L'IA crée de la valeur quand elle s'insère dans un flux de travail existant. Pour chaque métier, je cherche trois choses : la tâche répétitive qu'elle peut absorber, le point où un humain doit décider, et le garde-fou qui rend l'ensemble fiable.
| L'IA fait | Regroupe les verbatims par thème, résume les entretiens, repère les irritants émergents. |
|---|---|
| L'humain décide | Quels problèmes valent la peine d'être résolus, et dans quel ordre. |
| Garde-fou | Chaque synthèse renvoie aux verbatims sources ; données personnelles pseudonymisées. |
| L'IA fait | Produit des premières maquettes avec les composants du Design System, propose des variantes de libellés. |
|---|---|
| L'humain décide | La structure de l'écran, les arbitrages d'ergonomie, la validation finale. |
| Garde-fou | Checkpoints automatiques : composants reconnus, tokens existants, contraste, ton éditorial. |
| L'IA fait | Génère du code à partir de l'UI Kit, écrit des tests, propose des refactorings. |
|---|---|
| L'humain décide | L'architecture, la revue de code, la mise en production. |
| Garde-fou | Lint bloquant sur les valeurs brutes, tests obligatoires, revue systématique. |
| L'IA fait | Rédige des premières versions, adapte les contenus aux marchés, vérifie le respect du glossaire. |
|---|---|
| L'humain décide | Le message, la relecture juridique, la publication. |
| Garde-fou | Termes protégés, mentions légales non générées, signalement des contenus produits par IA lorsque requis. |
| L'IA fait | Suggère des réponses sourcées au conseiller, résume l'historique d'un dossier. |
|---|---|
| L'humain décide | Le contenu envoyé au client, les gestes commerciaux, les cas sensibles. |
| Garde-fou | Sources citées, sujets exclus, information du client lorsqu'il échange avec un assistant. |
Choisir le niveau d'autonomie
Les workflows dits agentiques, où l'IA enchaîne plusieurs actions, ouvrent beaucoup de possibilités. Je choisis le niveau d'autonomie selon le coût d'une erreur et sa réversibilité.
Assistant
Répond à une demande ponctuelle. L'humain fait tout le reste.
Copilote
Propose dans l'outil de travail. L'humain valide chaque proposition.
Agent supervisé
Enchaîne des actions, l'humain approuve aux points de contrôle définis.
Agent autonome
Agit seul dans un périmètre fermé, avec actions réversibles et journalisation complète.
Évaluation : prouver avant de promettre
Un produit IA sans évaluation repose sur des impressions. Je fixe avec le métier ce qu'est une bonne réponse, je construis un jeu d'évaluation représentatif et j'écris les seuils avant le premier prototype. Une nouvelle version de prompt ou de modèle se compare alors à la précédente sur les mêmes cas.
| Famille | Ce qu'on mesure | Comment |
|---|---|---|
| Qualité | Exactitude, pertinence, complétude, respect du format. | Jeu d'évaluation annoté, revue humaine d'échantillons. |
| Sécurité | Contenus inventés, fuites de données, contournements des consignes. | Cas adverses, tests d'injection, filtres de sortie. |
| Équité | Écarts de qualité entre populations ou langues. | Évaluation segmentée. |
| Expérience | Temps gagné, taux d'acceptation, satisfaction. | Mesures produit et retours utilisateurs. |
| Économie | Coût par requête, latence, consommation. | Suivi en production, budgets par usage. |
Les données, fondation de tout produit IA
La qualité d'un produit IA dépend d'abord de ses données : celles qui servent de contexte, celles qui servent à l'évaluer, celles qu'il produit. Avant de choisir un modèle, je vérifie cinq points.
- Disponibilité : les données existent-elles, sont-elles accessibles dans des délais compatibles avec le projet ?
- Qualité : complètes, à jour, cohérentes, avec un propriétaire identifié.
- Droits : base légale, consentement, licences, secret des affaires.
- Représentativité : couvrent-elles tous les utilisateurs, toutes les langues, tous les cas limites ?
- Protection : minimisation, pseudonymisation, données sensibles exclues des prompts.
IA × Design System
Le Design System devient le contexte de l'IA. Des composants documentés, des tokens nommés par leur rôle et des règles d'usage écrites sont exactement ce dont un modèle a besoin pour produire des interfaces cohérentes. À l'inverse, un système flou produit des interfaces floues, plus vite.
Maquettes IA conformes au Design System
Données structurées, garde-fous et checkpoints automatisés avant l'écran du designer.
Étude de casGénération de code Design System-first
UI Kit, tokens sémantiques et dataviz comme base de génération.
Adoption : l'IA est aussi un changement d'organisation
Comme pour un Design System, un outil d'IA que personne n'utilise ne vaut rien. L'adoption se prépare : formation par métier, ambassadeurs dans les équipes, retours d'expérience partagés, et des indicateurs suivis dans la durée.
Acculturer
Des sessions par métier sur ce que l'IA sait faire, ne sait pas faire, et les règles d'usage de l'organisation.
Équiper
Des outils validés, intégrés à l'environnement de travail, avec des exemples de prompts et de workflows.
Animer
Un réseau d'ambassadeurs, des démonstrations régulières, un canal pour remonter les cas d'usage.
Mesurer
Usage réel, temps gagné, qualité perçue, incidents. Les chiffres orientent la suite.
Structurer l'IA dans votre organisation ?
Cartographie des cas d'usage, cadre de gouvernance, intégration dans les workflows : parlons de votre contexte.