4 novembre 2026Mis à jour le Fathy Shalaby13 min de lecture
Questions d’entretien de product discovery : un script pour les produits d’IA
Un script d’entretien de 25 minutes pour les fondateurs, product engineers et PM qui testent une idée de produit d’IA : comportement récent, contournements, confiance, et ce qui se passe quand le résultat est faux.
De bonnes questions d’entretien de product discovery demandent aux gens de reconstituer une tâche récente et réelle : ce qui l’a déclenchée, ce qu’ils ont fait, où cela a coincé, ce que le contournement a coûté et, pour les produits d’IA, où ils accepteraient l’automatisation et comment ils vérifieraient le résultat. Elles ne commencent jamais par « Utiliseriez-vous une IA qui… ». Le script ci-dessous dure 25 minutes et se termine par un engagement, pas par un compliment.
À retenir
Demandez la dernière fois, pas la fois habituelle. Teresa Torres avertit que les questions générales poussent les gens à surestimer leurs habitudes parce qu’ils oublient les exceptions (Product Talk).
Les produits d’IA appellent des questions supplémentaires sur la vérification et l’échec. Même parmi les développeurs, 84 % utilisent ou prévoient d’utiliser des outils d’IA, mais ils sont plus nombreux à se méfier de la fiabilité de l’IA (46 %) qu’à lui faire confiance (33 %) (Stack Overflow, 2025).
Cinq à six entretiens par segment étroit constituent un bon point de départ ; dans une étude classique, 34 des 36 thèmes fréquents sont apparus dès les 6 premiers entretiens (NN/g, 2021).
Évaluez les entretiens d’après les comportements et les engagements, jamais en comptant les « oui ».
Terminez chaque série par l’une de quatre décisions : explorer, prototyper, tester une alternative sans IA, ou arrêter.
Pourquoi les idées de produits d’IA ont-elles besoin d’entretiens de discovery ?
Un outil de code assisté par IA peut transformer une idée en prototype fonctionnel en un après-midi. Cette rapidité ne dit rien sur la fréquence du problème, son importance, ni sur son adéquation à l’IA. La plupart des idées échouent au test : chez Microsoft, seulement environ un tiers des expériences bien conçues ont amélioré la métrique visée (Kohavi, Crook & Longbotham, 2009). Une poignée de conversations ciblées vous aide à choisir quel prototype construire et lequel laisser de côté.
L’IA ajoute une seconde question à la question habituelle « est-ce un vrai problème ? » : « les gens feraient-ils confiance à un logiciel pour cette partie, et que se passe-t-il quand il se trompe ? » L’enquête 2025 de User Interviews a montré que 80 % de 485 chercheurs utilisent l’IA, mais que 91 % s’inquiètent de la fiabilité et des hallucinations (). Vos utilisateurs auront des doutes semblables. L’entretien est le moment où vous découvrez lesquels freinent l’adoption.
Ce script convient aux fondateurs solo, aux product engineers et aux PM. Pour toute la séquence de discovery qui l’entoure, consultez le guide du processus de product discovery.
Choisissez la décision avant d’écrire les questions
Notez la décision que vous espérez prendre après les entretiens :
Faut-il prototyper la rédaction de réponses de support assistée par l’IA ?
Quelle étape du workflow actuel génère le plus de reprises ?
L’utilisateur a-t-il besoin d’une réponse générée, ou d’un moyen plus rapide de trouver et vérifier la bonne information ?
Qu’est-ce qui doit être validé par un humain avant qu’un système d’IA puisse agir ?
Notez ensuite l’hypothèse qui la sous-tend. « Les responsables du support perdent du temps parce qu’ils cherchent dans d’anciens tickets avant de répondre à un nouveau problème » est testable. « Les équipes de support ont besoin d’IA » ne l’est pas. Si aucune réponse possible ne changerait votre prochaine étape, le plan d’entretien n’est pas prêt.
Le script d’entretien de product discovery en 25 minutes
Expliquez que vous étudiez le workflow, et que vous ne vendez pas un produit. Demandez la permission avant d’enregistrer et ne collectez pas de détails sensibles dont vous n’avez pas besoin. Les consignes d’entretien de GOV.UK placent le consentement en premier, avant toute question (GOV.UK). Ses séances durent de 30 minutes à 2 heures ; 25 minutes suffisent pour un workflow et sont plus faciles à recruter ; Torres conseille de demander peu de temps, et son exemple de demande évoque 20 minutes (Product Talk).
1. Poser le contexte (3 minutes)
« Pouvez-vous me décrire votre rôle et la partie de ce workflow dont vous vous occupez ? »
« Quand avez-vous accompli cette tâche pour la dernière fois ? »
« Que se passait-il qui l’a rendue nécessaire ? »
Demandez un exemple récent, pas la description du processus idéal.
2. Reconstituer la dernière fois (8 minutes)
« Qu’avez-vous fait en premier ? »
« Quels outils ou quelles personnes étaient impliqués ? »
« Où avez-vous bloqué, attendu ou refait du travail ? »
« Qu’avez-vous fait quand le chemin habituel ne marchait pas ? »
« Qu’en est-il résulté ? »
Suivez la séquence. Si quelqu’un dit « Il me faudrait un meilleur résumé par l’IA », demandez ce qu’il essayait de décider, ce qu’il avait lu avant et ce qu’il a fait ensuite. La vraie tâche peut être la recherche, la comparaison, la validation ou la communication plutôt que le résumé.
3. Comprendre le contournement et son coût (5 minutes)
« Comment gérez-vous cela aujourd’hui ? »
« À quelle fréquence est-ce arrivé récemment ? »
« Qu’avez-vous déjà essayé ? »
« Que coûte le contournement en temps, en argent, en risque ou en opportunités manquées ? »
« Qui d’autre est concerné ? »
Ne demandez pas un coût annuel précis si la personne ne l’a jamais suivi. Demandez ce qui a changé la dernière fois que le problème est survenu.
4. Explorer où l’IA pourrait aider (5 minutes)
Seulement une fois le workflow actuel bien compris :
« Quelle étape, le cas échéant, voudriez-vous confier à un logiciel ? »
« Où voudriez-vous une suggestion tout en gardant la décision ? »
« De quelles informations un système aurait-il besoin pour vous donner un résultat utile ? »
« Quand auriez-vous besoin de vérifier le résultat par rapport à sa source ? »
« Quelle est la conséquence si le résultat est faux ? »
« Que ne devrait jamais faire le système sans votre accord ? »
Ne demandez pas « Utiliseriez-vous l’IA pour cela ? ». Les gens approuvent des concepts sans changer de comportement. Interrogez-les sur la tâche, le niveau de vérification acceptable et l’échec qui les ferait arrêter. Le People + AI Guidebook de Google, publié pour la première fois en 2019, organise ses patterns de conception autour des mêmes thèmes : quand utiliser l’IA, comment l’expliquer, comment calibrer la confiance, comment équilibrer contrôle et automatisation, et comment gérer les erreurs.
5. Tester un prototype à travers une tâche (facultatif, remplace une partie de l’étape 4)
Si vous avez un prototype, sautez la visite guidée des fonctionnalités. Donnez une tâche réaliste et observez :
Que tentent-ils en premier ?
À quoi s’attendent-ils ?
Où hésitent-ils ou corrigent-ils le système ?
Quelles preuves cherchent-ils avant d’agir ?
Que feraient-ils si le résultat était incomplet ou faux ?
Demandez « À quoi vous attendiez-vous ici ? » plutôt que « Aimez-vous cela ? ». Si vous devez les guider dans l’interface, notez ce qu’ils ont fait avant votre explication.
6. Conclure par une prochaine étape concrète (4 minutes)
« Que faudrait-il pour que vous l’essayiez dans votre workflow ? »
« Qu’est-ce qui vous empêcherait de l’utiliser ? »
« Qui d’autre devrait l’approuver ou l’adopter ? »
« Pourrions-nous refaire le point après que vous aurez essayé la prochaine version sur une tâche réelle ? »
Un suivi planifié, un accès à un workflow représentatif ou la volonté de tester avec des données réelles constituent une preuve plus forte qu’un compliment poli. Cela reste un seul signal ; comparez-le d’une personne à l’autre et aux coûts de changement. The Mom Test de Rob Fitzpatrick (voir le site) traite précisément de ce problème : éviter les retours biaisés et déterminer si quelqu’un achètera vraiment.
Quelles questions sont propres aux produits d’IA ?
Les entretiens de discovery classiques couvrent la tâche, le déclencheur, le contournement et le coût. Les produits d’IA ajoutent quatre risques qui appellent leurs propres questions :
Risque
Question à poser
À quoi ressemble une réponse d’alerte
Disponibilité des données d’entrée
« Où se trouve aujourd’hui l’information nécessaire à cette tâche ? Qui peut y accéder ? »
« Elle est surtout dans la tête des gens »
Coût de vérification
« Comment vérifieriez-vous que le résultat est juste ? Combien de temps cela prendrait-il ? »
« Je devrais tout refaire pour vérifier »
Conséquence d’une erreur
« Que s’est-il passé la dernière fois que cette tâche a été mal faite ? »
« Nous avons perdu un client » (enjeu élevé, besoin d’étapes de validation)
Limite de contrôle
« Quelle partie ne laisseriez-vous jamais un logiciel faire seul ? »
Tout ce qui suit le premier brouillon
Historique de confiance
« Quelle autre automatisation avez-vous essayée pour cela ? Pourquoi avez-vous arrêté ? »
« C’était presque juste, alors j’ai cessé de lui faire confiance »
La dernière réponse est fréquente. Dans l’enquête Stack Overflow 2025, 66 % des développeurs ont cité « les solutions d’IA presque justes, mais pas tout à fait » comme leur plus grande frustration (Stack Overflow, 2025). Si vos utilisateurs passeraient autant de temps à vérifier le résultat qu’à faire la tâche, la version IA ne vaut peut-être pas la peine d’être construite. Pour les workflows à plus fort enjeu, l’AI Risk Management Framework volontaire du NIST, publié le 26 janvier 2023 et complété d’un profil sur l’IA générative le 26 juillet 2024, est une checklist utile pour savoir quoi demander sur les risques.
Quelles questions d’entretien créent des réponses biaisées ?
À éviter
À demander plutôt
« Utiliseriez-vous un outil d’IA qui fait cela ? »
« Comment avez-vous géré cela la dernière fois que c’est arrivé ? »
« Cela vous ferait-il gagner du temps ? »
« Qu’avez-vous fait avant et après cette étape ? »
« Aimez-vous cette fonctionnalité ? »
« Que tenteriez-vous de faire ensuite ? »
« Paieriez-vous X $ ? »
« Comment payez-vous ou staffez-vous le contournement actuel ? »
« Cela résout-il votre problème ? »
« Quelle partie de votre tâche actuelle changerait, et que resterait-il ? »
« Ne trouvez-vous pas frustrant que… ? »
« Parlez-moi de la dernière fois que c’est arrivé. »
« À quelle fréquence faites-vous habituellement… ? »
« Quand avez-vous fait… pour la dernière fois ? Et la fois d’avant ? »
Le but n’est pas de prendre la personne en défaut. Il s’agit d’éviter de fournir la réponse avant d’avoir compris sa situation. Les consignes de GOV.UK disent la même chose : utiliser des questions ouvertes et neutres, se concentrer sur de vraies histoires plutôt que sur la façon dont les choses « devraient » se passer, et se taire autant que possible (GOV.UK). Pour une banque de questions plus large, consultez le guide des questions d’entretien client.
Combien d’entretiens de product discovery faut-il mener ?
Aucun nombre ne prouve la demande, mais il existe des fourchettes utiles. Nielsen Norman Group suggère de commencer avec 5 à 6 participants et de ne poursuivre que tant que vous apprenez de nouvelles choses (NN/g, 2021). Une revue de 2022 portant sur 23 études a trouvé une saturation en 9 à 17 entretiens pour des groupes assez homogènes (Hennink & Kaiser, 2022). Torres recommande de chercher des patterns après trois à quatre entretiens, puis d’en mener au moins un par semaine.
En pratique : choisissez un segment étroit, menez 5 à 6 entretiens, faites la synthèse et décidez si les 5 suivants doivent creuser le même segment ou en tester un second. Si vous hésitez entre deux segments, interrogez-les séparément plutôt que de les mélanger. Les entretiens révèlent des workflows et des raisons ; ils ne disent pas à quel point un problème est répandu sur un marché. Un rythme hebdomadaire, comme dans la continuous discovery, vaut mieux qu’une seule rafale.
Comment consigner les preuves sans transformer chaque entretien en demande de fonctionnalité ?
Juste après chaque conversation, notez :
Le rôle de la personne et le contexte pertinent.
La tâche récente qu’elle a décrite ou réalisée.
Les observations directes, avec l’horodatage de la source.
Son contournement actuel et sa conséquence.
Ce qu’elle a dit que l’IA pourrait faire, séparé de ce que vous avez observé.
Votre interprétation et ses limites.
La question ou la décision qui reste ouverte.
Le modèle d’entretien client propose ces champs prêts à l’emploi. D’une conversation à l’autre, comparez les personnes ayant des rôles et des workflows similaires avant de regrouper leurs retours. Un thème doit s’appuyer sur des exemples et laisser voir les exceptions. Un participant enthousiaste est une raison d’en apprendre davantage, pas une preuve de demande. Le modèle de synthèse d’entretiens transforme les notes en conclusions, et la synthèse de recherche client avec l’IA explique comment utiliser un modèle sur les transcriptions sans perdre la traçabilité.
Un exemple concret
Le produit et les chiffres sont illustratifs.
Une fondatrice solo teste un outil d’IA qui rédige des réponses pour de petites équipes de support e-commerce. Elle interroge 6 responsables du support en 2 semaines, tous dans des boutiques de 2 à 5 agents.
5 sur 6 décrivent de la même façon leur dernier ticket difficile : le plus long était de retrouver l’historique de commande et la conversation précédente, pas de rédiger la réponse.
4 sur 6 disent qu’ils accepteraient une réponse suggérée mais ne laisseraient jamais le système envoyer des remboursements sans validation.
2 avaient déjà essayé un outil de réponse par IA ; tous deux ont arrêté parce qu’ils devaient réécrire la plupart des brouillons.
3 acceptent un test de suivi sur de vrais tickets.
Sa décision : tester d’abord une alternative sans IA, un panneau latéral qui amène l’historique de commande et les messages passés dans le ticket, parce que les preuves pointent vers la recherche, pas vers la rédaction. L’idée de rédaction par IA reste en discovery, avec une note sur les preuves qui la relanceraient.
Décidez ce que les entretiens ont rapporté
À la fin d’une série, choisissez l’une de ces quatre suites :
Explorer : le problème peut compter, mais le groupe d’utilisateurs ou le workflow reste flou.
Prototyper : le problème est concret et un prototype peut répondre à une question précise d’utilisabilité ou de faisabilité.
Tester une alternative sans IA : une règle plus simple, une amélioration de la recherche ou un changement de processus peut résoudre la tâche avec moins de risque.
Arrêter ou restreindre : les preuves ne justifient pas encore davantage de travail sur cette audience ou ce problème.
Ne notez pas les entretiens en comptant les « oui ». Examinez ce que les gens ont fait, ce qu’ils ont déjà essayé, à quoi ils ont renoncé pour traiter le problème et ce qu’ils ont accepté de faire ensuite. Pour la boucle plus large autour de ces entretiens, consultez la product discovery avec l’IA pour les startups et la customer discovery pour les product engineers.
Où Specky intervient
L’agent de recherche de Specky, Alex, peut mener des entretiens clients comme celui-ci à partir d’un lien partageable, de sorte qu’un fondateur ou une petite équipe peut tenir un rythme hebdomadaire sans remplir son agenda. Les réponses alimentent le Product Graph de Specky avec les tickets de support et les autres retours, où l’on peut remonter d’une spec ultérieure jusqu’à l’entretien qui l’a justifiée. Rédigez les questions vous-même, avec le script ci-dessus ; Specky vous aide à les mener et à garder les preuves rattachées.
Questions fréquentes
Quelles sont les meilleures questions d’entretien de product discovery ?
Les meilleures questions reconstituent un événement récent et précis : « Parlez-moi de la dernière fois que vous avez fait cela », « Qu’avez-vous fait en premier ? », « Où avez-vous bloqué ? », « Qu’avez-vous fait à la place ? » et « Qu’en est-il résulté ? » Elles font émerger le comportement réel, les contournements et les coûts. Les questions sur l’avenir, les préférences ou des fonctionnalités hypothétiques produisent des réponses polies qui prédisent rarement ce que les gens font réellement.
Dois-je montrer mon prototype d’IA pendant l’entretien ?
Généralement pas au début. Découvrez d’abord le workflow existant sans montrer de solution. Si le prototype est pertinent, présentez-le ensuite et demandez au participant d’accomplir une tâche réaliste pendant que vous observez. Cela distingue un vrai problème de workflow d’une réaction à votre démo, et empêche le prototype d’influencer la façon dont la personne décrit son propre travail.
Qu’est-ce qui distingue un entretien sur un produit d’IA ?
Au-delà de la tâche de l’utilisateur et du résultat recherché, explorez les informations dont un système aurait besoin, la façon dont l’utilisateur vérifierait son résultat, ce qui se passe quand il se trompe et quelles actions exigent une validation humaine. Interrogez sur les automatisations abandonnées par le passé et pourquoi. La profondeur de ces questions doit être proportionnelle aux conséquences d’une erreur dans ce workflow.
L’IA peut-elle mener à ma place des entretiens de customer discovery ?
L’IA peut aider à préparer un guide, mener des entretiens structurés via un lien partageable, organiser les notes et signaler des questions à creuser. Elle ne remplace pas votre propre jugement sur le sens des réponses, et certaines conversations gagnent encore à avoir un humain capable de suivre un fil inattendu. Relisez vous-même les transcriptions avant qu’une conclusion ne modifie une décision.
Combien de temps doit durer un entretien de product discovery ?
Vingt à 30 minutes suffisent pour un workflow. Les consignes de GOV.UK autorisent de 30 minutes à 2 heures selon le sujet, mais les séances plus courtes sont plus faciles à recruter. L’exemple de demande d’entretien de Torres porte sur 20 minutes. Si vous devez couvrir plusieurs workflows ou tester un prototype en profondeur, prévoyez 45 à 60 minutes plutôt que de précipiter.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing