17 mai 2026Mis à jour le Fathy Shalaby12 min de lecture
Product Opportunity Assessment : un modèle moderne pour les équipes à l’ère de l’IA
Quand le code ne coûte presque plus rien, il devient plus difficile de dire non. Un product opportunity assessment pose cinq questions avant de construire, plus deux vérifications que toute fonctionnalité d’IA exige désormais.
Un product opportunity assessment est un document court qui décide si une idée mérite du temps de discovery ou de développement, en répondant à un ensemble fixe de questions sur le problème, le client, la solution, le business case et les risques. La version de Marty Cagan, publiée en 2006, comptait dix questions et se concluait par une décision « go » ou « no-go ». La version moderne ci-dessous en compte cinq, plus deux vérifications dont les produits à l’ère de l’IA ont désormais besoin.
Ce n’est pas de la paperasse : c’est l’endroit le moins cher pour dire non. Une idée enterrée en deux pages coûte un après-midi. Une idée enterrée après le lancement coûte du temps d’ingénierie, de la charge de support et la place sur la roadmap qu’elle a prise à quelque chose de mieux.
À retenir
L’opportunity assessment de Marty Cagan (2006) posait dix questions, à commencer par « Exactly what problem will this solve? » et jusqu’à une décision « go » ou « no-go », afin d’éviter que les entreprises ne gaspillent leur argent sur de mauvaises opportunités (SVPG, 2006).
Un product-market fit insuffisant a joué un rôle dans 43 % des 385 fermetures de startups financées par du capital-risque que CB Insights a pu expliquer dans son analyse de mars 2026 (CB Insights, 2026).
L’étude de Pendo de 2019 sur 615 abonnements logiciels montre que 80 % des fonctionnalités sont rarement ou jamais utilisées, et que 12 % des fonctionnalités génèrent 80 % de l’usage quotidien (Pendo, 2019).
L’IA a rendu la construction moins chère, ce qui a supprimé la pause naturelle qui filtrait autrefois les idées faibles. L’assessment la remet en place volontairement.
Pour les fonctionnalités d’IA, ajoutez deux prérequis : la faisabilité côté modèle (un modèle peut-il le faire de façon assez fiable ?) et le moat (pourquoi cela ne sera-t-il pas copié en un mois ?).
Qu’est-ce qu’un product opportunity assessment ?
C’est un document léger de type go / no-go, rédigé avant qu’une équipe ne s’engage dans la discovery ou la livraison. Cagan l’a décrit sur le blog de SVPG en décembre 2006 comme un moyen rapide de repérer tôt les mauvaises idées (SVPG, 2006). Ses dix questions portaient sur :
Pourquoi nous sommes les mieux placés pour la saisir (différenciation)
Pourquoi maintenant (fenêtre de marché)
Comment nous atteignons le marché (go-to-market)
Comment nous mesurons le succès et générons du revenu (indicateurs et revenus)
Ce qui est critique pour réussir (exigences de la solution)
La recommandation (go ou no-go)
Ces questions restent valables. Ce qui a changé, c’est le coût qui les entoure : en 2006, construire était lent, et les idées faibles mouraient souvent sous leur propre poids. En 2026, un prototype peut exister avant que quiconque ait posé la question 1.
Une opportunité, selon la définition utile de Teresa Torres, est un besoin client non satisfait, un point de douleur ou un désir, et non une fonctionnalité (Product Talk, 2023). Évaluez d’abord l’opportunité, ensuite la solution.
Pourquoi l’opportunity assessment compte-t-il davantage depuis que l’IA rend la construction bon marché ?
Parce que « pouvons-nous le construire ? » n’est plus la question coûteuse. « Devons-nous le faire ? » l’est.
Le gaspillage est bien documenté. Pendo estimait que les entreprises du cloud public avaient investi jusqu’à 29,5 milliards de dollars dans des fonctionnalités rarement ou jamais utilisées (Pendo, 2019). Dans les données 2026 de CB Insights, un product-market fit insuffisant arrive en deuxième position parmi les causes de fermeture, juste derrière le manque de trésorerie (70 %) (CB Insights, 2026). L’argent s’épuise plus vite quand il finance des produits dont personne n’a besoin.
Un code moins cher ne corrige aucun de ces deux chiffres ; il produit simplement plus de fonctionnalités inutilisées par trimestre. Notre analyse de ce que montrent les données 2026 sur le code assisté par IA passe en revue les preuves sur la vitesse ; en résumé, décider quoi construire n’est pas devenu moins cher du tout.
C’est pourquoi l’assessment fonctionne comme une machine à dire « non » : si une équipe ne sait pas répondre aux questions essentielles en quelques pages, elle n’est pas prête à construire, aussi rapide que soit le développement. Les équipes qui le sautent dérivent vers une feature factory et mesurent la production au lieu des résultats.
À quelles questions un product opportunity assessment doit-il répondre ?
Le modèle moderne condense les dix questions en cinq, chacune appuyée par des preuves et non par l’intuition.
Le problème. Quelle douleur précise et intense résolvons-nous ? Est-ce un problème « vital » pour l’utilisateur, ou une simple gêne ?
Le marché cible. Qui est exactement le client, et quelle est la taille du marché accessible (TAM, SAM et SOM) ?
La solution. Pourquoi sommes-nous mieux placés pour résoudre ce problème que les alternatives utilisées aujourd’hui, y compris les tableurs et l’inaction ?
Le business case. Comment cela crée-t-il une valeur mesurable : revenu, rétention ou efficacité opérationnelle ? Comment la mesurerons-nous ?
Les risques. Quels sont les risques techniques, de marché et d’exécution, et comment les réduire avant de s’engager ?
Comment les cinq questions correspondent-elles aux dix de Cagan ?
Question moderne
Couvre les questions de Cagan
Ce que contient une bonne réponse
Problème
1 (proposition de valeur)
Une douleur nommée, sa fréquence, le contournement actuel et son coût
Marché cible
2, 3 (marché cible, taille du marché)
Un segment principal ; une estimation de marché bottom-up
Solution
4, 5, 9 (alternatives, différenciation, exigences de la solution)
Les alternatives actuelles et pourquoi la nôtre l’emporte pour ce segment
Business case
7, 8 (go-to-market, indicateurs et revenus)
Un indicateur de succès, un contre-indicateur et un chemin vers les clients
Risques
6, 10 (pourquoi maintenant, recommandation)
Les principaux risques notés, les tests qui les lèveraient, et une décision : go, no-go ou « discovery d’abord »
Gardez « pourquoi maintenant ? » visible dans la section des risques. De nombreuses opportunités prometteuses échouent sur le timing, que CB Insights cite comme facteur dans 29 % des fermetures expliquées.
Que faut-il ajouter à un opportunity assessment pour les fonctionnalités d’IA ?
Les assessments classiques traitent la solution comme une question surtout d’ingénierie. Pour les fonctionnalités d’IA, cela ne tient plus à deux endroits.
1. La faisabilité côté modèle
Un modèle du commerce peut-il faire le travail de façon assez fiable, ou l’idée exige-t-elle du fine-tuning, des données spécifiques ou un humain dans la boucle ? Répondez par une petite évaluation, pas par une démo : collectez de vraies entrées, définissez à quoi ressemble une sortie correcte et mesurez la fréquence à laquelle le modèle y parvient. Une démo montre le meilleur cas ; une évaluation montre le taux. Notre cadre d’évaluation de l’IA pour les équipes produit explique comment fixer ce seuil.
Demandez ensuite ce que coûte une mauvaise réponse. Si elle coûte une minute à l’utilisateur, un taux de réussite de 90 % peut suffire. Si elle coûte de l’argent ou de la confiance, aucun taux n’est peut-être assez bon. Vous n’êtes pas sûr d’avoir besoin d’IA ? Faites d’abord le test des quatre questions sur l’IA.
2. Le moat
Les concurrents peuvent appeler les mêmes modèles ; nommez donc l’avantage qui résiste à un suiveur rapide :
Des données propriétaires qui améliorent le résultat et auxquelles les autres n’ont pas accès.
Des effets de réseau, où chaque utilisateur améliore le produit pour le suivant.
Une intégration profonde dans le workflow, qui crée de vrais coûts de changement.
Si la réponse honnête est « nous serons les premiers », considérez le moat comme absent et intégrez-le dans la recommandation.
Comment utiliser Working Backwards dans un opportunity assessment ?
Le processus « Working Backwards » d’Amazon est un bon test pour la question de la solution. Comme l’a décrit Werner Vogels en 2006, l’équipe rédige quatre documents avant de construire : un communiqué de presse, une FAQ, une description de l’expérience client et un manuel d’utilisation, en partant du client pour remonter jusqu’à la technologie minimale nécessaire (All Things Distributed, 2006).
Pour un opportunity assessment, les deux premiers documents suffisent. Rédigez un communiqué de presse d’une page pour le produit fini et une FAQ avec les questions les plus difficiles qu’un client ou un collègue poserait. Si le communiqué n’énonce pas clairement le bénéfice client, la question de la solution n’a pas de réponse.
Comment séparer les hypothèses des faits ?
La partie la plus dangereuse de tout assessment, c’est l’hypothèse cachée. Tenez un tableau à deux colonnes dans le document : Hypothèses (suppositions sur les comportements, la taille du marché ou les performances techniques) et Faits (ce que les entretiens, les analytics, les expérimentations ou les données de marché ont validé, chacun avec un lien).
Chaque hypothèse importante reçoit une expérimentation qui la transforme en fait ou la réfute. Si vous ne pouvez pas concevoir de test pour une hypothèse clé, vous portez plus de risque que l’équipe ne le voit. Notre carte des hypothèses gratuite classe les hypothèses par importance et par niveau de preuve, et le guide pour choisir une expérimentation produit aide à trouver le bon test pour chacune.
Les quatre grands risques de Cagan donnent au tableau une structure utile (SVPG, 2017) :
Risque
Question
Responsable dans le modèle de Cagan
Exemple de test
Valeur
Les clients l’achèteront-ils ou choisiront-ils de l’utiliser ?
Product manager
Fake door, prévente, entretiens clients
Utilisabilité
Les utilisateurs comprendront-ils comment s’en servir ?
Product designer
Test d’utilisabilité sur prototype
Faisabilité
L’ingénierie peut-elle le construire avec le temps, les compétences et la technologie dont nous disposons ?
Lead engineer
Spike technique ou évaluation du modèle
Viabilité business
Est-ce viable pour le reste de l’entreprise ?
Product manager
Revue avec les ventes, le juridique, la finance et le support
Exemple concret : évaluer une fonctionnalité d’IA en un après-midi
Imaginons une équipe SaaS B2B de 5 personnes, qui vend un outil de customer success à environ 120 comptes payants et envisage des « résumés d’appels clients par IA ». Cette équipe et ses chiffres sont fictifs.
Problème. Dans 8 des 12 entretiens récents, les CSM ont dit rédiger des notes après chaque appel ; 5 ont indiqué que les notes restent souvent non écrites. Fait : la douleur existe pour ces utilisateurs. Hypothèse : elle compte pour l’ensemble des comptes.
Marché cible. Segment principal : les équipes de CSM de 3 à 15 personnes qui utilisent déjà le produit, soit environ 70 des 120 comptes. Un SOM bottom-up, ce sont ces 70 comptes, pas « toutes les entreprises qui ont des appels clients ».
Solution. Les outils de réunion des clients résument souvent déjà les appels. L’avantage possible : des résumés qui arrivent sur la fiche du compte, à côté des signaux de santé du compte.
Business case. Indicateur de succès : la part des appels avec un résumé joint dans les 24 heures passe d’environ 30 % à 70 % en 8 semaines. Contre-indicateur : des CSM qui modifient plus de la moitié de chaque résumé, ce qui signalerait une qualité insuffisante.
Risques, notés en confiance et en impact de 1 à 5 :
Risque
Impact
Confiance dans notre hypothèse
Prochaine étape
Les clients reçoivent déjà ailleurs des résumés « assez bons » (valeur)
5
2
6 entretiens de plus, centrés sur les outils actuels
Les résumés se trompent sur les noms de produits et les chiffres (faisabilité)
4
2
Évaluer sur 40 transcriptions d’appels réelles
Le moat est mince : les concurrents utilisent les mêmes modèles
4
3
Tester si l’emplacement sur la fiche du compte change les comportements
Le stockage des données d’appels soulève des questions de confidentialité (viabilité)
3
3
Revoir le traitement des données avec le juridique avant la bêta
Recommandation : passer en discovery, pas en développement, car deux risques à fort impact et à faible confiance subsistent. Un après-midi d’assessment a transformé les deux semaines suivantes : au lieu d’un développement, deux tests.
La checklist du product opportunity assessment moderne
Utilisez cette checklist avant de déclarer un assessment terminé :
Définition du problème : énonce explicitement la douleur du client, avec sa fréquence et le contournement actuel.
Preuve du besoin : cite des enseignements d’entretiens qualitatifs ou des résultats d’enquêtes quantitatives, avec liens. Dix entretiens sont un bon point de départ pour un problème B2B, pas un standard.
Taille du marché : une estimation bottom-up du TAM, du SAM et du SOM, appuyée sur des données crédibles et récentes.
Moat concurrentiel : une différenciation claire face aux acteurs établis et aux suiveurs rapides.
Vérifications IA : faisabilité du modèle testée sur de vraies entrées ; coût d’une erreur décrit.
Indicateurs de succès : un indicateur principal et au moins un contre-indicateur (si l’adoption augmente, la performance ou la charge de support en souffrent-elles ?).
Matrice des risques : chaque risque noté en confiance et en impact, avec un test pour chaque risque à fort impact et à faible confiance.
Recommandation : go, no-go ou « discovery d’abord », avec les preuves qui la feraient changer.
Quand peut-on sauter l’assessment complet ?
Toutes les idées ne méritent pas deux pages ; les changements peu coûteux et réversibles se testent souvent mieux qu’ils ne se débattent. Ron Kohavi et Stefan Thomke décrivent une idée de Bing de 2012 : modifier l’affichage des titres des annonces. Elle demandait quelques jours d’ingénierie, a été classée en basse priorité parmi des centaines d’idées et est restée sans test pendant plus de six mois. Lorsqu’un ingénieur a enfin lancé un simple test A/B, le revenu a augmenté d’environ 12 %, soit plus de 100 millions de dollars par an aux États-Unis (HBR, 2017). Le débat a laissé cette idée sur l’étagère ; un test peu coûteux l’a tranchée.
Une règle praticable :
Assessment complet pour les nouveaux produits, les nouveaux segments, les changements de prix, les fonctionnalités d’IA touchant aux données clients et tout ce qui demande plus de quelques semaines de développement.
Version courte en cinq questions (un paragraphe chacune) pour les fonctionnalités de taille moyenne.
Aucun assessment pour les petits ajustements réversibles, qui peuvent être testés en A/B ou annulés en une journée.
Erreurs courantes
Justifier une décision déjà prise. Si la recommandation est venue avant les preuves, c’est un document commercial.
Estimer le marché de haut en bas. « 1 % d’un marché de 10 milliards de dollars » ne dit rien de qui achète en premier.
Prendre une démo pour une preuve de faisabilité. Une démo montre la meilleure sortie, pas le taux d’erreur.
Ne jamais y revenir. Comparez le résultat du lancement avec le business case.
Où Specky s’intègre
Specky garde les preuves d’un assessment au même endroit. Les appels, les retours, les tickets de support et les analytics arrivent dans le Product Graph, de sorte que la section sur le problème cite de vraies sources plutôt que des souvenirs. L’Opportunity Tree organise les résultats attendus, les opportunités et les solutions, le scoring RICE classe celles qui sont en concurrence, et Alex, l’agent de recherche IA de Specky, mène des entretiens de suivi à partir d’un lien partageable lorsqu’une hypothèse doit être testée. La décision go ou no-go reste la vôtre.
Questions fréquentes
Qu’est-ce qu’un product opportunity assessment ?
C’est un document d’une ou deux pages qui décide si une idée vaut du temps de discovery ou de développement. Il couvre le problème, le client cible, la solution, le business case et les risques, et se termine par une décision : go, no-go ou « discovery d’abord ». Marty Cagan a popularisé ce format sur le blog de SVPG en 2006.
Quelles sont les questions de l’opportunity assessment de Marty Cagan ?
La liste de Cagan de 2006 en compte dix : le problème, qui l’a, la taille du marché, les alternatives, notre différenciation, pourquoi maintenant, le go-to-market, comment nous mesurons le succès et générons du revenu, les facteurs critiques de succès et une recommandation go ou no-go. Le modèle en cinq questions présenté ici regroupe ces dix questions.
En quoi un opportunity assessment diffère-t-il d’un PRD ou d’un business case ?
Un opportunity assessment vient en premier et se demande s’il faut s’attaquer à un problème. Un PRD suit une décision « go » et précise ce qu’il faut construire. Un business case se concentre généralement sur le retour financier. L’assessment couvre les quatre risques produit, pas seulement l’argent, et il est volontairement plus court.
Combien de temps un product opportunity assessment doit-il prendre ?
Pour la plupart des fonctionnalités, d’un après-midi à deux jours, pour aboutir à une ou deux pages. S’il prend des semaines, l’équipe fait de la discovery à l’intérieur de l’assessment ; séparez les deux. L’assessment indique quelles hypothèses doivent être testées ; il ne les teste pas toutes lui-même.
Quelle est la différence entre un opportunity assessment et un opportunity solution tree ?
Un opportunity solution tree, introduit par Teresa Torres en 2016, relie un résultat attendu à de nombreuses opportunités client, solutions et tests d’hypothèses ; c’est une carte de discovery continue. Un opportunity assessment évalue en profondeur une seule opportunité à un moment de décision. Utilisez l’arbre pour trouver des candidates et l’assessment pour en trancher une.
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