4 novembre 2026Mis à jour le Fathy Shalaby13 min de lecture
Enquête product-market fit : 4 questions, modèle et notation
Copiez les quatre questions d'enquête de product-market fit utilisées par Superhuman, envoyez-les aux bons utilisateurs et notez les réponses par segment. Avec modèle, tableau de taille d'échantillon et exemple chiffré.
Une enquête de product-market fit pose aux personnes qui utilisent activement votre produit une question centrale : « Comment vous sentiriez-vous si vous ne pouviez plus utiliser [produit] ? » Si 40 % ou plus répondent « très déçu », le repère de Sean Ellis suggère que vous avez atteint le product-market fit. Trois questions de suivi vous disent qui sont ces personnes, ce qu'elles apprécient et ce qui retient tous les autres.
À retenir
Le repère des 40 % vient de Sean Ellis, qui a comparé près d'une centaine de startups : celles qui peinaient obtenaient presque toujours moins de 40 %, celles qui avaient une forte traction presque toujours plus (First Round Review, 2018).
N'interrogez que les utilisateurs qui ont utilisé le produit principal au moins deux fois au cours des deux dernières semaines. Les inscrits tout récents faussent le résultat.
Environ 40 réponses donnent une indication de tendance. À cette taille, un score de 40 % a une marge d'erreur d'environ ±15 points.
Superhuman est passé de 22 % à 58 % en environ trois trimestres en segmentant les réponses et en scindant sa roadmap.
L'enquête est un indicateur avancé. Confirmez-la avec la rétention, le paiement et la croissance organique.
Quelles sont les questions d'une enquête de product-market fit ?
L'enquête standard de product-market fit comporte quatre questions. C'est l'ensemble exact utilisé par Rahul Vohra chez Superhuman, construit à partir de la question originale de Sean Ellis (First Round Review, 2018) :
Comment vous sentiriez-vous si vous ne pouviez plus utiliser [produit] ? Très déçu / Plutôt déçu / Pas déçu.
Selon vous, quel type de personnes bénéficierait le plus de [produit] ?
Quel est le principal bénéfice que vous tirez de [produit] ?
Comment pouvons-nous améliorer [produit] pour vous ?
La Q1 mesure la perte, pas la satisfaction. Les gens sont polis à propos des produits qu'ils aiment. Demander comment ils se sentiraient si le produit disparaissait filtre les utilisateurs qui en dépendent.
La Q2 laisse les fans décrire votre meilleur client. Les réponses des utilisateurs « très déçus » décrivent souvent un segment plus précisément que votre propre positionnement. Superhuman a transformé ces réponses en profil de son client à haute exigence.
La Q3 montre ce que vous vendez vraiment. Gardez les mots exacts des répondants. Ils deviennent le texte de vos titres.
La Q4 trouve le point de blocage. Elle compte surtout pour les utilisateurs « plutôt déçus » qui partagent le bénéfice principal que citent vos fans.
Modèle d'enquête de product-market fit à copier
Collez-le dans n'importe quel outil de formulaires. Gardez l'ordre : la question de notation doit venir en premier, avant que les questions de suivi ne colorent la réponse.
Objet : 2 minutes pour nous aider à améliorer [produit] ?
Bonjour [prénom],
Vous avez utilisé [produit] plusieurs fois récemment, votre avis compte donc.
Quatre questions, environ deux minutes. Il n'y a pas de bonne ou de mauvaise réponse.
1. Comment vous sentiriez-vous si vous ne pouviez plus utiliser [produit] ?
( ) Très déçu
( ) Plutôt déçu
( ) Pas déçu
( ) N/A : je n'utilise plus [produit]
2. Selon vous, quel type de personnes bénéficierait le plus de [produit] ?
[texte libre]
3. Quel est le principal bénéfice que vous tirez de [produit] ?
[texte libre]
4. Comment pouvons-nous améliorer [produit] pour vous ?
[texte libre]
Facultatif (seulement si cela change une décision) :
5. Que feriez-vous à la place si [produit] n'était plus disponible ?
[texte libre]
6. Quel est votre rôle, et combien de personnes travaillent à peu près dans votre entreprise ?
[rôle] [taille de l'entreprise]
Merci. Nous lisons chaque réponse.
L'option N/A est un ajout pratique, qui ne fait pas partie des trois réponses de Superhuman. Elle permet aux utilisateurs qui ont décroché de se signaler eux-mêmes, afin que vous puissiez les retirer du score au lieu de les compter comme « pas déçus ».
Questions facultatives pour les produits d'IA
Si l'IA fait le travail principal, ajoutez une question après la Q3 : « La dernière fois que vous avez utilisé [produit], qu'avez-vous fait du résultat ? » Proposez : utilisé tel quel / légèrement modifié / presque entièrement réécrit / écarté. Cela distingue ceux qui aiment l'idée du produit de ceux qui font confiance à sa production.
D'où vient la règle des 40 % du product-market fit ?
Sean Ellis a d'abord utilisé la question « très déçu » chez Xobni, puis l'a reprise chez Dropbox et dans des entreprises ultérieures, selon son entretien de septembre 2024 dans le podcast de Lenny (Lenny's Newsletter, 2024). L'objectif était de filtrer les utilisateurs qui tenaient vraiment au produit.
Le seuil de 40 % est venu plus tard. D'après le récit de Vohra, Ellis a comparé près d'une centaine de startups avec cette enquête et constaté que les entreprises qui peinaient à croître obtenaient presque toujours moins de 40 %, alors que celles qui avaient une forte traction dépassaient presque toujours ce seuil (First Round Review, 2018).
Trois réserves formulées par Ellis lui-même dans cet entretien de 2024 :
Il qualifie l'enquête d'indicateur avancé. Elle donne une lecture dès le premier jour, alors que les données de rétention demandent des mois.
Il ne considère pas les 40 % comme une loi fixe. Leur principale valeur est de donner à une équipe un objectif commun avant qu'elle ne dépense pour la croissance.
Des coûts de changement élevés peuvent gonfler les scores. Les gens peuvent être « très déçus » de perdre un outil simplement parce qu'en changer est pénible.
Pour avoir un point de repère : l'enquête de Hiten Shah en 2015 auprès de 731 utilisateurs de Slack a montré que 51 % seraient très déçus de s'en passer, à une époque où Slack comptait environ un demi-million d'utilisateurs payants (First Round Review, 2018).
À qui envoyer une enquête PMF ?
Interrogez les personnes qui ont récemment vécu la valeur principale. La règle de Superhuman : les utilisateurs ayant utilisé le produit au moins deux fois au cours des deux dernières semaines, tirés d'un groupe de 100 à 200 utilisateurs à l'époque (First Round Review, 2018). Ellis décrit la même règle : un échantillon aléatoire de personnes qui ont vraiment utilisé le produit plus de deux fois au cours de la dernière semaine ou des deux dernières (Lenny's Newsletter, 2024).
N'interrogez pas :
Les personnes qui se sont inscrites sans jamais atteindre le workflow principal.
Les personnes qui n'ont vu qu'une démo ou la page d'accueil.
Vos amis, vos investisseurs ou les cinq clients à qui vous parlez chaque semaine.
Ajustez la fenêtre au rythme du besoin
« Deux fois en deux semaines » convient à un outil quotidien ou hebdomadaire. Pour une tâche mensuelle comme la paie ou le reporting, utilisez « a accompli la tâche principale lors de chacun des deux derniers cycles ». Écrivez la règle avant d'envoyer l'enquête et gardez-la constante d'une vague à l'autre. Sinon, un score plus élevé peut refléter un échantillon différent, pas un meilleur produit.
Interrogez chaque personne une seule fois
Superhuman a ensuite interrogé les nouveaux utilisateurs au fur et à mesure qu'ils devenaient éligibles, sans jamais interroger quelqu'un deux fois. Les répondants récurrents apprennent ce que vous voulez entendre et dérivent dans ce sens.
De combien de réponses une enquête PMF a-t-elle besoin ?
Environ 40 réponses suffisent pour être juste dans les grandes lignes, selon les conseils que Vohra relaie de la part d'Ellis. Voici ce que cela signifie en précision. Le tableau montre la marge d'erreur à 95 % pour un score proche de 40 %, avec l'approximation normale standard :
Réponses
Marge d'erreur pour un score de 40 %
Lecture honnête de « 40 % »
20
±21 points
Quelque part entre 19 % et 61 %
40
±15 points
Quelque part entre 25 % et 55 %
100
±10 points
Quelque part entre 30 % et 50 %
200
±7 points
Quelque part entre 33 % et 47 %
400
±5 points
Quelque part entre 35 % et 45 %
Deux conséquences :
Les segments sont plus petits que les totaux. Un score de 55 % sur un segment de 25 personnes est une piste à creuser, pas un fait.
Les variations de 5 à 10 points d'une semaine à l'autre relèvent généralement du bruit avec des tailles d'échantillon de début de parcours. Cherchez une tendance sur trois vagues ou plus.
L'erreur d'échantillonnage est le moindre des problèmes. Qui a choisi de répondre compte davantage. Indiquez votre taux de réponse à côté du score.
Comment noter et analyser les résultats ?
Le score lui-même est simple :
Score PMF = réponses « très déçu » ÷ toutes les réponses qui ne sont pas N/A
Regroupez les réponses selon la réponse à la Q1. Très, plutôt et pas déçu.
Établissez le profil du groupe « très déçu ». Utilisez leurs réponses à la Q2 ainsi que les données de rôle et d'entreprise. Superhuman a constaté que ses fans étaient des fondateurs, des managers, des dirigeants et des profils de développement commercial.
Recalculez le score pour ce seul segment. Les 22 % de Superhuman sont devenus 33 % avant qu'une seule ligne de code ne change.
Lisez les réponses des fans à la Q3. Quel bénéfice unique citent-ils ? Pour Superhuman, c'était la vitesse.
Scindez le groupe « plutôt déçu ». Ne gardez que ceux qui citent le même bénéfice principal. Leurs réponses à la Q4 sont votre feuille de route pour les convertir. Mettez de côté les autres, ainsi que les réponses « pas déçu ».
Coupez la roadmap en deux. Une moitié renforce ce que les fans aiment. L'autre supprime ce qui bloque les quasi-fans.
Réinterrogez régulièrement les nouveaux utilisateurs éligibles. Superhuman a suivi le score chaque semaine, chaque mois et chaque trimestre, et a atteint 58 % en trois trimestres.
Exemple chiffré : un outil de notes d'appel vers le CRM (illustratif)
Supposons qu'une équipe de six personnes vende un outil d'IA qui transforme des appels commerciaux en mises à jour de CRM. Elle invite 310 utilisateurs qui respectent la règle des deux utilisations en deux semaines. 92 répondent (taux de réponse de 30 %) ; 6 choisissent N/A, ce qui laisse 86 réponses notées.
Réponse
Nombre
Part
Très déçu
26
30 %
Plutôt déçu
41
48 %
Pas déçu
19
22 %
30 % est sous le seuil. La segmentation par rôle raconte une autre histoire :
Segment
Très déçu
Répondants
Score
Account executives, entreprises de 20 à 200 personnes
18
34
53 %
Sales managers
5
27
19 %
Fondateurs qui vendent eux-mêmes
3
25
12 %
Treize des 18 fans citent le même bénéfice : ne plus saisir les notes d'appel dans le CRM. Neuf des 12 account executives « plutôt déçus » le citent aussi, et six de ces neuf évoquent un seul point de blocage : des champs personnalisés du CRM qui ne sont pas mappés.
La décision : se positionner pour les account executives, consacrer la moitié du prochain cycle à la vitesse de synchronisation et l'autre moitié au mapping des champs personnalisés, puis réinterroger les utilisateurs devenus éligibles six semaines plus tard. Avec 34 répondants, les 53 % comportent environ ±17 points d'erreur, de sorte que la prochaine vague confirmera ou écartera le choix de segment.
Que faire si votre score est inférieur à 40 % ?
Un score faible est une information, pas un verdict. Trois situations, trois démarches différentes :
Un segment dépasse 40 %, pas le total. Recentrez votre positionnement et votre onboarding sur ce segment, comme l'a fait Superhuman.
Aucun segment n'atteint 40 %, mais les fans s'accordent sur un bénéfice. Reconstruisez l'expérience de première utilisation autour de ce bénéfice. Ellis raconte que Lookout est parti de 7 %, a constaté que la plupart de ces 7 % appréciaient l'antivirus, a fait de la configuration de l'antivirus la première étape de l'onboarding, et a atteint 40 % en deux semaines environ, puis 60 % six mois plus tard (Lenny's Newsletter, 2024).
Les scores sont faibles et les bénéfices dispersés. Vous avez probablement un déficit de découverte du problème, pas un déficit de produit. Retournez aux entretiens avant de construire davantage. Notre guide des questions d'entretien client est un bon point de départ, et la cartographie des hypothèses vous aide à choisir quelle croyance tester en premier.
Test de Sean Ellis, NPS ou rétention : lequel utiliser ?
Ils répondent à des questions différentes. Utilisez l'enquête d'Ellis tôt, le NPS une fois la base de clients stable, et la rétention tout au long.
Enquête de Sean Ellis
Net Promoter Score
Rétention par cohorte
Question
Comment vous sentiriez-vous si vous ne pouviez plus l'utiliser ?
Dans quelle mesure recommanderiez-vous notre produit à un ami ou un collègue ? (0-10)
Les utilisateurs reviennent-ils ?
Mesure
La dépendance au produit
La volonté de recommander
Le comportement de répétition réel
Repère
40 % et plus de « très déçus »
Promoteurs (9-10) moins détracteurs (0-6)
La courbe s'aplatit avec le temps
Meilleure étape
Avant le passage à l'échelle, avant les dépenses de croissance
Après l'adéquation, pour suivre la fidélité
Toujours
Origine
Sean Ellis, popularisé par Superhuman
Frederick Reichheld, HBR, décembre 2003
Analyse de cohortes
Les définitions du NPS viennent de Bain & Company, qui détient la marque conjointement (Bain, Net Promoter System). Reichheld a présenté le score dans la Harvard Business Review en décembre 2003 (HBR, 2003).
La rétention est la confirmation tardive. Le test de Brian Balfour, cité par Lenny Rachitsky, consiste à voir si la courbe de rétention d'une cohorte s'aplatit au lieu de décliner vers zéro (Lenny's Newsletter, 2020). Pour toute la boucle de mesure, consultez notre guide du product-market fit pour l'IA.
Comment les produits d'IA doivent-ils adapter l'enquête ?
Le playbook de Bessemer pour les fondateurs d'IA utilise le même seuil de plus de 40 %, mais recommande de juger les résultats par cas d'usage plutôt que sur l'ensemble de la base d'utilisateurs (Bessemer, 2025). Si vous en êtes encore au stade du prototype, lisez d'abord du prototype codé à l'ambiance au produit finançable ; il vous faut de vrais utilisateurs récurrents avant qu'une enquête ait du sens. Trois ajustements aident :
Attendez que les curieux passent. a16z note que les produits d'IA attirent des utilisateurs qui s'inscrivent puis partent en quelques mois, et que les courbes de rétention s'aplatissent souvent autour du mois 3 (a16z, 2025). Interrogez les personnes encore actives après leur premier mois, ou présentez séparément les cohortes précoces et tardives.
Segmentez par cas d'usage. Un outil d'écriture par IA utilisé pour des e-mails commerciaux et pour des synthèses juridiques, ce sont deux produits avec deux scores.
Interrogez sur la production. Ajoutez la question « qu'avez-vous fait du résultat ? » du modèle. Les fans qui réécrivent la plupart des productions vous disent que la valeur est dans le workflow, pas dans le modèle.
Quelles sont les erreurs les plus courantes dans les enquêtes PMF ?
Interroger toutes les inscriptions. Vous mesurez l'onboarding, pas l'adéquation.
Changer la règle d'éligibilité d'une vague à l'autre. La tendance devient sans signification.
Communiquer le score sans la taille d'échantillon. « 45 % » sur 11 personnes et sur 400 personnes sont deux affirmations différentes.
Une formulation orientée. « À quel point aimez-vous notre nouvelle fonctionnalité d'IA ? » n'est pas la question d'Ellis.
Construire chaque demande de la Q4. Seuls les quasi-fans qui partagent votre bénéfice principal doivent orienter la roadmap.
Ignorer les coûts de changement. Un score élevé pour un outil pénible à quitter peut refléter un enfermement, pas de l'attachement.
Considérer les 40 % comme une ligne d'arrivée. C'est un signal pour vérifier la rétention et l'économie unitaire, pas pour arrêter d'apprendre.
Où Specky intervient
Une enquête de product-market fit n'est utile que si les réponses restent liées aux décisions qu'elles orientent. Specky intègre les réponses aux enquêtes, les notes d'entretien, les tickets de support et l'usage dans un Product Graph, pour que vous voyiez quel segment a répondu « très déçu » et ce qu'il a demandé. Alex, l'agent de recherche IA de Specky, peut ensuite mener des entretiens de suivi avec vos fans à partir d'un lien partageable.
Questions fréquentes
Qu'est-ce que le test de Sean Ellis ?
Le test de Sean Ellis est une enquête à une seule question : « Comment vous sentiriez-vous si vous ne pouviez plus utiliser [produit] ? » Si au moins 40 % des utilisateurs actifs répondent « très déçu », vous avez probablement atteint le product-market fit. Ellis a fixé ce repère après avoir comparé près d'une centaine de startups avec cette enquête. Superhuman a ensuite ajouté trois questions de suivi pour transformer le score en feuille de route.
Combien de questions une enquête de product-market fit doit-elle comporter ?
Quatre. La question d'Ellis, puis qui bénéficie le plus, le bénéfice principal et comment améliorer. N'en ajoutez une ou deux que si chaque réponse changerait une décision, comme le rôle du répondant pour la segmentation. Chaque question supplémentaire fait baisser les taux de complétion et vous pousse à n'interroger que vos utilisateurs les plus patients.
Quand une startup doit-elle lancer une enquête PMF ?
Envoyez-la quand vous avez assez d'utilisateurs ayant utilisé le workflow principal au moins deux fois en deux semaines pour recueillir environ 40 réponses. Avant, utilisez les entretiens clients. Ensuite, réinterrogez les utilisateurs nouvellement éligibles à un rythme régulier, par exemple chaque mois, et n'interrogez jamais deux fois la même personne.
40 % de « très déçu » garantissent-ils le product-market fit ?
Non. C'est une corrélation qu'Ellis a observée sur des startups, et il parle d'indicateur avancé plutôt que de preuve. Les petits échantillons varient beaucoup, et des coûts de changement élevés peuvent gonfler le score. Confirmez un résultat de 40 % ou plus par une rétention de cohorte qui s'aplatit et par des clients qui paient et renouvellent.
Quel est un bon taux de réponse à une enquête ?
Il n'existe pas de norme publiée. Ce qui compte, c'est que les répondants ressemblent à vos utilisateurs éligibles. Indiquez le taux de réponse à côté du score, comparez l'usage des répondants à celui des non-répondants et méfiez-vous si seuls vos utilisateurs les plus intensifs ont répondu, car cela gonfle la part des « très déçus ».
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