6 août 2026Mis à jour le Fathy Shalaby13 min de lecture
Quand utiliser l'IA dans une fonctionnalité produit : un test en 4 questions
Un test pratique pour décider quand un modèle apporte une vraie valeur à une fonctionnalité, quand une règle suffit, et quoi évaluer avant la mise en production.
Savoir quand utiliser l'IA dans un produit se résume à quatre vérifications. Utilisez un modèle quand l'entrée est vraiment désordonnée ou variable, quand un modèle bat une règle plus simple sur un résultat qui compte pour les utilisateurs, quand les erreurs sont peu coûteuses ou faciles à repérer, et quand vous pouvez le tester sur des exemples réels. Si une réponse est non, commencez par une règle, une requête ou une personne.
Points clés
Les Rules of Machine Learning de Google s'ouvrent sur la Rule #1 : n'ayez pas peur de lancer un produit sans machine learning (Google).
Le conseil d'Anthropic pour les applications LLM est de trouver la solution la plus simple qui fonctionne, ce qui « peut signifier ne pas construire de systèmes agentiques du tout » (Anthropic, 2024).
La confiance n'est pas acquise : 46 % des développeurs disent se méfier de l'exactitude des outils d'IA et 33 % lui font confiance, et 66 % sont frustrés par des réponses presque justes, mais pas tout à fait (Stack Overflow, 2025).
Le People + AI Guidebook de Google recense des cas où l'IA n'est probablement pas meilleure : quand la prévisibilité compte, quand les erreurs coûtent cher ou quand une transparence totale est exigée (Google PAIR).
Rédigez un brief de fonctionnalité IA d'une page avant le prompt : utilisateur, preuves, limite, parcours d'échec, évaluation et responsable.
Quand une fonctionnalité produit doit-elle utiliser l'IA ?
Partez du travail de l'utilisateur, pas du modèle. L'IA tend à aider quand une tâche implique du texte libre, des images, un contexte incomplet ou de nombreux cas légèrement différents qu'une personne interprète aujourd'hui à la main, et quand le résultat peut être vérifié sans risque. Une règle stable peut être plus simple. Une décision à fort enjeu peut exiger qu'une personne garde la main.
L'équipe PAIR de Google, qui a rédigé le People + AI Guidebook, le dit clairement : dans de nombreux cas, une solution plus simple fonctionne tout aussi bien qu'une version avec IA, et elle est plus facile à construire, à expliquer, à déboguer et à maintenir. Son guide suggère de remplacer « Pouvons-nous utiliser l'IA pour faire X ? » par « Comment pourrions-nous résoudre X ? », puis de se demander si l'IA le résout d'une manière unique.
Le guide recense des situations où l'IA est probablement meilleure que des règles :
recommander des contenus différents à des utilisateurs différents
prédire des événements futurs, comme le prix d'un vol
une personnalisation qui améliore l'expérience, comme un thermostat qui apprend les habitudes
la compréhension du langage naturel
la reconnaissance d'une classe générale d'objets, comme des éléments sur des photos
la détection d'événements rares qui évoluent dans le temps, comme la fraude
Le même chapitre énumère où l'IA n'est probablement pas meilleure : préserver la prévisibilité (un bouton Annuler doit rester à sa place), les informations statiques ou limitées comme un formulaire de paiement par carte, la réduction des erreurs coûteuses, la transparence totale, l'optimisation de la vitesse et du faible coût avant tout le reste, et les tâches que les gens disent ne pas vouloir voir automatisées.
Comment décider quand utiliser l'IA dans un produit ?
Pour décider quand utiliser l'IA dans un produit, posez ces quatre questions dans l'ordre avec la personne qui porte le problème : un product manager, un fondateur, un product engineer ou la personne qui briefe un agent de codage IA.
1. Le problème de l'utilisateur est-il réellement variable ?
Notez l'entrée et la décision que la fonctionnalité doit prendre. Regardez de vrais exemples issus du workflow : des demandes récentes au support, des notes d'entretiens, des formulaires soumis ou d'autres signaux représentatifs.
Si l'entrée est structurée et la correspondance stable, commencez par une base de référence déterministe, comme une règle, une requête ou un workflow ordinaire. Si des personnes doivent interpréter du texte libre, des images ou un contexte incomplet, un modèle peut aider face à la variabilité.
C'est un test, pas une interdiction de l'IA sur les données structurées. La Rule #3 de Zinkevich dit de choisir le machine learning plutôt qu'une heuristique complexe dès que vous avez des données, car une heuristique simple se livre vite, tandis qu'une heuristique complexe devient impossible à maintenir. L'important est de nommer ce que le modèle apporte qu'une approche plus simple n'apporte pas.
2. L'IA améliore-t-elle le résultat par rapport à une option plus simple ?
Nommez l'amélioration du point de vue de l'utilisateur. Cela peut être de réduire un tri manuel répété, de faciliter la revue d'un grand ensemble de preuves ou de permettre à un utilisateur de décrire une tâche en langage naturel. « Cela utilise l'IA » n'est pas un résultat.
Comparez la fonctionnalité envisagée à une alternative réaliste : le workflow actuel, une version à base de règles ou une personne qui fait la tâche. Notez les compromis en matière de latence, de coût, de prévisibilité, d'accessibilité et de maintenance. Anthropic note que les systèmes agentiques sacrifient souvent latence et coût pour de meilleures performances, et que les tâches bien définies sont généralement mieux servies par des workflows prévisibles. Si la version IA n'améliore pas un résultat utilisateur significatif, gardez la version plus simple.
Zinkevich ajoute une mise en garde sur les données : un modèle emprunté à un autre problème et retouché pour votre produit sera probablement moins performant que de simples heuristiques. Pas de données signifie généralement pas encore de modèle.
3. Que se passe-t-il quand le modèle se trompe ?
Listez les modes d'échec plausibles et ce que chacun coûte à l'utilisateur. Un résumé en brouillon à retoucher ne présente pas le même risque qu'un modèle qui modifie des accès, calcule une facture ou envoie un message au nom de quelqu'un.
Les quasi-réussites sont les plus coûteuses. Dans l'enquête Stack Overflow 2025, la plus grande frustration, citée par 66 % des développeurs, était une sortie d'IA presque juste, et 45 % ont dit que le débogage du code généré par l'IA prend plus de temps. Une mauvaise réponse qui a l'air juste coûte du temps de revue ; une réponse fausse avec aplomb que personne ne relit coûte de la confiance.
Choisissez le contrôle en fonction de la conséquence :
Gardez la sortie comme une suggestion lorsqu'une personne peut la relire.
Montrez les preuves ou les entrées derrière une recommandation quand cela aide l'utilisateur à juger.
Prévoyez une solution de repli claire ou un moyen simple de corriger le résultat.
Orientez les cas incertains ou lourds de conséquences vers une personne.
Rendez les actions automatisées réversibles et consignez ce que le système a fait.
Les Guidelines for Human-AI Interaction de Microsoft, validées dans un article de CHI 2019, couvrent la façon dont un système doit se comporter à la première utilisation, en usage courant, dans la durée, et quand il se trompe inévitablement (Microsoft Research). Pour les décisions à fort impact, il faut aussi une revue propre au domaine ; une liste de contrôle générique sur l'IA ne remplace pas une revue juridique, de sécurité ou d'expertise métier. Le guide sur les décisions d'IA bornées montre comment rédiger le passage de relais.
4. L'équipe peut-elle l'évaluer avec des exemples représentatifs ?
Avant la mise en production, rassemblez des exemples qui reflètent les entrées attendues, les cas limites importants et la façon dont les utilisateurs formulent ou combinent leurs demandes. Étiquetez le résultat attendu ou les critères qu'un relecteur utilisera. Comparez le comportement de l'IA à la base de référence plus simple sur les mêmes cas.
Définissez un critère de mise en production avant de voir les résultats : quelles erreurs sont inacceptables, quelles sorties exigent une revue humaine et quelle qualité suffit pour un déploiement limité. Après le lancement, suivez les corrections, l'usage du repli, les signalements d'échec, la latence, le coût et le résultat que la fonctionnalité devait améliorer.
Il n'existe pas de nombre universel d'exemples qui rende une fonctionnalité sûre. L'ensemble doit être assez vaste et varié pour la décision en jeu, avec ses lacunes consignées par écrit. Le cadre d'évaluation de l'IA pour les équipes produit détaille pas à pas les jeux de données, les grilles et les évaluateurs.
IA, règles ou personne : que choisir ?
Situation
Bonne première option
Ce qu'il faut vérifier
Entrée stable et règle connue et répétable
Règle ou workflow
La règle couvre les cas réels et a un responsable clair
Une règle existe mais s'est transformée en dizaines d'exceptions
Modèle, une fois que vous avez des données
Le modèle bat la règle sur les mêmes cas étiquetés
Entrée désordonnée ; une personne peut relire un brouillon utile
Assistance par IA
Les utilisateurs peuvent le corriger, et le brouillon fait gagner du temps sans masquer ses sources
Un modèle peut effectuer une action limitée et réversible
Automatisation bornée
Périmètre, permissions, repli, journalisation et retour arrière sont définis
Tâche ouverte, en plusieurs étapes, aux étapes imprévisibles
Agent, si la latence et le coût sont acceptables
Chaque étape est observable et une personne peut arrêter l'exécution
Le problème utilisateur ou les preuves d'évaluation sont flous
Discovery ou prototype
Apprenez auprès de vrais utilisateurs avant de vous engager dans l'automatisation en production
Ce tableau cadre la décision ; il ne la prend pas à la place de l'équipe. Une fonctionnalité IA doit avoir un utilisateur nommé, un vrai travail à accomplir, une base de référence plus simple et un moyen de détecter quand elle ne fonctionne pas.
L'IA doit-elle automatiser la tâche ou augmenter la personne ?
Le PAIR Guidebook trace une seconde ligne que les quatre questions ne couvrent pas : savoir si les gens veulent seulement que la tâche soit faite à leur place. Il suggère d'automatiser les tâches difficiles, désagréables ou qui exigent de l'échelle, idéalement là où les personnes qui les font aujourd'hui s'accordent sur la bonne réponse. Il suggère d'augmenter les tâches que les gens aiment, qui apportent du capital social, ou pour lesquelles les avis divergent sur ce qu'est un résultat correct.
Automatiser
Augmenter
La tâche paraît
Fastidieuse, répétitive, à fort volume
Créative, exigeant du jugement, valorisée personnellement
Bonne réponse
Partagée par ceux qui la font aujourd'hui
Contestée ou personnelle
Le succès ressemble à
Moins de temps passé, moins d'erreurs
Plus de maîtrise, meilleur résultat, plus de confiance
Exemple en travail produit
Dédoublonner les retours, étiqueter des tickets
Choisir quoi construire, rédiger le positionnement
Les équipes produit ont tendance à sur-automatiser la seconde colonne. La priorisation, le positionnement et la décision finale sur une spec sont des tâches à augmenter. La liste de ce que les product managers ne devraient jamais déléguer à l'IA les passe en revue une à une.
Un exemple détaillé : organiser les retours clients
Il s'agit d'un workflow illustratif, pas d'un cas client Specky ni d'un résultat rapporté. Disons qu'une équipe de 5 personnes reçoit environ 400 retours en texte libre par mois via le support, les appels commerciaux et un widget dans l'application. Aujourd'hui, une personne passe environ 6 heures par mois à les étiqueter, et l'équipe veut repérer les thèmes récurrents et décider quoi explorer ensuite.
Posez les quatre questions :
Variable ? En partie. Environ 70 % des éléments mentionnent par son nom un domaine produit connu, qu'une règle de mots-clés peut étiqueter. Le reste décrit des problèmes avec les mots du client.
Mieux que plus simple ? Seulement pour les 30 % restants. Un modèle peut suggérer des thèmes et joindre les extraits d'origine qui les appuient. Les comptages exacts pour les étiquettes connues restent de simples requêtes.
Coût d'une erreur ? Faible, si une personne relit les thèmes suggérés avant qu'ils ne deviennent des décisions de roadmap et peut les fusionner, les renommer ou les rejeter.
Évaluable ? Oui. L'équipe étiquette à la main 100 éléments passés et vérifie si les thèmes du modèle préservent des différences importantes, comme « l'export est lent » et « il manque un format à l'export ».
Le résultat est un hybride : une règle pour les 70 %, des suggestions d'IA pour les 30 %, et une personne qui décide de ce qui compte. Le modèle organise le langage ambigu ; il ne décide pas de ce que l'équipe construit. L'équipe suit ensuite le temps de revue par rapport à la base de 6 heures et la fréquence à laquelle les relecteurs corrigent un thème. Si les corrections restent au-dessus de, disons, 1 sur 4 après un mois, elle revient à l'étiquetage manuel pour cette part. Le modèle de synthèse d'entretiens clients décrit plus en détail l'étape de revue.
Brief de fonctionnalité IA à copier
Utilisez ce court brief avant d'écrire un prompt ou de confier du travail à un agent de codage IA :
Utilisateur et besoin : qui essaie de faire quoi ?
Preuves : quels exemples réels montrent que ce problème se produit ?
Tâche de l'IA : quelle entrée le modèle reçoit-il, et quelle sortie peut-il renvoyer ?
Pourquoi l'IA : qu'apporte le modèle par rapport à la base de référence utile la plus simple ?
Limite : que ne doit jamais décider ou faire le modèle ?
Parcours d'échec : comment l'utilisateur remarquera-t-il un mauvais résultat, le corrigera-t-il ou s'en remettra-t-il ?
Évaluation : quels exemples et cas limites les relecteurs utiliseront-ils ?
Critère de mise en production : que doit-il être vrai avant le déploiement, et qu'est-ce qui déclenche une pause ?
Indicateur de succès : quel résultat utilisateur doit s'améliorer, et quels compromis seront suivis ?
Responsable : qui examine la fonctionnalité après sa mise en ligne ?
Pour celles et ceux qui construisent avec des outils de codage IA, gardez le problème utilisateur et le comportement séparés des choix d'implémentation. Le Spec Kit de GitHub, par exemple, accompagne une spécification de fonctionnalité de la planification à l'implémentation, et inclut un processus pour décider si une idée mérite seulement un investissement (GitHub Spec Kit). Une spec facilite la revue de l'intention ; elle ne prouve pas que le code généré ou la sortie du modèle est correct. Le guide du PRD couvre le reste du document.
Erreurs courantes au moment de décider d'utiliser l'IA
Partir de la technologie. Les entretiens de RAND avec 65 praticiens de l'IA ont cité le fait de se concentrer sur la dernière technologie plutôt que sur de vrais problèmes d'utilisateurs comme l'une des cinq causes profondes d'échec des projets d'IA (RAND, 2024). Notre analyse de pourquoi le chiffre de 95 % sur les pilotes d'IA est trompeur traite le reste.
Sauter la base de référence. Si personne n'a chronométré le processus manuel, personne ne peut dire que la version IA est meilleure.
Traiter des exemples synthétiques comme une preuve. Les cas de test générés élargissent la couverture ; ils ne montrent pas que les vrais utilisateurs en tireront profit.
Cacher l'incertitude. Une réponse assurée sans sources apprend aux utilisateurs soit à lui faire trop confiance, soit à ignorer la fonctionnalité.
Pas de plan de sortie. Chaque fonctionnalité IA a besoin d'un responsable nommé et d'une condition dans laquelle elle est ramenée à la version plus simple.
Même un bon test a ses limites. Certaines fonctionnalités paraissent marginales en pilote et ne deviennent précieuses que lorsque l'usage accumule les données dont un modèle a besoin, le schéma que décrit la Rule #3 de Zinkevich. Consignez-le comme une raison de revenir dessus, pas comme une raison de livrer maintenant.
Comment gérer le risque d'une fonctionnalité IA après le lancement ?
La décision d'utiliser l'IA n'est pas terminée quand la fonctionnalité passe une évaluation avant lancement. Les entrées, le comportement des utilisateurs, les modèles et le workflow environnant changent tous. Confiez à quelqu'un la responsabilité de revoir la qualité et les erreurs après la mise en production, et réexaminez la base de référence plus simple quand la fonctionnalité change ou que les preuves ne soutiennent plus sa valeur.
Le NIST AI Risk Management Framework, publié le 26 janvier 2023 et destiné à un usage volontaire, aide les équipes à organiser les questions de fiabilité à travers la conception, le développement, l'utilisation et l'évaluation (NIST). Le NIST a ajouté un profil pour l'IA générative, NIST-AI-600-1, le 26 juillet 2024. Aucun des deux ne certifie une fonctionnalité ni ne remplace une évaluation propre au produit.
Où Specky intervient
Le brief ci-dessus repose sur des preuves : des exemples réels, une base de référence et une trace de la raison pour laquelle l'équipe a choisi l'IA. Specky lit les appels clients, les retours, Slack, Jira et les analytics dans un Product Graph et rédige des specs dont les preuves sont citées en ligne, de sorte que la raison d'utiliser un modèle accompagne la spec. Vous pouvez commencer sans lui : le générateur de PRD gratuit transforme le brief en premier brouillon.
Questions fréquentes
Quand une fonctionnalité produit doit-elle utiliser l'IA ?
La règle courte pour savoir quand utiliser l'IA dans un produit : utilisez-la quand la tâche présente une vraie variabilité, comme du texte libre ou des images, quand un modèle bat une base de référence plus simple sur un résultat utilisateur, quand les erreurs sont peu coûteuses ou relisibles, et quand vous pouvez le tester sur des exemples représentatifs. Utilisez un workflow déterministe quand la logique est stable et plus facile à expliquer ou à maintenir.
Quand ne faut-il pas utiliser l'IA dans un produit ?
Évitez l'IA là où la prévisibilité compte le plus, où l'information est statique, où les erreurs sont très coûteuses, où une transparence totale est exigée ou quand les utilisateurs disent ne pas vouloir que la tâche soit automatisée. Le People + AI Guidebook de Google recense ces cas, et ses Rules of Machine Learning recommandent de lancer sans machine learning quand vous manquez de données.
Comment les équipes produit évaluent-elles une fonctionnalité IA ?
Utilisez des exemples représentatifs, définissez les critères de revue avant de tester, comparez le modèle au workflow actuel ou à base de règles et vérifiez les cas limites importants. Après le lancement, surveillez les corrections, les échecs, la latence, le coût et le résultat utilisateur. Gardez les cas à haut risque sous revue humaine jusqu'à ce que les preuves justifient davantage d'automatisation.
Un agent de codage IA doit-il décider si une fonctionnalité a besoin d'IA ?
Non. Un agent de codage peut aider à explorer des options ou à rédiger un plan d'implémentation, mais l'équipe produit doit porter le problème utilisateur, les preuves, les limites de risque et la décision de mise en production. Donnez à l'agent un brief où ces décisions sont déjà prises, pour qu'il implémente le comportement convenu au lieu d'en inventer un.
Que faire s'il n'y a pas encore assez de données réelles ?
Traitez le manque de preuves comme une tâche de discovery. Interrogez des utilisateurs, observez le workflow actuel ou prototypez l'expérience avec des limites claires. Ne présentez pas des exemples synthétiques comme la preuve que la fonctionnalité fonctionnera pour de vrais utilisateurs. Lancer avec une règle simple et collecter des données est souvent le chemin le plus rapide vers un modèle utile.
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