15 octobre 2026Mis à jour le Fathy Shalaby12 min de lecture
Ce que les product managers ne doivent jamais déléguer à l’IA : 7 décisions
L’IA peut rassembler des preuves, rédiger des options et défendre le point de vue opposé. Sept décisions produit exigent pourtant un responsable humain nommément désigné. Voici la liste, la règle d’approbation et une checklist.
Que ne faut-il pas déléguer à l’IA en tant que PM ? Sept décisions : quel problème mérite l’attention, ce que les clients veulent vraiment dire, quel arbitrage la roadmap accepte, ce que l’équipe ne construira pas, comment un conflit entre parties prenantes se règle, si un risque est acceptable et s’il faut poursuivre un pari. L’IA peut rassembler des preuves, rédiger des options et défendre la position inverse. Une personne nommément désignée tranche néanmoins et assume la conséquence.
L’essentiel
Les développeurs se méfient davantage des résultats de l’IA qu’ils ne leur font confiance : 46 % contre 33 %, et seulement 3 % leur font pleinement confiance (Stack Overflow, 2025, plus de 33 000 répondants).
Les ingénieurs d’Anthropic utilisent l’IA pour 59 % de leur travail, mais la plupart affirment ne pouvoir en déléguer entièrement que 0 à 20 % (Anthropic, décembre 2025).
L’AI Act européen exige que les personnes qui supervisent une IA à haut risque puissent passer outre ses résultats ou les annuler, et se prémunir contre le biais d’automatisation (article 14).
Le guide des agents d’OpenAI cite deux déclencheurs pour rendre la main à un humain : des échecs répétés, et des actions sensibles, irréversibles ou à fort enjeu.
La règle de travail : déléguer la préparation, garder la décision. Plus le risque est élevé et plus il est difficile de revenir en arrière, plus l’approbation humaine doit se situer près de l’action.
Pourquoi une recommandation de l’IA n’est-elle pas une décision ?
L’IA produit une réponse assurée à partir du contexte qu’elle reçoit. Un texte fluide masque les lacunes : une recommandation peut paraître tranchée alors que les preuves sont incomplètes, que la demande du client n’est pas représentative, que l’arbitrage n’est pas formulé et que personne n’est désigné comme responsable.
Les personnes qui utilisent le plus l’IA sont aussi les plus prudentes. Dans la Developer Survey 2025 de Stack Overflow, 84 % des répondants utilisent des outils d’IA ou prévoient de le faire, mais 46 % doutent de l’exactitude des résultats et 33 % lui font confiance (Stack Overflow, 2025). La frustration la plus courante, citée par 66 %, est un résultat presque juste, mais pas tout à fait. La recherche DORA 2025 de Google montre le même écart : 90 % de près de 5 000 professionnels de la tech utilisent l’IA au travail, mais 30 % ne font que peu ou pas du tout confiance à ses résultats ().
Les décisions produit sont plus difficiles à vérifier que du code. Un test qui échoue vous dit en quelques minutes que le code est faux. Un mauvais arbitrage de priorisation peut sembler correct pendant deux trimestres.
Qu’est-ce que le biais d’automatisation, et pourquoi les PM devraient-ils s’y intéresser ?
Le biais d’automatisation est l’habitude d’accepter un résultat parce qu’un système l’a produit. L’AI Act européen le nomme explicitement : les personnes qui supervisent une IA à haut risque doivent rester conscientes de « la tendance éventuelle à se fier automatiquement ou excessivement aux résultats » (EUR-Lex, règlement (UE) 2024/1689, article 14). Le même article précise que la personne chargée de la supervision doit pouvoir ignorer, outrepasser ou annuler le résultat, et arrêter le système en toute sécurité.
La plupart des outils pour PM ne sont pas des systèmes à haut risque au sens du règlement, mais le principe s’applique : un PM qui ne sait pas expliquer pourquoi il a accepté une recommandation n’a pas pris de décision. Il l’a simplement transmise.
Que ne faut-il jamais déléguer à l’IA en tant que product manager ?
Sept décisions produit doivent rester entre des mains humaines. L’IA peut préparer le terrain pour chacune, mais la décision repose sur un contexte, des relations ou une responsabilité qu’un modèle n’a pas.
1. Quel problème mérite l’attention de l’équipe
L’IA peut classer les signaux par fréquence ou par similarité. La fréquence n’est pas l’importance. Dix demandes d’utilisateurs gratuits peuvent peser moins qu’un seul risque de départ chez votre plus gros compte, et seule une personne qui connaît la stratégie, le calendrier et le coût d’opportunité peut en juger. Marty Cagan attribue au product manager le risque de valeur, c’est-à-dire la question de savoir si les clients achèteront ou choisiront d’utiliser le produit (SVPG, 2017).
2. Ce que le client veut vraiment dire
L’IA peut étiqueter des thèmes sur 200 transcriptions en quelques minutes. Elle ne peut pas poser la question de suivi qui distingue une solution demandée (« ajoutez un bouton d’export ») du besoin sous-jacent (« ma directrice financière a besoin de ce chiffre chaque lundi »). Gardez chaque affirmation importante reliée à la citation d’origine, et lisez la source avant d’agir sur un thème. Notre guide sur la séparation des preuves et de l’interprétation dans la synthèse de recherche par IA en présente la méthode.
3. Quel arbitrage la roadmap accepte
Un score de priorisation est une donnée d’entrée, pas un verdict. La priorisation décide qui est servi, ce qui attend, quel risque est accepté et ce que l’entreprise choisit d’apprendre. L’IA peut exécuter dix scénarios. Une personne doit en choisir un et expliquer le coût à ceux qui y perdent. Le guide de priorisation RICE explique comment utiliser un score sans le laisser décider à votre place.
4. Ce que l’équipe choisit délibérément de ne pas construire
Dire non demande de la conviction et une relation avec les personnes qui ont fait la demande, et c’est d’autant plus important qu’un prototype peut désormais tenir en un après-midi. L’analyse de Pendo portant sur 615 abonnements logiciels a montré qu’environ 80 % des fonctionnalités sont rarement, voire jamais utilisées (Pendo, 2019). Construire à moindre coût risque d’augmenter cette part, pas de la réduire. Nous abordons la conversation elle-même dans comment dire non à « on peut construire ça en une heure avec l’IA ».
5. Comment un conflit entre parties prenantes est résolu
L’IA peut cartographier des objectifs concurrents et rédiger trois options de compromis. Elle ne peut pas tenir la relation entre le produit, un client clé, un responsable commercial et l’ingénierie quand la réponse en déçoit un. Dans sa lettre aux actionnaires de 2016, Jeff Bezos recommande qu’un dirigeant convaincu mais sans consensus exprime son désaccord, puis s’engage (« disagree and commit ») (Amazon, 2016). Cela ne fonctionne que si une personne prend l’engagement.
6. Si un risque est acceptable
La vie privée, la sécurité, la sûreté, la conformité, la fiabilité et les actions irréversibles exigent qu’un humain responsable accepte le risque. L’IA peut décrire le risque. Elle ne devrait jamais l’accepter en silence. Cela vaut aussi pour ce que l’IA construit : Veracode a testé plus de 100 modèles de langage et constaté que 45 % des échantillons de code générés introduisaient une vulnérabilité de l’OWASP Top 10, sans que la sécurité s’améliore avec la taille du modèle (Veracode, 2025).
7. Si un pari produit est toujours d’actualité
L’IA peut comparer les métriques de lancement à l’hypothèse. Mais poursuivre, resserrer, suspendre ou abandonner le pari met en jeu les coûts irrécupérables, le moral de l’équipe, les promesses faites aux clients et la prochaine opportunité. CB Insights a constaté que 43 % des 431 startups financées par du capital-risque qui ont fermé depuis 2023 citaient un mauvais product-market fit (CB Insights, 2026). Arrêter tôt le mauvais pari fait partie du métier de PM, et cela exige un responsable qui le dise à voix haute.
Les sept décisions en un coup d’œil
Décision
Ce que l’IA peut faire
Ce dont l’humain reste responsable
Généralement réversible ?
Choix du problème
Regrouper et compter les signaux
Peser stratégie, timing et coût d’opportunité
En partie
Sens client
Étiqueter des thèmes, extraire des citations
Les questions de suivi et le besoin derrière la demande
Oui
Arbitrage de roadmap
Noter et comparer des scénarios
Choisir qui attend et pourquoi
En partie
Ne pas construire
Générer des alternatives
Dire non et préserver la confiance
Oui
Conflit entre parties prenantes
Cartographier les positions, rédiger des options
La relation et la décision finale
En partie
Acceptation du risque
Décrire les risques et les modes de défaillance
Accepter ou rejeter le risque
Souvent non
Poursuite du pari
Comparer les résultats à l’hypothèse
Poursuivre, resserrer, suspendre ou arrêter
En partie
Que peuvent déléguer sans risque les product managers à l’IA ?
Déléguez le travail dont un humain peut vérifier le résultat par rapport à sa source avant qu’il ne modifie une roadmap, une promesse faite à un client ou un système en production. Bons candidats :
Résumés de réunions et d’appels avec des liens vers l’enregistrement ou la transcription
Regroupement et déduplication des retours clients
Premières versions de synthèses de recherche, de PRD et de notes de version
Questions d’entretien possibles et hypothèses alternatives
Brouillons de critères d’acceptation à relire
Mises à jour du journal de décisions et préparation des rapports d’avancement
Contrôles des champs manquants, des preuves périmées ou d’une terminologie incohérente
Ces tâches ont en commun la possibilité d’être relues. L’étude d’Anthropic sur ses propres équipes est un bon point de repère : ingénieurs et chercheurs utilisaient Claude pour 59 % de leur travail, contre 28 % un an plus tôt, et déclaraient un gain de productivité de 50 %, mais plus de la moitié disaient ne pouvoir déléguer entièrement que 0 à 20 % de leur travail (Anthropic, 2025). Usage intensif et délégation limitée font très bon ménage. La méthode complète pour trier les tâches se trouve dans ce que les product managers devraient automatiser avec l’IA.
Comment décider quand un humain doit approuver un résultat de l’IA ?
Appliquez une seule règle : plus le risque, l’irréversibilité, l’ambiguïté et l’impact sur les relations sont élevés, plus l’approbation humaine doit se situer près de l’action.
Le guide d’OpenAI sur la création d’agents donne deux déclencheurs pour passer la main à une personne : le dépassement d’un seuil d’échec, par exemple une demande mal comprise plusieurs fois, et les actions à haut risque, sensibles, irréversibles ou à fort enjeu, comme l’annulation de commandes ou l’autorisation de remboursements importants (OpenAI, 2025). Il recommande aussi de classer chaque outil que l’agent peut utiliser en risque faible, moyen ou élevé, selon l’accès en lecture ou en écriture, la réversibilité, les autorisations et l’impact financier.
L’idée de Bezos des portes à double sens complète le tableau. De nombreuses décisions sont réversibles et méritent un processus léger ; la plupart peuvent être prises avec environ 70 % des informations que l’on voudrait avoir. Réservez la revue approfondie aux portes à sens unique. Notre cadre de réversibilité pour les décisions produit montre comment les distinguer.
Un score d’approbation à quatre facteurs
Notez chaque résultat préparé par l’IA de 1 (faible) à 3 (élevé) sur quatre facteurs, puis additionnez.
Facteur
1
2
3
Risque en cas d’erreur
Cosmétique
Agace les utilisateurs ou fait perdre un sprint
Exposition financière, données, sécurité ou juridique
Réversibilité
Annulation en quelques minutes
Annulation en quelques jours
Impossible à annuler
Ambiguïté
Source et règle claires
Une part d’interprétation
Preuves ou stratégie contestées
Impact sur les relations
Interne uniquement
Un client ou une équipe
Nombreux clients ou engagement public
4–6 : automatisez et contrôlez par échantillonnage chaque semaine.
7–9 : l’IA rédige, et le PM relit avant toute mise en production.
10–12 : l’IA prépare uniquement les preuves et les options. Un responsable nommément désigné décide et consigne son raisonnement.
Ces seuils sont un point de départ, pas une norme.
Exemple chiffré (illustratif)
Imaginons une équipe de six personnes qui utilise l’IA pour trier 140 retours par mois. L’étiquetage et la déduplication obtiennent 5 : risque faible, réversible en quelques minutes, règles claires, usage interne. Cela tourne automatiquement, et le PM contrôle 10 éléments par échantillonnage chaque vendredi.
La même IA recommande ensuite de retirer une fonctionnalité de reporting utilisée par 12 % des comptes. Elle obtient 11 : les utilisateurs perdent des données, le changement est difficile à annuler, les preuves d’usage sont contestées et de nombreux clients sont touchés. L’IA constitue le dossier de preuves. Le PM interroge trois clients concernés, prend la décision et consigne ses raisons.
Checklist : avant d’accepter une recommandation de l’IA
Copiez-la dans votre modèle de décision.
Je peux citer les sources sur lesquelles repose cette recommandation, et j’en ai ouvert au moins une.
Je sais de quelles hypothèses elle dépend et quelles preuves la contredisent.
J’ai demandé à l’IA le meilleur argument contre sa propre réponse.
Les citations de clients sont réelles et liées, et non reformulées en quelque chose de nouveau.
Je l’ai notée selon le risque, la réversibilité, l’ambiguïté et l’impact sur les relations.
Une personne nommément désignée assume la conséquence, et cette personne n’est pas « l’IA ».
La décision et sa raison sont consignées par écrit.
Une date est fixée pour vérifier si la décision était la bonne.
Si la ligne sur la responsabilité est vide, la décision n’est pas prête. Un modèle de journal de décisions produit transforme les deux dernières cases en tâche de deux minutes.
Quelles sont les erreurs les plus courantes ?
Prendre un résumé pour la source. Le résumé de 40 entretiens est une affirmation sur ces entretiens. Vérifiez des citations par échantillonnage avant qu’elles n’arrivent dans une roadmap.
Déléguer par imprécision. « Priorise notre roadmap » n’est pas une tâche que l’IA peut bien accomplir. C’est une décision à laquelle il manque des données d’entrée. Confiez à l’IA des tâches étroites dont vous pouvez vérifier le résultat.
Laisser le volume dicter l’agenda. L’IA rend les idées, les specs et les prototypes bon marché. L’enquête 2026 de Product Institute auprès de 309 responsables produit a montré que seuls 17 % citaient la planification stratégique et la roadmap comme un domaine où l’IA a un fort impact, contre 50 % pour l’ingénierie et le développement (Product Institute, 2026). La production a grandi plus vite que la réflexion qui la sous-tend.
Pas de responsable après le lancement. La décision de continuer ou d’arrêter est celle qu’on saute le plus souvent, car aucune réunion ne l’impose. Inscrivez la date de revue au calendrier dès la mise en production.
La surcorrection. Refuser de tout déléguer fait perdre un temps que l’IA peut vous rendre. La note de Martin Fowler sur l’ingénierie agentique trouve l’équilibre : « Humans are still responsible for what the software does and how it works » (Fowler, 2026).
Où Specky intervient
Specky s’occupe du côté préparation de ces décisions. Il lit les appels clients, les retours, Slack, Jira et les analytics pour les intégrer à un Product Graph : un PRD ou une recommandation rédigés par l’IA arrivent donc avec des citations en ligne renvoyant aux conversations qui les fondent. Les brouillons arrivent dans le PM Inbox pour relecture humaine au lieu de partir directement, et le Decision Log consigne qui a décidé quoi et pourquoi. L’IA fait la recherche et le premier jet. Vous gardez la décision.
Questions fréquentes
Que ne faut-il jamais déléguer à l’IA en tant que product manager ?
Le choix du problème, l’interprétation des retours clients, les arbitrages de roadmap, la décision de ne pas construire, les conflits entre parties prenantes, l’acceptation du risque et la décision de poursuivre ou d’arrêter un pari. L’IA peut préparer des preuves et des options pour chacun, mais ces décisions dépendent d’une stratégie, de relations et d’une responsabilité qu’un modèle n’a pas. Désignez un responsable humain pour chacune d’elles.
L’IA peut-elle prioriser une roadmap produit ?
L’IA peut noter des éléments, exécuter des scénarios et montrer quelles preuves étayent chaque option. Elle ne devrait pas fixer l’ordre final. La priorisation décide qui attend et quel risque l’entreprise accepte, et quelqu’un doit l’expliquer aux personnes concernées. Considérez les scores de l’IA comme un élément parmi d’autres, aux côtés des preuves clients, de la stratégie et du coût d’ingénierie.
Les PM peuvent-ils se fier aux résumés de retours clients produits par l’IA ?
Fiez-vous-y comme point de départ, pas comme preuve. Les résumés peuvent fusionner des plaintes différentes ou perdre le contexte. Gardez chaque affirmation importante reliée à la transcription, au ticket ou à la métrique d’origine, et vérifiez un échantillon avant qu’un résumé n’influence une décision de roadmap.
Que signifie human-in-the-loop en product management ?
Cela signifie qu’une personne nommément désignée relit et valide une décision ou une action préparée par l’IA avant qu’elle ne crée un engagement envers un client, sur le plan stratégique, financier ou en production. Le relecteur doit pouvoir comprendre le résultat, le rejeter ou l’annuler, et arrêter le processus. Cela rejoint ce qu’exige l’article 14 de l’AI Act européen pour les systèmes d’IA à haut risque.
Quelle part du travail d’un PM l’IA peut-elle faire ?
Beaucoup de la préparation et peu de la décision. Les ingénieurs d’Anthropic ont utilisé l’IA pour 59 % de leur travail en 2025, mais la plupart disaient ne pouvoir en déléguer entièrement que 0 à 20 %. Pour les PM, la synthèse de recherche, la rédaction et le suivi passent à l’IA, tandis que le choix du problème, les arbitrages et la responsabilité restent humains. Notre analyse de données se demande si l’IA peut remplacer les product managers.
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