Créer une synergie entre IA et product management

L’IA peut renforcer fortement votre entreprise en érigeant une véritable barrière concurrentielle, qui la rend bien plus difficile à copier. L’IA fait partie du petit nombre de technologies capables de déclencher un effet de réseau pour une organisation, un produit ou un service. Elle y parvient en transformant les données clients en améliorations produit que d’autres, faute d’accès à ces données, ne peuvent pas reproduire. L’effet de réseau est l’ingrédient clé des positions dominantes dans la tech. Bien mise en œuvre, l’IA peut propulser une entreprise vers un niveau de performance exceptionnel et l’aider à s’y maintenir, en tenant les concurrents tardifs à distance.

Pour autant, bâtir une entreprise réellement portée par l’IA exige bien plus que d’ajouter des briques d’IA à votre produit. Il faut déclencher un cercle vertueux : vos modèles doivent exploiter des données exclusives et difficiles d’accès pour améliorer le produit, et l’amélioration du produit doit à son tour générer davantage de données propriétaires pour améliorer encore les modèles. C’est cette boucle de rétroaction positive qui constitue la base de tout effet de réseau.

Toutefois, cette boucle ne se matérialise pas sans effort. Deux aspects clés nécessitent une attention particulière pour se transformer en une entreprise centrée sur l’IA qui exploite les données clients.

1. L’amélioration des performances du modèle devrait accroître la valeur perçue du produit.

Comprendre ce que vos clients perçoivent comme la valeur d'un produit est absolument essentiel. Au fur et à mesure que vous obtenez vos données auprès des clients, un modèle supérieur devrait augmenter la base de clients et augmenter l'engagement des clients avec le produit (fournissant ainsi plus de données à mesure que les performances du modèle augmentent) ou les deux. Le scénario devient plus complexe lorsque plusieurs modèles améliorent divers aspects de votre produit.

Négliger les points de valeur clés et investir dans des modèles d'IA qui ne servent que des points de valeur secondaires peut rendre votre cycle d'IA inférieur à celui des derniers entrants qui l'ont réussi. Une autre entreprise peut établir un cycle d’IA supérieur et vous exclure du marché. Il est essentiel de se rappeler que les produits d'IA ont tendance à suivre le principe « le gagnant remporte tout », et que le deuxième meilleur produit pourrait générer des rendements bien inférieurs à ceux du premier – pensez à la recherche Google et à Bing.

Par conséquent, votre stratégie et vos pratiques en matière d’IA doivent être principalement axées sur le produit. Vos ingénieurs et chercheurs en apprentissage automatique doivent systématiquement évaluer chaque initiative d’IA par rapport à la proposition de valeur et à la conception du produit. Même les modèles les plus performants qui ne contribuent pas à la valeur perçue du produit consomment simplement des efforts inutilement.

2. Un produit de qualité supérieure devrait générer plus de données pour améliorer vos modèles.

Identifier les points de valeur perçus est crucial mais pas suffisant. L'engagement des clients avec le produit doit fournir de nombreuses données que vous pouvez utiliser pour entraîner davantage vos modèles d'IA. Pour y parvenir, gardez deux facteurs à l’esprit.

Premièrement, les données proviennent de l’interaction du client avec votre produit. Le parcours client dicte ces points d'interaction et leur séquence : un plan de conception de produit décrivant comment le client tirera de la valeur de son interaction avec votre produit. Pour une entreprise d'IA, votre parcours client doit être axé sur les données : vos chefs de produit et vos équipes doivent donner la priorité à la génération de données à chaque étape du processus de conception de produit.

Deuxièmement, les données doivent être applicables pour affiner vos modèles d'apprentissage automatique existants. Les performances de ces modèles contribuent à la valeur perçue du produit, vous avez donc besoin de les améliorer avec un nombre accru d'utilisateurs et d'engagement. Si votre équipe produit élabore un parcours client qui génère des données impropres à l’équipe IA pour améliorer les modèles, votre cycle vertueux de l’IA s’arrête, laissant votre entreprise vulnérable aux concurrents tardifs qui créent un produit similaire mais conçoivent un meilleur parcours client.

Les entreprises d’IA qui réussissent reposent sur une collaboration fluide entre les équipes produit et les équipes IA. Cette coopération exige une compréhension mutuelle : l’équipe IA doit saisir la proposition de valeur du produit, la démarche de customer development, les travaux de recherche utilisateur en cours ou à venir, les résultats des tests A/B et les principales méthodes de management produit. De son côté, l’équipe produit doit comprendre quels types de données améliorent les modèles de l’entreprise, quels sont les problèmes actuels de qualité et de volume de données, où se situent les biais potentiels et quelles données supplémentaires pourraient améliorer les performances des modèles en place.

Cette relation entre l'IA et les équipes produit n'est pas un événement ponctuel ; cela doit être cyclique. Nous proposons ici une liste de contrôle pour les équipes d'IA et de produits afin de garantir que ce cycle coopératif fonctionne et que l'entreprise maintient un cycle de développement de produits d'IA robuste.

Liste de contrôle pour l'équipe IA

Pour l'auto-évaluation, l'équipe d'IA doit systématiquement vérifier les questions suivantes :

1. Quelle est la proposition de valeur de notre produit ? À quels problèmes notre produit répond-il ?
2. Que perçoivent les clients comme points de valeur clés de notre produit ? Quels sont les plus critiques ? Comment savons-nous cela ? Disposons-nous de données et de recherches étayant notre compréhension ?
3. Nos modèles améliorent-ils directement les points de valeur perçus ?
4. Comment mesurer l’impact de nos modèles sur la valeur perçue du produit ? Quelle métrique de produit devrait être améliorée avec des performances de modèle accrues pour chacun de nos modèles d'IA ?
5. Utilisons-nous les points de valeur perçus des produits pour planifier et prioriser nos nouvelles initiatives d'IA ?
6. Nos efforts d’apprentissage automatique sont-ils alignés sur le parcours utilisateur dans le produit ? Envisageons-nous comment capturer des données qui seraient avantageuses pour l’amélioration du produit et de l’expérience utilisateur ?
7. Communiquons-nous régulièrement avec l'équipe produit pour comprendre la feuille de route du produit, les nouvelles fonctionnalités potentielles et comment nos initiatives d'IA peuvent les soutenir ?
8. Quelles sont les restrictions et biais actuels de nos ensembles de données, et comment affectent-ils nos modèles d'IA ? Comment pouvons-nous surmonter ces restrictions et améliorer la qualité de nos données ?
9. Auditons-nous fréquemment nos modèles pour déceler les biais et avons-nous mis en place des stratégies pour minimiser leur impact ?
10. Avons-nous mis en place des systèmes efficaces pour surveiller et entretenir nos modèles une fois qu’ils sont en production ? Garantissons-nous les performances continues de nos modèles d’IA avec des métriques en temps réel ?

Si votre équipe d’IA a des réponses à la plupart ou à la totalité de ces questions, cela indique une approche robuste centrée sur le produit et l’entreprise dans vos pratiques et votre stratégie d’IA.

Liste de contrôle pour l'équipe produit

À son tour, l'équipe produit doit régulièrement effectuer sa propre auto-vérification pour s'assurer que la conception de ses produits est synchronisée avec la stratégie d'IA de l'entreprise. Ils devraient réfléchir aux questions suivantes :

1. Comprenons-nous quels modèles d’IA contribuent à quels points de valeur du produit ?
2. Comprenons-nous quelles données peuvent améliorer les performances de chacun de ces modèles ?
3. Sommes-nous conscients des biais et des restrictions de nos ensembles de données actuels ainsi que des données générées par notre produit ?
4. Notre parcours utilisateur génère-t-il des données que l'équipe d'IA peut utiliser pour améliorer les performances du modèle ? Affinons-nous régulièrement le parcours utilisateur pour produire des données plus utiles sans compromettre la valeur perçue du produit ?
5. Savons-nous quelles données sont les plus et les moins susceptibles d’améliorer les performances des modèles d’IA ?
6. Prenons-nous en compte la génération de données lors de l'évaluation et de la priorisation des initiatives de nouveaux produits ?
7. Utilisons-nous les commentaires de l’équipe d’IA pour mettre à jour notre feuille de route produit et la priorisation des fonctionnalités ?
8. Devons-nous inclure l'équipe d'IA dans nos premières séances de conception de produits et de brainstorming ? Garantissons-nous que les perspectives de l’IA sont intégrées dès le début du cycle de développement du produit ?
9. Comprenons-nous clairement les métriques que l'équipe d'IA utilise pour mesurer les performances du modèle, et savons-nous comment celles-ci sont liées aux métriques de nos produits ?
10. Incorporons-nous régulièrement les commentaires des utilisateurs pour valider ou réfuter nos hypothèses sur la valeur apportée par nos modèles d'IA ?

Conclusion

Comme dans le tango, il faut être deux pour construire un produit IA solide. La réussite ne dépend pas seulement de l’excellence individuelle des équipes IA et produit, mais de la qualité de leur coordination. C’est un processus dynamique, qui exige des itérations continues, tout comme vos modèles. Dans un environnement aussi concurrentiel, l’alignement entre IA et produit n’est pas optionnel : c’est une condition indispensable pour préserver un avantage concurrentiel.

Lecture connexe

• Pourquoi avez-vous besoin d’une stratégie d’IA ? L'IA comme avantage concurrentiel
• Tout ce dont vous avez besoin, c'est d'un effet de réseau : comment les produits technologiques et d'IA rivalisent
• Des stratégies d'IA qui offrent un avantage concurrentiel durable
• Vous envisagez une nouvelle initiative d’IA ? Commencez par la bonne culture de développement de l’IA
• Quatre approches IA qui ne fonctionnent pas
• Manque de données pour les modèles d’apprentissage automatique ? Construire pour les données du futur