IA générative : ce que les équipes produit françaises en font réellement

En septembre 2025, l’IA générative n’est plus seulement un sujet de démonstration pour les équipes produit françaises. Elle s’est installée dans une partie de leurs routines, de la préparation d’un entretien utilisateur à la rédaction d’une spécification. Mais une question demeure : utiliser souvent un assistant conversationnel suffit-il à savoir concevoir un produit intégrant réellement de l’IA ?

Une enquête menée auprès de 1 000 professionnels apporte une photographie utile de cette transition. Parmi les personnes interrogées, 80 % sont des product managers, les autres travaillant dans le design ou le marketing. Les résultats dessinent un paysage contrasté : les usages individuels progressent vite, tandis que les compétences techniques, les méthodes d’évaluation et la formation ne progressent pas toujours au même rythme.

Une adoption rapide, mais des résultats à interpréter avec prudence

L’enquête indique que 55 % des équipes explorent les applications de l’intelligence artificielle. Ce chiffre confirme que le sujet a atteint le cœur des métiers du produit : les équipes chargées d’identifier les besoins des utilisateurs, de prioriser les évolutions et de piloter la livraison d’un service sont directement concernées par les assistants capables de générer du texte, du code ou des synthèses.

Il faut néanmoins lire ces données pour ce qu’elles sont : des réponses déclaratives de professionnels déjà exposés au sujet. Elles ne mesurent pas, à elles seules, le gain de temps effectivement obtenu, la qualité des livrables ni la rentabilité d’une fonctionnalité. Elles montrent en revanche que l’IA générative est devenue un outil de travail concret pour une large part de l’écosystème produit.

Les usages quotidiens commencent par la rédaction et la préparation

Les usages les plus répandus sont les plus immédiatement accessibles. 76 % des répondants utilisent l’IA générative pour rédiger des textes et des e-mails. Dans le travail produit, cette assistance peut servir à proposer un premier brouillon, ajuster le ton d’un message, résumer une réunion ou organiser une note. Son intérêt n’est pas de supprimer la responsabilité de l’auteur, mais de réduire le temps passé devant la page blanche et d’accélérer les itérations.

Viennent ensuite la préparation des entretiens avec les utilisateurs, citée par 49 % des professionnels, puis la rédaction de documents d’exigences produit, ou PRD, pour 41 % d’entre eux. Dans ces deux cas, l’outil peut aider à formuler une trame d’entretien, à générer des hypothèses à tester, à structurer une liste de critères ou à reformuler une exigence de façon plus claire.

Ces chiffres reflètent une logique simple : les tâches rédactionnelles et de préparation se prêtent bien à l’assistance générative, car elles impliquent de nombreux brouillons. Elles ne doivent pas pour autant faire disparaître l’écoute des utilisateurs, l’analyse du contexte métier ou les arbitrages de l’équipe. Une IA peut suggérer des questions pour un entretien, mais elle ne remplace ni l’observation d’un comportement ni l’interprétation d’un besoin réel.

Des usages plus techniques existent aussi, comme le prototypage d’interfaces ou la rédaction de requêtes SQL, mais ils restent moins fréquents. C’est un rappel important : l’adoption ne se résume pas à un unique cas d’usage. Elle dépend du rôle de chacun, du niveau de risque associé à la tâche et du degré de contrôle que l’équipe peut exercer sur le résultat.

ChatGPT domine, avec des pratiques d’abonnement différentes

Parmi les outils cités, ChatGPT occupe une place prépondérante. Sa version payante est utilisée par 55 % des professionnels interrogés, légèrement devant sa version gratuite. Gemini, Perplexity et DeepL font également partie des solutions mentionnées, mais les assistants généralistes restent au centre des pratiques déclarées.

L’équipement varie selon la taille de l’organisation. Dans les startups, 68 % des professionnels utilisent la version payante de ChatGPT, contre 38 % dans les grandes entreprises. Cet écart peut s’expliquer par des circuits de décision différents, sans permettre à lui seul d’en établir la cause. Une startup peut équiper rapidement une petite équipe, tandis qu’une grande organisation doit souvent composer avec des règles de sécurité, des achats centralisés et des validations juridiques plus structurées.

Autre enseignement, 38 % des professionnels financent eux-mêmes leur abonnement. Le budget déclaré est généralement inférieur à 30 € par mois. Cette pratique traduit l’utilité perçue de l’outil, mais elle pose aussi une question d’organisation : lorsqu’un salarié paie seul un service qu’il utilise dans son travail, l’entreprise maîtrise moins bien les conditions d’utilisation, la protection des données et la diffusion des bonnes pratiques.

Se dire compétent ne veut pas toujours dire maîtriser les méthodes

Le décalage le plus marquant de l’enquête concerne les compétences. 63 % des répondants s’estiment compétents en IA générative. Pourtant, 35 % déclarent ne pas connaître les bonnes pratiques de prompting et 42 % ne savent pas ce qu’implique la RAG.

Le prompting consiste à formuler une demande suffisamment précise pour orienter le résultat : contexte, objectif, public visé, contraintes, format attendu et critères de vérification peuvent faire une différence considérable. Une bonne instruction ne transforme pas un modèle en expert infaillible, mais elle réduit l’ambiguïté et facilite le contrôle du livrable.

La RAG, pour Retrieval-Augmented Generation, souvent traduite par génération augmentée par récupération, répond à un autre besoin. Le principe consiste à chercher des informations dans une base documentaire avant de générer une réponse. Pour une entreprise, cette approche peut aider un assistant à s’appuyer sur une documentation interne plutôt que sur ses seules connaissances générales. Elle ne rend toutefois pas le résultat automatiquement exact : la qualité dépend notamment des documents disponibles, de leur mise à jour et de la pertinence des informations retrouvées.

Le contraste est donc net : les équipes ont adopté les interfaces et les usages visibles, mais toutes ne maîtrisent pas encore les mécanismes utiles pour concevoir des fonctionnalités fiables. Or la formation n’apparaît comme une priorité immédiate que pour 20 % des répondants. Le risque est de confondre rapidité d’adoption et maturité opérationnelle.

Passer de l’assistant de travail à la fonctionnalité produit

L’enquête distingue implicitement deux transformations souvent mélangées dans les discussions sur l’IA. La première est l’usage par les collaborateurs pour travailler plus vite. La seconde consiste à proposer une fonctionnalité d’IA aux utilisateurs d’un produit. Elles peuvent se renforcer, mais elles ne soulèvent pas les mêmes exigences.

55 % des équipes produit ont développé des fonctionnalités assistées par l’IA générative au cours de la dernière année. À l’inverse, seules 19 % ont engagé ce type de projet depuis plus de deux ans. Cette répartition souligne l’accélération récente du mouvement.

Par ailleurs, 58 % des organisations ayant participé à l’enquête ont récemment déployé des fonctionnalités d’IA générative. Le premier objectif cité est l’amélioration de l’expérience utilisateur, avec 64 % des réponses, devant la réduction des coûts, mentionnée par 47 % des répondants. Certaines équipes reconnaissent aussi que l’IA est parfois portée par un impératif de communication plutôt que par une ambition d’innovation solidement définie.

Concevoir un usage utile plutôt qu’ajouter une IA de façade

Une fonctionnalité générative réussie ne commence pas par le choix d’un modèle ou par l’ajout d’une zone de dialogue dans une interface. Elle commence par un problème utilisateur précis. L’équipe doit pouvoir répondre à des questions simples : quelle tâche est aujourd’hui lente, difficile ou frustrante ? Quel résultat l’utilisateur doit-il obtenir ? Que se passe-t-il si la réponse de l’IA est erronée, incomplète ou inadaptée ?

Dans un produit, l’enjeu est aussi de rendre le comportement de l’outil compréhensible. L’utilisateur doit savoir ce que l’IA peut faire, ce qu’elle ne garantit pas et comment corriger ou contester une proposition. Pour les cas sensibles, une validation humaine ou un mécanisme de contrôle peut être indispensable. L’objectif n’est pas de promettre une automatisation totale, mais de concevoir une assistance dont les limites sont visibles.

Les équipes doivent également tester la fonctionnalité avec des cas représentatifs. Une démonstration convaincante sur quelques exemples soigneusement choisis ne prouve pas qu’un service fonctionne pour des utilisateurs réels, des demandes ambiguës ou des données imparfaites. Il est utile d’évaluer la qualité des réponses, mais aussi la fréquence des erreurs, le temps nécessaire à la correction et le niveau de confiance accordé par les utilisateurs.

Enfin, l’intégration d’IA générative oblige à articuler plusieurs compétences : produit, design, ingénierie, données, sécurité et parfois juridique. Le product manager garde un rôle central de coordination. Il ne lui est pas demandé de devenir spécialiste de chaque composant technique, mais de comprendre suffisamment les compromis pour formuler une promesse réaliste et définir les garde-fous adaptés.

Ce qu’il faut surveiller dans les prochains mois

Les chiffres de l’enquête montrent que l’IA générative a franchi le seuil de l’expérimentation individuelle dans les équipes produit. La prochaine étape sera moins visible, mais plus déterminante : passer d’une multiplication d’outils et de prototypes à des usages cohérents, mesurables et sûrs.

Trois points mériteront une attention particulière. D’abord, la formation : connaître les principes du prompting, les limites des réponses générées et le fonctionnement général de la RAG aidera les équipes à mieux cadrer leurs projets. Ensuite, la gouvernance des données : les règles internes doivent préciser quels contenus peuvent être partagés avec quels outils. Enfin, la preuve de valeur : améliorer une expérience utilisateur ou réduire un coût suppose de définir des critères observables avant le déploiement.

L’IA générative peut alléger des tâches répétitives et ouvrir de nouvelles interactions dans les produits. Mais son adoption ne se mesure pas au nombre d’abonnements ni à l’annonce d’une fonctionnalité. Elle se mesure à la capacité d’une équipe à résoudre un problème réel, à vérifier les résultats et à conserver la maîtrise de ce qu’elle met entre les mains de ses utilisateurs.