Le pourquoi derrière chaque priorité

Les équipes produit peinent rarement par manque d'idées. Elles peinent parce qu'elles en ont trop. Les demandes de fonctionnalités arrivent des clients, des dirigeants, des ventes, du support, de l'ingénierie, de la recherche et de l'analyse concurrentielle. Chacune semble raisonnable isolément, mais l'équipe doit toujours répondre à une question plus difficile : que devrions-nous construire ensuite, et pourquoi ? Les cadres traditionnels aident à organiser la décision, mais ils réduisent souvent un jugement produit complexe à un score. Une fonctionnalité obtient 7,4, une autre 8,1, la feuille de route change, et le raisonnement derrière la décision est ce qui se perd. J'ai créé Juno comme projet de fin d'études Product School en gestion de produit IA pour explorer comment l'IA, en particulier l'IA agentique, pourrait rendre la priorisation plus intelligente, explicable et contextuelle. L'idée centrale : Juno ne vous dit pas seulement quoi prioriser. Il aide à expliquer pourquoi.

La priorisation est l'une des responsabilités les plus importantes en gestion de produit, mais le processus est souvent fragmenté. Les équipes puisent des informations dans les retours clients, les analyses produit, les objectifs stratégiques, les demandes de la direction, les estimations d'ingénierie, les opportunités de revenu, la recherche, les tickets de support et le renseignement concurrentiel. Puis le chef de produit est censé synthétiser tout cela en une recommandation cohérente. En pratique, une grande partie de ce raisonnement vit dans des tableurs, des tickets, des réunions, des documents, ou simplement dans la tête du chef de produit.

• La priorisation devient subjective : un score qui a l'air précis peut créer une apparence d'objectivité sans capturer les hypothèses qui le sous-tendent.
• Le contexte se perd : une fonctionnalité peut compter parce qu'elle soutient un objectif stratégique, répond à un problème client grave, permet une autre initiative, ou réduit un risque opérationnel, et un score unique communique rarement tout cela.
• Les parties prenantes voient la décision, pas le raisonnement : quand la direction demande pourquoi une initiative est passée devant une autre, les équipes reconstituent la logique des semaines plus tard.
• Les éléments d'entrée changent constamment : la demande client, les estimations d'ingénierie et les priorités métier évoluent, donc un exercice de priorisation statique devient vite obsolète.

Chef de produit principal, stratège UX et architecte produit IA sur mon projet de fin d'études Product School en gestion de produit IA.

1. 1.

   Du score à l'intelligence décisionnelle

   Les cadres traditionnels restent utiles, mais ils ne sont qu'une entrée parmi d'autres. Juno évalue ensemble l'alignement stratégique, l'impact client, la confiance dans les preuves, la complexité d'ingénierie, les dépendances, le risque, l'urgence, le potentiel de revenu, l'impact opérationnel et la valeur d'apprentissage, puis produit une recommandation accompagnée de son raisonnement. Le résultat n'est pas « Fonctionnalité A : 8,3 ». C'est : la fonctionnalité A devrait avancer parce qu'elle soutient fortement l'objectif stratégique actuel, répond à un point de douleur client validé, et comporte un risque d'implémentation relativement faible, et la recommandation dépend de l'estimation d'ingénierie actuelle, donc elle devrait être reconsidérée si le périmètre augmente significativement.

2. 2.

   Concevoir l'expérience IA autour de l'explicabilité

   Je ne voulais pas que Juno devienne une boîte noire qui génère des priorités et attend que les équipes leur fassent confiance. C'est de l'automatisation sans transparence, exactement le problème que les chefs de produit devraient éviter. Le principe directeur : l'IA devrait renforcer le jugement produit, pas l'obscurcir. L'expérience met donc l'accent sur l'explicabilité : quelles preuves ont influencé la recommandation, quelles hypothèses ont été faites, comment les objectifs stratégiques ont affecté le classement, où la confiance est haute ou basse, et quelle nouvelle information pourrait changer le résultat.

3. 3.

   Architecture agentique : un raisonnement spécialisé, pas un seul gros prompt

   Plutôt que de s'appuyer sur un seul prompt de modèle pour prendre toute la décision, Juno a été conçu comme un système de responsabilités de raisonnement spécialisées. Un agent Insight Client synthétise la recherche, les retours, les données de support et les points de douleur client. Un agent Stratégie évalue l'alignement avec les objectifs de l'entreprise et la stratégie produit. Un agent Impact Métier examine le revenu, la réduction des coûts, la rétention et l'impact opérationnel. Un agent Faisabilité Technique considère la complexité d'ingénierie, les dépendances et le risque d'implémentation. Un agent Priorisation combine ces perspectives en une recommandation globale. Un agent Challenge cherche activement des hypothèses faibles, des preuves contradictoires, ou des raisons pour lesquelles la recommandation pourrait être fausse. Le but n'est pas une gestion de produit autonome ; c'est un système de raisonnement IA structuré qui examine une décision sous plusieurs angles avant de la présenter à un responsable produit humain.

4. 4.

   Garder l'humain dans la boucle

   Juno peut analyser, contester et recommander. Juno n'est pas propriétaire de la feuille de route. Le chef de produit peut ajuster des hypothèses, outrepasser des recommandations, ajouter du contexte ou rejeter entièrement la conclusion de l'IA, et quand cela arrive, la décision et sa justification restent visibles. Cela crée une piste d'audit utile : plutôt que de se demander six mois plus tard pourquoi quelque chose a été construit, l'équipe peut voir les preuves, la recommandation, les hypothèses et la décision humaine qui ont façonné la feuille de route à l'époque.

5. 5.

   Les principes UX sur lesquels l'interface a été construite

   Expliquer avant de noter : un classement sans contexte crée une fausse certitude. Rendre les hypothèses visibles : tout modèle de priorisation en contient, donc il faut les mettre en évidence plutôt que les cacher. Encourager la contestation : les décisions solides s'améliorent quand les équipes cherchent activement des raisons pour lesquelles elles pourraient se tromper, donc Juno fait remonter les preuves contradictoires et l'incertitude plutôt que de renforcer la recommandation initiale. Préserver l'historique des décisions : la priorisation évolue dans le temps, et cet historique est un savoir produit précieux. Garder l'humain responsable : les recommandations de l'IA soutiennent le leadership produit, elles ne le remplacent pas.

6. 6.

   Le pari plus large : une couche d'intelligence pour les décisions produit

   La vision va au-delà de la priorisation. Avec le temps, le système pourrait relier la stratégie produit, la recherche client, les résultats métier, les contraintes d'ingénierie et les décisions de feuille de route en un modèle de décision en évolution continue, en maintenant les relations entre stratégie, preuve, opportunité, priorité, décision et résultat. Si une initiative hautement classée échoue, l'organisation peut examiner quelles hypothèses étaient fausses. Si une initiative inattendue réussit, le système peut identifier quels signaux ont été sous-estimés. La priorisation devient alors non seulement un processus de planification, mais un système d'apprentissage.

• Les produits IA les plus précieux ne remplacent peut-être pas les décisions. Ils améliorent peut-être la qualité des décisions humaines. L'IA générative facilite la production de réponses. Les responsables produit ont besoin de quelque chose de plus précieux : contexte, raisonnement, preuves, incertitude et responsabilité.
• Un score précis peut être un faux confort. Des cadres comme RICE ou la notation pondérée sont des entrées utiles, mais les entrées elles-mêmes sont souvent subjectives. Un chiffre qui a l'air objectif peut cacher les hypothèses qui le sous-tendent, donc Juno fait remonter ces hypothèses plutôt que de les enterrer.
• Concevez pour le désaccord. Une recommandation n'est digne de confiance que si la personne qui la reçoit peut la contester. Intégrer la capacité d'ajuster les hypothèses, d'outrepasser, ou de rejeter la conclusion de l'IA, est ce qui rend le résultat utilisable devant les parties prenantes.
• Une fonctionnalité IA devient un système produit IA une fois qu'on répond aux questions difficiles. Quelles informations l'IA nécessite, comment les différentes formes de preuve devraient être évaluées, où les agents se spécialisent, comment les recommandations sont expliquées, où intervient la revue humaine, comment l'incertitude est communiquée, et ce qui se passe quand l'humain n'est pas d'accord. Ces questions ont fait passer ce projet d'un concept de fonctionnalité à un système produit.
• La meilleure feuille de route n'est pas celle avec le modèle de score le plus sophistiqué. C'est celle où l'équipe comprend pourquoi chaque priorité a gagné sa place.