La Product Conf 2026 : l'IA sous un autre prisme

Marmelab a eu l’opportunité d’aller à La Product Conf Paris pour souffler sa 10ème bougie.

Cette année, l’IA était centrale dans de nombreuses conférences. Mais loin d’encore vanter la productivité démultipliée, comme elle est exagérément véhiculée sur les réseaux, les conférenciers abordaient concrètement les conséquences et les actions que l’on peut mettre en place pour s’adapter. La qualité des conférences était bien plus haute que dans mes attentes.

Au classement, les meilleures conférences auxquelles j’ai assisté :

1. Une histoire de disruption
2. De l’UX à l’AX : repenser son produit à l’ère des agents
3. Product Conversation : “AI Brain Fry”, comment gérer la surchauffe ?
4. From Lovable to Runnable : du prototype au produit scalable
5. L’agentique accélère : Vis ma vie de Head of Data & IA

Une histoire de disruption

Dans sa conférence, Emmanuel Straschnov traite deux sujets en un :

• Comment disrupter un marché ?
• Comment réagir quand on subit la disruption ?

Comment disrupter un marché ?

Emmanuel Straschnov, co-fondateur de Bubble, sait de quoi il parle. En 2010, il bouleverse le marché du développement web avec le premier outil no-code. Selon lui, la disruption suit toujours le même schéma en 3 étapes : la low-end disruption.

Ce schéma reprend la fameuse courbe de Clayton Christensen publiée dans son livre “The Innovator’s Dilemma” en 1997.

Étape 1 : un nouveau produit arrive sur le marché

Le nouveau produit fait la même chose que les concurrents, mais moins bien et moins cher. Il reçoit de vives critiques et est perçu comme un gadget par les potentiels utilisateurs.

Les concurrents, eux, ignorent les signaux faibles qu’ils reçoivent.

Étape 2 : les premiers clients s’intéressent au nouveau produit

Quelques clients à la recherche d’un produit à bas coût (ex : les startups) s’intéressent au produit. Les revenus maigres sont réinvestis dans la qualité. Les points de friction sont levés au fur et à mesure.

Les concurrents continuent de comparer la qualité des produits et restent dans le déni en ignorant les signaux qui s’amplifient. Une minorité d’entre eux s’aperçoivent du changement et quittent le navire.

Étape 3 : inversion du marché

Les points de friction éliminés, les utilisateurs se détournent du concurrent pour le nouveau produit, moins cher et plus qualitatif. Le marché est bouleversé.

Bubble ou encore l’appareil photo numérique ont suivi exactement ce schéma. Critiqués à leur sortie pour leur piètre qualité, ils ont progressivement amélioré la qualité du produit et pris des parts de marché. Jusqu’à aujourd’hui où l’appareil photo numérique a largement dépassé l’argentique.

Comment réagir quand on subit la disruption ?

Aujourd’hui, Bubble vit la situation inverse. L’arrivée de ChatGPT a d’abord été accueillie avec scepticisme : qualité moyenne, résultats approximatifs, pas vraiment de quoi s’inquiéter. Exactement le réflexe que Bubble avait suscité dix ans plus tôt.

Emmanuel Straschnov a alors décrit ce qu’il appelle la courbe du deuil de la disruption, repris du modèle de Kübler-Ross, qui s’applique aussi bien à un individu qu’à une entreprise entière :

• Le déni : l’équipe ne voit pas les bénéfices du nouvel outil et minimise les signaux faibles malgré que les utilisateurs en parlent.
• Le choc : pour Bubble, ce fut l’arrivée de Claude, dont l’impact s’est traduit dans les métriques d’utilisation.
• La dépression : l’enjeu à ce moment-là, non trivial, est de chercher dans ces outils de nouvelles opportunités.

Dans cette situation, le changement progressif ne fonctionne pas. Il est nécessaire de changer drastiquement l’organisation et le produit. Pour faire bouger une organisation, il faut commencer par bouger soi-même.

De l’UX à l’AX : repenser son produit à l’ère des agents

Il y a un an, Michael Baeyens projetait un futur où l’IA entraîne la disparition des interfaces graphiques au profit du conversationnel. Dans sa projection, les moteurs de recherche se sont remplacés par les moteurs de réponses et 90% des visiteurs sont des IA. Cela paraissait irréel.

Un an plus tard, Arielle Le Bail, Head of Product chez Stripe, constate que l’irréel est d’actualité. D’ici fin 2026, la documentation Stripe sera davantage lue par des agents que par des humains.

Par ce constat, les produits ne doivent plus seulement cibler les humains, mais aussi les agents.

Pour maximiser les chances de rendre son produit accessible, l’intervenante a partagé trois recommandations :

• Les agents peuvent-ils trouver votre produit ? Tout comme le SEO qui vise les moteurs de recherche pour les humains, il faut désormais soigner le GEO (Generative Engine Optimization) qui s’adresse aux agents. L’enjeu est de structurer les données pour qu’elles soient compréhensibles et exploitables par les LLM.
• Les agents peuvent-ils interagir avec votre produit ? Des actions, réalisables par des humains, ne peuvent pas être résolues par un robot. C’est le cas des captchas ou d’une inscription qui repose sur une adresse mail que les agents n’ont pas. Ce qui constituait une mesure de sécurité ou une collecte d’informations devient pour les robots un mur d’inaccessibilité.
• Les agents ont-ils un cadre clair et sécurisé ? Veillez à définir un langage commun entre votre produit et les agents et à déterminer les droits et les interdictions de l’agent (ex : interdire les transferts d’argent) via des ACP (Agent Communication Protocol) et MCP (Model Context Protocol).

Pour boucler la boucle, Arielle Le Bail projette un futur où les agents communiquent entre eux, sans intervention humaine. Affaire à suivre l’année prochaine, si un conférencier (ou une IA) s’empare du sujet.

Product Conversation : “AI Brain Fry”, comment gérer la surchauffe ?

À cette table ronde animée par Amandine Raoul, Product Manager chez Point.P, trois invités ont abordé le sujet de l’IA fatigue :

• Sébastien Warembourg (Head of AI Product Strategy chez Renault)
• Catalina Silvart (Staff Product Designer chez Pennylane)
• Marion Doucet (CPO chez Meilleurtaux)

Un point commun entre toutes les visions : le burn-out se distingue du Brain Fry. Le premier s’installe dans la durée et laisse des traces profondes alors que le Brain Fry est une surcharge cognitive due à l’utilisation intensive de l’IA et dont les symptômes s’estompent rapidement à l’éloignement de l’IA.

Les symptômes de l’IA Brain Fry sont la diminution de la concentration et la multiplication du nombre d’erreurs. D’après une étude américaine, près de 40% des personnes font davantage d’erreurs depuis qu’elles utilisent l’IA.

La table ronde a fait émerger 4 causes de l’épuisement :

• L’absence de pause : le travail en équipe impose naturellement des temps de respiration pour échanger avec d’autres parties prenantes. Avec l’IA, on travaille seul avec une machine qui ne s’arrête jamais. C’est plaisant, c’est attirant, mais c’est aussi sans pause.
• Les réseaux sociaux qui amplifient l’impact de l’IA : puisque “tout va plus vite”, la priorisation perd son sens, alors qu’il n’a jamais été aussi indispensable de la remettre au cœur du métier.
• La confusion entre prototype et produit final : l’IA permet de produire vite et des choses bluffantes mais elles ne sont pas pour autant prêtes à être livrées.
• L’IA empire les problèmes d’organisation : une équipe qui a un problème opératoire ne sera pas réglée avec une surcouche d’IA. Dans une organisation dysfonctionnelle, il est nécessaire de désamorcer le problème avant d’intégrer l’IA qui mènera droit au mur.

Parmi les solutions qui ont été évoquées pour éviter l’IA Brain Fry :

• Créer de la collaboration plutôt que s’emparer seul du métier des autres. L’IA donne l’illusion qu’on peut tout faire seul, mais ce n’est ni soutenable ni souhaitable.
• Time-boxer ses tâches IA et savoir s’arrêter au bon moment. Il est important de prioriser et de renoncer plutôt que de tout vouloir tester.
• Dédier du temps entre les tâches parallèles : le coût n’est pas dans la création initiale, mais dans la maintenance de ce qui est créé.
• Réinvestir le temps gagné dans la qualité du produit et la formation (à soi-même et aux autres).
• Forcer la théorisation : il est facile de raconter ses créations IA comme si c’était magique. Mais il faut s’obliger à théoriser les échecs et les réussites et à les partager.

From Lovable to Runnable : du prototype au produit scalable

L’IA donne des outils aux équipes produits pour implémenter des fonctionnalités. Mais le piège est que ces équipes construisent des prototypes et les poussent en production sans qu’ils passent entre les mains des développeurs.

Le point de départ de la conférence de la CPO Claire Van de Voorde reposait sur une idée : le succès d’un produit ne tient pas à une personne mais sur la collaboration entre un créateur et un exploitant.

L’oratrice fait le parallèle entre une startup et l’histoire de Coca Cola. John Pemberton, l’inventeur de la boisson, n’a pas connu le succès jusqu’à ce qu’il croise la route d’Asa Griggs Candler, l’homme d’affaires capable d’industrialiser la recette à l’échelle mondiale.

Transposé à une startup tech, elle identifie deux rôles complémentaires qui n’ont ni les mêmes contraintes, ni le même rythme, ni la même temporalité :

• Le créateur : il explore de nouveaux marchés et avance vite avec le minimum de contraintes possibles.
• L’exploitant : il ralentit la création pour apporter de la robustesse et de la sécurité au prototype.

Le risque, lorsqu’un créateur pousse des prototypes en production, ce n’est pas l’échec. C’est le succès. Aussi contre-intuitif que cela paraisse, il est dangereux qu’un produit séduise rapidement, voire qu’il commence à être payé, alors qu’il repose sur des dépendances tierces fragiles et qu’il comporte des failles de sécurité.

L’agentique accélère : Vis ma vie de Head of Data & IA

Ouverture d’horizon avec la table ronde de Robin Conquet, fondateur du podcast DataGen, sur l’avenir du rôle du Product Manager avec 3 invités :

• Juliette Duizabo (Head of Data chez Photoroom)
• Edouard Flouriot (Director of Data analytics chez Sorare)
• Virginie Cornu (Data et AI advisor)

Jusqu’à l’arrivée de l’IA, le data analyst était le pont capable de traduire une question métier du PM en requête SQL pour y apporter une explication sur un comportement utilisateur.

Avec l’IA, la majorité des analyses sont automatisées et ce middleman technique n’est plus nécessaire. Les IA testent des hypothèses pour comprendre le “pourquoi” d’une donnée et le PM peut directement obtenir la réponse sans aller-retour avec un data analyst. Le rôle de la Data est désormais de fournir un contexte de qualité et des données exposées sans ambiguïté pour que l’IA réponde correctement aux questions d’analyse des données.

Mais ce point de vue apporte un conflit. Avec l’IA les Product Managers sont devenus les bottlenecks d’une organisation : ils deviennent autonomes sur la création de prototype, sur l’implémentation de solutions, sur l’interprétation des comportements utilisateurs… alors où faut-il qu’ils consacrent le plus leur énergie ?

Pour les 3 invités, le consensus était rapide : les prototypes fonctionnels et le développement des fonctionnalités peuvent aussi être créés par d’autres profils, comme les designers ou les développeurs.

Les PM ont alors tout intérêt à monter en compétence sur la data pour suivre l’adoption, le churn et les métriques produit. C’est même, selon eux, probablement le meilleur investissement de carrière à faire aujourd’hui.

Un point de vigilance est à garder en mémoire : le PM doit garder un esprit critique face à l’analyse des données. On peut faire dire ce qu’on veut à une donnée et ce phénomène est accentué par le biais de l’IA qui a tendance à confirmer le point de vue de l’utilisateur. Le rôle de la data est donc aussi de vérifier que ce qui est observé n’est pas dû à un hasard.

Conclusion

Je repars de La Product Conf avec une conviction : la collaboration et la priorisation n’ont jamais été aussi vitales pour éviter le Brain Fry et pour livrer des produits qui ont de la valeur plutôt que d’accumuler des prototypes à maintenir.

Deux autres idées issues d’autres conférences m’ont marqué :

• Si 80 % des fonctionnalités deviennent faciles à implémenter, les 20 % restants concentrent l’essentiel des défis et des coûts.
• Au-delà de 3 éléments cognitifs traités en parallèle, la productivité chute drastiquement.

Un grand merci aux organisateurs de La Product Conf pour la richesse du programme et la qualité des intervenants réunis.

Le mot de la fin : si vous n’avez pas encore eu la chance de découvrir le clip We’re here to Stay sur l’IA, foncez-y.