Andrej Karpathy, figure emblématique de l’IA, a résumé le phénomène en une phrase. En observant une intelligence artificielle coder à sa place, il a avoué que cela ressemblait à de la triche. Du code qui représentait autrefois une source de fierté et des heures de labeur devenait soudain gratuit, propre et instantané.
Ce sentiment de vertige, nous le connaissons bien. Pas du côté des lignes de code, mais du côté du produit.
C’est exactement ce qui se passe quand un LLM rédige 15 User Stories complexes en 90 secondes. Quand un outil de génération d’interfaces décline 12 variantes d’écrans avant même que votre café soit chaud. Ou quand une synthèse de user research structure des dizaines d’heures d’interviews en 3 minutes là où il vous fallait une demi-journée de travail intense. Le premier réflexe est humain, teinté d’anxiété : « Attends, si la machine fait tout ça, c’est quoi mon métier ? ».
La réponse est simple : votre métier ne s’arrête pas, il se métamorphose. La vraie nécessité n’est pas de défendre l’exécution, mais de faire pivoter votre posture vers le jugement stratégique.
Ce que l’IA compresse aujourd’hui, ce n’est pas le talent, c’est le coût marginal de l’exécution. Les specs, les wireframes, les tickets Jira, les comptes-rendus : tout ce livrable volumineux qui prenait du temps et qui servait de proxy pour le travail est en train de se robotiser. Mais le véritable travail stratégique, savoir quoi construire, pour qui, et pourquoi, reste totalement hors de portée des algorithmes.
Dans les métiers du produit et du design, la valeur migre radicalement de l’exécution vers le jugement. Et cela change tout : ce qu’on recrute, ce qu’on évalue, et ce qu’on enseigne.
L’IA, ce stagiaire brillant mais sans boussole
Posons le décor. Aujourd’hui, un Product Manager équipé des bonnes architectures d’agents peut :
- Générer un backlog complet et ordonnancé de 40 User Stories à partir d’un simple brief de cadrage.
- Produire une synthèse croisée d’entretiens utilisateurs (via des outils comme Dovetail ou des instances d’IA spécialisées) en quelques minutes.
- Rédiger des spécifications fonctionnelles (PRD) parfaitement formatées
Côté design, l’histoire est identique. Les générateurs de composants et d’interfaces proposent des variantes d’écrans UI et sortent des maquettes haute fidélité à partir d’un simple prompt contextuel. Ce qui prenait une journée de conception prend désormais une pause café.
Objectivement, le résultat est souvent propre, standardisé et bien structuré. Il est parfois même techniquement supérieur au rendu d’un profil junior livré à lui-même. Le problème, c’est tout le reste.
Ces 40 User Stories générées en un clic ? 30 sont probablement hors sujet ou à côté de la plaque. L’IA ignore que le véritable objectif business du trimestre est la rétention sur un segment précis, et non l’acquisition de masse. Elle ne ressent pas que la fonctionnalité demandée par le client lors d’une interview est un simple symptôme, et non son besoin profond. Elle ne challenge pas le brief : elle l’exécute. Brillamment, mais aveuglément.
Ces 15 variantes d’écran ? Aucune ne résout le vrai problème d’adoption de votre application, car le blocage n’était pas un problème d’interface UI. C’était un problème de parcours, de positionnement de l’offre ou de modèle mental de l’utilisateur.
💡 Le point clé : L’exécution est étonnamment bonne, mais les idées sur quoi exécuter sont étonnamment pauvres. L’IA est un stagiaire qui a avalé toute la documentation de votre entreprise : il produit vite et propre, mais il n’a aucune boussole stratégique.
Montrer où aller, c’est précisément ce qui distingue un professionnel du produit d’un opérateur de prompts.
Le fossé se creuse : jugement vs production
Quand tout le monde a accès aux mêmes outils génératifs et à la même vitesse de frappe, qu’est-ce qui crée la différence sur le marché ?
Avant la révolution IA, un profil rapide avait un avantage compétitif net. Le PM qui rédigeait 20 tickets par jour et livrait ses specs en avance était perçu comme un performeur incontournable. Le volume et la vélocité d’exécution pouvaient souvent servir de proxies pour évaluer la compétence. Même logique en design : la capacité de maquetter vite sur Figma donnait une longueur d’avance.
Ce proxy est mort. La vitesse d’exécution est devenue une commodité accessible à tous. Les profils qui avaient construit leur réputation et leur légitimité uniquement sur leur rapidité opérationnelle se retrouvent aujourd’hui à nu.
À l’inverse, les professionnels qui possèdent un fort jugement s’apprêtent à accélérer de manière exponentielle :
- Le PM senior utilise l’IA pour explorer dix fois plus de pistes de solutions, simuler des cas limites complexes et sélectionner les meilleures options avec une rigueur analytique accrue.
- Le designer expérimenté évalue 15 propositions générées par la machine en 5 minutes, là où il en réalisait péniblement 3 manuellement dans sa journée.
L’écart d’impact entre le profil qui juge bien et celui qui produit juste vite n’est plus de 1 à 10. Il est de 1 à 100.
Le défi de la montée en compétences des juniors
Cette transition pose une question sérieuse pour la croissance des profils juniors. Le chemin classique de l’apprentissage consistait à aligner des wireframes simples et à rédiger des tickets Jira pendant deux ans pour développer son jugement par la répétition et l’erreur.
Ce chemin s’est considérablement compressé. Désormais, on ne développe plus son jugement en produisant, mais en vérifiant.
Le junior de demain doit apprendre à se comporter en éditeur et en auditeur. Il doit relire la production de l’IA avec un œil critique acéré, détecter les incohérences logiques, débusquer les raccourcis méthodologiques et identifier les biais algorithmiques. Le label « senior » ne sera plus attribué au nombre d’années d’expérience ou à la maîtrise technique d’un outil de ticketing. Il ira à celui qui détecte en cinq secondes ce qu’un LLM a raté ou inventé.
Chez Monsieur Guiz, dans nos travaux sur la mise à jour de notre careerpath, nous avons décorélé ces 2 axes, séniorité et IA.
La fin du modèle en « T-Shape »
Pendant quinze ans, le modèle de compétences dominant dans la tech a été le T-shape : une expertise disciplinaire profonde (la barre verticale, ex: le design visuel ou la rédactions de specs techniques) alliée à une culture générale des métiers voisins (la barre horizontale).
Savoir construire un Design System, maîtriser les recoins de Figma ou écrire des user stories sans faille représentait un avantage précieux. L’IA ne supprime pas cette expertise, elle la banalise. Le savoir-faire d’exécution passe de « compétence rare » à « compétence de base », au même titre que l’utilisation d’Excel ou de PowerPoint.
Ce qui émerge à la place, c’est un modèle en étoile.
Au centre de l’étoile se trouvent une vision produit forte, le sens critique, la pensée systémique et la capacité à poser les bonnes questions. Autour se déploie la capacité à piloter, orchestrer et connecter l’exécution de l’IA dans plusieurs sous-domaines simultanément. Le moat professionnel n’est plus de savoir coder ou dessiner un composant, mais de savoir exactement quel impact ce composant doit générer sur l’utilisateur et sur le business.
C’est cette dynamique qui porte l’émergence du rôle de Product Builder : un profil augmenté, capable de piloter un produit de bout en bout en fusionnant la Discovery et le Delivery grâce à l’automatisation et à l’orchestration d’agents.
Le tableau des valeurs qui basculent
| Ce qui comptait avant | Ce qui compte maintenant |
| Vitesse de production (nombre de specs rédigées, de maquettes produites ou de tickets Jira créés). | Capacité de vérification et d’évaluation critique de la production automatisée. |
| Maîtrise technique pointue des outils (Figma, Jira, Notion, Productboard) | Compréhension fine des comportements et des modèles mentaux des utilisateurs. |
| Profondeur d’exécution locale (conception de composants UI isolés, écriture de la donnée). | Vision transverse et architecture de système pour une livraison fluide end-to-end. |
| Volume de delivery (nombre de fonctionnalités poussées en production à la fin du sprint) | Qualité du cadrage en amont (savoir poser les questions stratégiques complexes). |
| « Bien écrire des tickets » | « Savoir pourquoi ce ticket ne devrait pas exister » |
Chaque ligne raconte la même histoire : les anciens indicateurs de performance quantitative deviennent des commodités gratuites. Ce qui était autrefois qualifié de « soft skills » ou de « stratégique » devient le seul et unique facteur de différenciation sur le marché.
Ce que cela change dans vos rituels d’équipe
Concrètement, comment se traduit cette bascule dans le quotidien opérationnel d’une feature team ?
- En Product Discovery : L’IA explore, l’humain arbitre. La Discovery consistait autrefois à passer 80% de son temps sur la collecte laborieuse de données et 20% sur la synthèse. L’IA inverse radicalement ce ratio. Elle compile les insights et génère des hypothèses. Le PM et le designer se recentrent sur le cœur de la valeur : valider la fiabilité des sources et confronter les pistes avec la réalité du terrain.
- En Cadrage : Le premier jet est gratuit, la vérification est exigeante. L’IA rédige la première version de vos briefs et de vos User Stories. Le piège absolu est de valider trop vite pour « avancer ». Le bon réflexe opérationnel est de ralentir la phase de relecture : est-ce cohérent avec la trajectoire produit ? L’IA a-t-elle manqué un cas limite (edge case) critique pour l’ingénierie ?
- En Design Review : Recentrer sur le problème, pas sur l’habillage. On ne passe plus de temps à juger la qualité pure du rendu graphique, puisque l’IA produit un niveau acceptable instantanément. La review devient un pur exercice de jugement produit : cet écran élimine-t-il concrètement les frictions de l’utilisateur ?
- Dans le flux de travail : La boucle de vérification remplace la production séquentielle. Le cycle traditionnel en silos (brief > specs > maquettes > dev) se comprime. Un workflow plus court, itératif et intégré s’installe : générer > vérifier > ajuster > régénérer. La compétence clé de l’équipe est de savoir inspecter efficacement entre chaque itération.
Conclusion : Le malaise est un signal sain
Si cette évolution donne parfois l’impression de tricher, c’est simplement parce que notre identité professionnelle était historiquement construite sur l’effort d’exécution. Nous valorisions le livrable volumineux parce qu’il était long et coûteux à produire de nos propres mains.
Ce n’est plus le cas, et ce malaise est une excellente nouvelle. Il nous rappelle que notre véritable valeur n’a jamais résidé dans le rôle de rédacteur ou de dessinateur de plans. Elle réside dans notre capacité à comprendre un problème complexe, à oser dire non à une fonctionnalité inutile, et à porter une vision claire.
Pour les organisations, le signal est limpide. Les grilles de compétences et les critères de recrutement basés sur le volume d’exécution sont obsolètes. Les rôles Ops (Product Ops, Design Ops, IA Ops) ont un rôle central à jouer dans cette transition. Ce sont eux qui doivent repenser les rituels, auditer les points de friction et restructurer les pratiques pour valoriser le jugement et la qualité plutôt que le volume d’artéfacts produits.
La question n’est plus de savoir comment produire plus vite, mais comment vérifier mieux.
Prêt à structurer le jugement de vos équipes ?
Le rush technologique ne doit pas rendre vos équipes aveugles. Monsieur Guiz vous accompagne pour adapter vos compétences, repenser vos grilles d’évaluation et intégrer l’IA au service de votre stratégie produit :
- Repenser vos grilles de compétences : Contactez nos experts pour auditer vos pratiques et aligner vos critères d’évaluation sur le modèle de la valeur augmentée. ➡️ Découvrir nos offres d’accompagnement
- Rejoignez la communauté de l’Opservatoire : Venez échanger avec vos pairs sur la transformation des métiers du Produit et du Design à l’ère des architectures IA. ➡️ Rejoindre l’Opservatoire
