Just a Click

La plupart des gens utilisent l'IA générative pour produire plus vite.
Marie-Laure Thuret l'utilise pour devenir une meilleure PM.

Automatiser une tâche, c'est gagner du temps en one-shot.
Progresser dans sa pratique, c'est en gagner sur la durée.

C'est pour parler de cette approche que j'ai eu le plaisir de recevoir Marie-Laure, ingénieure devenue PM sur le podcast.
Marie-Laure a vécu la croissance chez Algolia de l'intérieur (de 50 à 800 personnes) avant de rejoindre Evy et de co-fonder Tigo Labs.

Aujourd'hui AI Product Leader & Builder, Marie-Laure utilise l'IA générative pour augmenter sa pratique produit.
Elle s'est construit un coach IA qui relit ses appels clients à travers The Mom Test ou les Opportunity Solution Trees, et lui dit ce qu'elle a bien fait et ce qu'elle aurait pu mieux faire.

Dans cet épisode, elle explique :
Comment elle a bâti son personal OS : une couche d'automatisation, une couche de supervision.
Ce que l'IA lui fait réellement gagner (80 % du travail autour des interviews clients) et ce qu'elle ne remplace pas.
Pourquoi la vraie prochaine avancée des LLM sera, selon elle, de savoir s'arrêter.

Bonne écoute !
Hébergé par Acast. Visitez acast.com/privacy pour plus d'informations.

L'IA générative accélère toute la phase de discovery : interviews, synthèse, prototypes. Ce qui prenait des semaines prend des heures.
Alors, pourquoi autant d'équipes produit continuent de la sauter ?

Car elles confondent construire vite avec construire la bonne solution.
La vitesse ne sert à rien si elle répond au mauvais problème.

C'est pour parler de méthode produit que j'ai eu le plaisir de recevoir Pierre Verdu, ex entrepreneur (Prizm) et ex lead PM chez Free.

Quand Pierre était chez Free, Xavier Niel lui a demandé de créer un Wi-Fi sans bande 5GHz, pour rester pas cher.
Mais, quand il est allé chercher la data, 50% des utilisateurs étaient sur cette bande : ils l'ont quand même mise dans le répéteur.

Cet exemple rappelle l'importance de comprendre l'intention derrière une demande, et la discipline produit nécessaire pour y répondre.

Dans cet épisode, Pierre explique :
L'importance de la discovery pour vérifier que l'on répond au bon problème.
Comment une mauvaise décision produit non testée peut te coûter très cher.
Ce que la GenAI permet d'accélérer, et où l'humain reste indispensable.

Bonne écoute !
Hébergé par Acast. Visitez acast.com/privacy pour plus d'informations.

Fin 2027, le trafic des agents dépassera le search classique.

La vraie question n'est pas d'y croire ou non. C'est de décider, maintenant, combien tu investis pour être trouvable par des agents qui ne pèsent presque rien dans ton trafic aujourd'hui.

Ce scénario est celui que défend Anne-Claire Baschet, Chief Data & AI officer chez Mirakl.
Mirakl, c'est l'infrastructure invisible qui fait tourner le e-commerce de grands retailers et marques internationales.

Anne-Claire est venue décrypter l'état réel du commerce agentique et les décisions qu'il impose déjà.

Elle explique :

Les quatre étapes du commerce agentique et l'état actuel du marché.
Comment penser sa stratégie d'exposition aux LLMs.
La place du SEO face à l'optimisation pour les moteurs de réponse d'IA génératives (GEO/AEO).
Pourquoi les conversational attributes deviennent critiques pour aider l'agent IA à comprendre les usages, les situations, les contraintes et même des informations visuelles que l'humain déduit d'une image.
L'importance de tester vite sur le core business plutôt que sur des cas marginaux à faible ROI.
Hébergé par Acast. Visitez acast.com/privacy pour plus d'informations.

Elena Souiller-Fedorenkova est la Chief Marketing Officer de KNAVE, une FinTech de paiement à l'usage.
Elle est venue sur le podcast pour expliquer comment poser les bases du product marketing en early stage : valider le terrain avant de construire et savoir présenter une solution complexe sans diluer la marque.

Dans cet épisode, elle explique :
L'erreur classique : développer un produit abouti avant d'avoir prouvé que le marché paiera.
Travailler avec des design partners sans leur céder le pricing ni le positionnement.
Pourquoi le SaaS de KNAVE est fourni gratuitement et comment ancrer un prix dans des points de référence connus.
Comment retravailler son positionnement pour chaque verticale : automobile, instruments de musique, robots de service.
Où l'IA augmente le métier du PMM et où l’humain reste irremplaçable.

Bonne écoute !
Hébergé par Acast. Visitez acast.com/privacy pour plus d'informations.

Les agents IA dépassent rarement 80-85 % de fiabilité et dans certains contextes (finance, logistique) ce n’est tout simplement pas acceptable.

Patrick Joubert, multi-entrepreneur installé à San Francisco et cofondateur de Rippletide, explique ce qui manque pour franchir ce cap : une couche d'infrastructure qui valide chaque décision avant qu'elle ne déclenche une action.

À partir de cas concrets (service client, réassort logistique, rapports quotidiens), il montre pourquoi un simple RAG atteint vite ses limites, et comment une approche déterministe fondée sur des ontologies et une base graphe permet de les dépasser.

Patrick partage aussi son regard sur les agents IA, le coût réel des tokens et le futur du logiciel, dans un monde où l'agent devient un nouveau point d'entrée vers les applications.

Dans cet épisode vous découvrirez (entre autres) :

La différence entre un workflow déterministe et un workflow agentique.
Comment faire pour qu’un agent valide sa décision contre un référentiel métier, puis révise l'action prévue avant exécution.
Pourquoi contrôler en priorité les actions irréversibles : remboursement, expédition, patch de production.
L’importance d'avoir une couche sémantique capable d'intégrer des règles métier se trouvant dans des documents non structurés.

Bonne écoute !
Hébergé par Acast. Visitez acast.com/privacy pour plus d'informations.