Just a Click

Katia Gil Guzman travaille dans l’équipe Developer Experience d’OpenAI, dont le rôle est de pousser les produits et modèles dans leurs limites, puis d’aider les builders à les utiliser au mieux.

Katia a été software engineer chez Microsoft, elle a monté sa propre startup, puis a travaillé chez Stripe comme solution architect avant de rejoindre OpenAI.

Si vous construisez des produits tech, cette conversation vous aidera à comprendre ce que l'IA change dans votre workflow produit et engineering. Enregistré en septembre 2026, l’échange pose des repères concrets sur le context engineering, les skills, le coût des tokens, la place des PM, et les nouvelles compétences à développer quand le code devient beaucoup plus accessible.

Katia explique :
Pourquoi les product managers d'OpenAI prototypent directement dans le code maintenant que construire ne coûte presque plus rien.
Comment utiliser les skills pour encoder le jugement d'une équipe et permettre à des PM de travailler dans le repo sans tout casser.
Comment arbitrer entre un modèle puissant et un modèle plus petit pour garder le coût en tokens sous contrôle.
L'avantage d'être un junior aujourd'hui quand le "taste" et l'ambition comptent plus que l'expérience accumulée.

Timeline :
00:00 La construction de produits à l’ère des LLM
04:05 Persona types de Codex, ambition de ChatGPT Work et notion de harnais
07:57 Automatiser les demandes Slack et les PR avec Codex
11:24 Gérer le coût des tokens et choisir entre Astra et Luna
18:27 Context engineering dans un travail solo ou en équipe
22:24 AGENTS.md et skills dans un repo de code
27:59 Appeler des skills automatiquement et transformer un screenshot en composant HTML
32:01 Pourquoi les product managers codent directement dans le produit
36:35 Le rôle des product managers quand les ingénieurs peuvent tout prototyper
41:14 Écrire sans AI slop avec des skills de style personnels
46:57 ChatGPT Work pour les présentations, les documents et les tâches personnelles
51:28 Ce que les équipes produit et tech sous-estiment encore
55:28 UI générative, agents et nouveaux critères de réussite produit
1:00:20 Alignement des modèles et limites à ne pas franchir
1:03:46 Faire découvrir les fonctionnalités et les faire adopter
1:09:31 Pourquoi les juniors ne sont pas les perdants de cette transformation

Référence : L'article sur l'incident Hugging Face avec OpenAI.
—
💼 Vous souhaitez travailler avec moi ? Découvrez mes services ici.
—
Hébergé par Acast. Visitez acast.com/privacy pour plus d'informations.

Pauline Marol a rejoint PlayPlay en 2018 comme première PM / Head of Product.

Aujourd'hui elle occupe le poste de CPTO et elle est en charge d'environ cinquante personnes à la tech et au produit.
PlayPlay c'est un SaaS B2B de création vidéo pour les équipes communication et marketing.

Dans cet échange, Pauline me partage ses apprentissages sur la construction d'un produit AI-native.
On y parle de dépendance aux modèles, qualité des outputs, coûts en tokens, roadmaps moins prévisibles, nouveaux critères d’évaluation, et impact très concret sur l’organisation produit.

Elle explique :
La différence entre un produit AI-powered et un produit AI-native.
Pourquoi l’exploration d’un produit agentique n’a pas pris au départ.
Ce que le débat sur les “wrappers” rate souvent : la valeur se joue dans le choix des modèles, l’enchaînement des prompts système, la couche d’expérience, et l’expertise métier injectée entre l’input utilisateur et l’output final.
Pourquoi PlayPlay a appris à ne plus annoncer certaines roadmaps trop tôt.
L'importance des fondamentaux du produit.
La nouvelle discipline économique des features IA : PlayPlay suit désormais l’usage, la consommation de tokens, le coût facturé, les coûts R&D et l’impact dans Salesforce sur les nouveaux contrats et les renouvellements.
L’impact organisationnel : pourquoi les squads classiques ne suffisent pas toujours pour l’AI-native, comment les rôles PM, QA, team lead et dev évoluent.

Timeline :
00:00 Présentation de Pauline et de Playplay
02:38 Différence entre un produit AI-powered et un produit AI-native
06:49 Pourquoi l’approche agentique n’a pas pris chez Playplay
10:23 Partir des modèles de génération d’images pour lancer Playplay Design
14:44 Pourquoi le carousel a été abandonné en cours de route
19:01 Passer des features à l’édition de visuels
22:07 Pourquoi le terme wrapper est réducteur
25:17 Mesurer les coûts tokens et le ROI produit
31:14 Le playbook AI-native construit à partir des produits AI-powered
34:46 Vibe checking, dataset et critères d’évaluation
38:27 Construire la tuyauterie avant le front-end
44:06 Positionnement premium, bêta et accompagnement client
49:43 Réorganiser les squads et les rôles autour de l’IA
53:09 Garder les métiers de la tech et rester humain
55:33 Product Builder, PM AI-natifs : apprendre l’IA en faisant
—
💼 Vous souhaitez travailler avec moi ? Découvrez mes services ici.
—
Hébergé par Acast. Visitez acast.com/privacy pour plus d'informations.

François de Bodinat a travaillé près de dix ans chez Dassault Systèmes entre les États-Unis et le Japon, avant de fonder Givted puis il est passé par Amazon Advertising avant de devenir CMO/CPO chez ZeroLight et CPO chez Younited. Il a publié Leading Product: The Hard Trade-Offs en mars 2026 et a rejoint Oliver Wyman en avril 2026 comme Managing Director, Product and Assets. Il est basé en Angleterre.

Durant cette conversation, François ramène du vrai et du concret dans ce qu'est le rôle d’un CPO, loin de son image fantasmée.
À l’heure où l’IA générative rend les prototypes plus rapides, François nous rappelle les fondamentaux du product management : choisir quoi construire, pourquoi, pour qui, avec quel impact business, et comment aligner une organisation sans se cacher derrière le jargon produit.

Il explique :
Pourquoi le CPO ne “possède” pas le produit.
Les limites du product trio isolé : François explique pourquoi les décisions produit importantes nécessitent souvent bien plus que le product manager, engineering manager et product designer.
Le leadership par exposition : faire monter des Heads of Product en COMEX, leur laisser porter leur expertise, et assumer soi-même le risque si la discussion se passe mal.
Décider, c’est aussi décevoir : François insiste sur le temps passé à expliquer ce qui ne sera pas fait, pourquoi les ressources sont limitées, et comment garder l’alignement après un choix difficile.
IA générative et mythe du product builder : le vibecoding aide à explorer et prototyper mais ne remplace ni l’ingénierie nécessaire pour un produit vendable et sécurisé, ni le travail business et marketing.
La notion d'Impact Market Fit et pourquoi le Product Market Fit ne suffit plus.

Timeline :
00:00 Le parcours de François, du développement logiciel au CPO
06:20 Pourquoi le livre met en avant les échecs et les apprentissages
10:06 Le produit n’appartient pas au CPO
13:03 Plusieurs types d’ownership et un travail de co-ownership
16:37 Comment relier l’impact produit au P&L
19:53 Le mythe du product builder à l’ère de l’IA
23:27 L’équipe produit comme gardienne de l’expérience client
27:32 Faire monter les heads of product au COMEX
35:02 Les choix qui déçoivent toujours quelqu’un
39:23 Trop de demandes, pas assez de ressources
42:54 Le retour du product marketing face au product builder
47:40 Copier la stratégie ne suffit pas, il faut le contexte
50:03 L’Impact Market Fit
52:31 La puissance de l’ignorance dans un nouveau poste
57:39 Arriver humblement et gagner des quick wins
1:02:12 Revenir aux fondamentaux du produit sans jargon
1:06:15 Ce qui nourrit François au quotidien

Si cette conversation vous a plu, n'hésitez pas à le dire à François sur LinkedIn.
Vous pouvez également jeter un oeil à son livre Leading Product: The Hard Trade-Offs.

*François parle en son nom propre. Ses propos n'engagent pas son employeur.
**All views expressed are François' own and not those of his employer.
---
—
💼 Vous souhaitez travailler avec moi ? Découvrez mes services ici.
—
Hébergé par Acast. Visitez acast.com/privacy pour plus d'informations.

Caroline Ramade travaille depuis une vingtaine d’années dans la tech. Ancienne co-CDO de la Mairie de Paris, elle a dirigé Willa, incubateur dédié aux femmes entrepreneures, puis a été CEO de 50inTech pendant plus de six ans, où elle a créé une grande communauté européenne de femmes dans la tech et une plateforme de sourcing et recrutement pour les entreprises tech.

Elle dirige aujourd’hui les activités françaises de Q7 Leader et accompagne des CEO, leaders et équipes people, notamment avec la PNL.
Manager en hypercroissance demande autre chose que d’être excellent techniquement. Cette conversation aide à résoudre un problème très concret : comment donner du cadre, du feedback, de la reconnaissance et de l’équité quand les priorités bougent vite. Caroline partage des rituels de management, des alertes sur la transparence en startup, et un regard précis sur la rétention des femmes dans la tech, encore plus critique à l’ère de l’IA.

Vous découvrirez (entre autres) :

Pourquoi Caroline considère que beaucoup de managers tech ne savent pas faire : ils sont souvent promus pour leurs compétences techniques, alors que leur rôle demande surtout des attentes claires, du feedback, de la reconnaissance et du support.
Le one-on-one comme hygiène de management : une demi-heure toutes les deux semaines, un template partagé, un suivi des bloqueurs, un vrai pulse émotionnel, et un espace où la sécurité psychologique est explicitement posée.
Comment garder du cadre dans l’hypercroissance : Caroline recommande une North Star, des OKR ou des SMART goals sur un trimestre, puis des revues régulières pour distinguer ce qui relève du contexte, de l’organisation ou de l’équipe.
La transparence sans panique : dire ce qu’on sait, ce qu’on ne sait pas, et les conditions de réussite de l’entreprise, sans transformer les équipes en réceptacle permanent du stress du CEO.
La frontière entre équipe et “famille” en startup : Caroline critique les cultures qui glorifient le sacrifice, les week-ends imposés et les “brilliant jerks”, et défend une équipe construite sur les compétences, la responsabilité et le collectif.
Ce que les évaluations mal cadrées produisent pour les femmes dans la tech : biais dans la lecture de la performance et du potentiel, manque de perspectives de carrière, dépendance excessive au manager et besoin de frameworks communs pour réduire l’arbitraire.
Pourquoi le sujet devient stratégique avec l’IA : Caroline insiste sur le risque de reproduire les biais existants si les femmes restent sous-représentées dans les équipes qui conçoivent les outils et les produits de demain.

Découvrez son podcast Beautiful People sur Apple Podcast ou Spotify.

Timeline

00:00 Parcours de Caroline Ramade, de la Mérite. De Paris à Fifteen Tech et Q7 Leader
03:57 Pourquoi des managers de la tech se retrouvent en difficulté en hypercroissance
06:54 Feedback, reconnaissance et one-on-one comme base du management
12:04 Comment structurer un one-on-one régulier et sécurisant
16:19 OKR, priorités stables et routine de suivi dans une boîte qui change vite
20:41 Transparence, vulnérabilité du leader et niveau d’information à partager
24:41 Runway, levées de fonds et honnêteté avec les équipes
28:53 Manager pendant une levée de fonds et une crise personnelle
33:04 Pourquoi une startup n’est pas une famille mais une équipe
37:35 Rétention des femmes dans la tech et biais dans l’évaluation annuelle
41:06 Le people Model Canva pour fixer les attentes sur un rôle
44:08 Trois réflexes pour réduire les biais quand on manage des femmes dans la tech
49:09 Computer Girls, Hidden Figures et les rôles modèles féminins en tech
53:42 Développer des lines manageriales et coacher les coachs
57:23 Pourquoi les CEO doivent s’assurer d’avoir les bons people et les bonnes compétences
—
💼 Vous souhaitez travailler avec moi ? Découvrez mes services ici.
—
Hébergé par Acast. Visitez acast.com/privacy pour plus d'informations.

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 !
—
💼 Vous souhaitez travailler avec moi ? Découvrez mes services ici.
—
Hébergé par Acast. Visitez acast.com/privacy pour plus d'informations.