Le PM à l'ère de l'IA : pourquoi accélérer ne suffit pas
Il y a une question qu'on prend rarement le temps de poser dans les réunions produit de 2026 : est-ce qu'on va plus vite vers le bon endroit ?
Les chiffres sur l'adoption de l'IA dans les équipes tech sont impressionnants. Selon McKinsey, 71 % des organisations utilisent désormais l'IA générative dans au moins une fonction business, contre 65 % début 2024 [1]. Les développeurs peuvent documenter du code deux fois plus vite, écrire de nouvelles fonctionnalités en moitié moins de temps [2]. Les offres d'emploi PM sont au plus haut depuis trois ans, avec plus de 7 300 postes ouverts dans la tech mondiale début 2026, 75 % au-dessus du creux de 2023 [3].
Tout semble indiquer que l'IA est une formidable nouvelle pour le métier de Product Manager. Et c'est vrai, en partie.
Voici ce que la plupart des articles sur "l'IA et le PM" abordent peu : accélérer sans réexaminer ses méthodes, c'est risquer d'aller plus vite dans une direction qu'on n'a pas pris le temps de réinterroger.
Ce qui change concrètement dans le quotidien du PM
L'impact de l'IA sur le Product Management en 2024-2026 est réel et tangible. Il se déploie sur trois niveaux.
Au niveau des tâches opérationnelles, l'IA a massivement absorbé le travail de compilation et de synthèse : analyse de feedback utilisateur, résumés d'interviews, rédaction de user stories, première version de PRD, veille concurrentielle. Ces tâches qui prenaient des heures se font aujourd'hui en minutes. Ce n'est pas anodin : pour beaucoup de PMs juniors et mid-level, c'était 40 à 60 % du temps de travail.
Au niveau du marché de l'emploi, une polarisation nette est en cours. Les rôles "AI PM", qui combinent compétences produit traditionnelles et maîtrise des systèmes IA, ont vu leurs offres doubler en 2025, avec des salaires 10 à 40 % supérieurs aux rôles PM traditionnels [4]. En parallèle, les postes entry et mid-level généralistes représentent une part plus faible du marché. Comme le formule une analyse du marché publiée par Aakash Gupta : "Ne pas être ni spécialiste IA ni généraliste proficient en IA est en train de devenir un handicap de carrière." [4]
Au niveau des dynamiques d'équipe, les topologies changent. Marty Cagan et SVPG ont documenté comment les outils IA réduisent la charge cognitive individuelle, permettant à une même équipe produit de couvrir un périmètre de responsabilité plus large, ce qui peut mécaniquement réduire le nombre d'équipes nécessaires [5].
L'accélération, un point de vigilance
Voici où le discours ambiant mérite qu'on s'y arrête.
La narrative dominante en 2024-2026 est celle de la productivité augmentée : l'IA comme levier d'accélération. Réforge résume ce consensus dans son article "Moving to Higher Ground" : l'IA automatise les parties basse valeur du PM, libérant du temps pour ce qui différencie vraiment les bons PMs [6]. C'est une thèse séduisante. Et partiellement juste.
Partiellement seulement.
Car cette narrative suppose implicitement que les méthodes en place sont saines, que la discovery est bien faite, que la stratégie produit est solide, et que le backlog reflète les vraies priorités. Elle suppose que le problème des équipes produit, c'est la vitesse d'exécution.
Dans beaucoup de startups et scaleups, ce n'est pas le cas.
Pour beaucoup d'équipes produit, l'enjeu premier n'est pas qu'elles vont trop lentement. C'est qu'elles avancent avec conviction dans une direction qu'elles n'ont pas pris le temps de réinterroger. Et si vous donnez à ces équipes des outils IA, elles risquent d'avancer dans cette direction beaucoup plus vite, avec encore plus d'assurance, parce que des synthèses propres et des documents bien rédigés donnent une apparence de rigueur à des décisions dont les fondements n'ont pas été consolidés.
L'IA amplifie la qualité de votre méthode. Si votre méthode est encore fragile, c'est cette fragilité qu'elle amplifie.
Mon point de vue : J'ai vu des équipes utiliser l'IA pour générer des résumés d'interviews utilisateurs en 2 minutes, sans jamais avoir construit le protocole de recherche pour que ces interviews soient valides. Résultat : des insights synthétisés avec précision à partir de questions biaisées. La vitesse de synthèse a masqué la faiblesse de la méthode. C'est ça, la dette méthodologique en action.
Introduction : la dette méthodologique
En ingénierie, la dette technique désigne le coût futur des raccourcis pris aujourd'hui. On livre vite, on contourne la complexité, et on reporte le prix à payer. Le terme a été popularisé par Ward Cunningham dans les années 1990 et est devenu un concept central du management tech.
La situation que je décris a besoin d'un concept similaire : la dette méthodologique.
La dette méthodologique, c'est l'accumulation de pratiques PM mal fondées, perpétuées et amplifiées par des outils puissants. Elle se constitue quand : - On utilise l'IA pour synthétiser des données sans avoir d'abord validé que ces données mesurent ce qu'on croit mesurer - On génère des PRD rapidement sans avoir fait la discovery qui justifie les choix - On itère plus vite sur des hypothèses qui n'ont jamais été formellement posées ni testées - On produit des roadmaps détaillées et bien présentées qui reflètent la politique interne plus que les besoins utilisateurs
Comme la dette technique, la dette méthodologique s'accumule silencieusement. Elle est invisible dans les sprints, les démos et les OKRs. Elle ne devient visible que quand des produits bien exécutés échouent sur le marché, et là, on l'attribue généralement à "l'exécution" ou au "timing", pas aux fondements méthodologiques.
Ce concept n'est pas encore formalisé dans la littérature PM dominante. C'est délibéré de ma part : je pense qu'il manque un cadre pour nommer ce phénomène et y remédier.
Ce que les leaders produit nous disent (et ce qu'ils omettent)
La prise de conscience existe. Les voix les plus respectées du secteur en parlent, mais avec des angles différents.
Lenny Rachitsky, dans sa newsletter suivie par des centaines de milliers de PMs, a publié des analyses sur l'impact de l'IA sur le rôle [7]. Sa position : les PMs resteront le "glue" ou le "conductor" qui coordonne tout. Le rôle ne disparaît pas, il évolue. Il documente aussi régulièrement le marché de l'emploi, montrant que la demande PM globale est robuste [3].
Ce que Lenny dit moins : la robustesse du marché cache une polarisation croissante. Les "AI PM" s'en sortent très bien. Les PMs généralistes sans compétence IA réelle se retrouvent sur un segment de marché en rétrécissement.
Marty Cagan et SVPG ont publié plusieurs articles sur le sujet en 2024-2025 [5]. Cagan a documenté comment le rôle devient "plus compliqué et plus important" simultanément. Il met en garde contre deux extrêmes : ceux qui pensent que "rien ne changera substantiellement" et ceux qui prédisent la disparition du PM. Sa position nuancée est précieuse.
Ce que SVPG dit moins : même si le rôle survit, les méthodes sur lesquelles il repose ont besoin d'une refondation explicite. La question n'est pas "le PM existera-t-il encore ?" mais "quelles pratiques PM ont encore un sens à l'ère de l'IA ?"
Reforge propose sa réponse avec l'article "Moving to Higher Ground" [6] : les PMs doivent monter en abstraction, se concentrer sur ce que l'IA ne peut pas faire. La direction est juste. Mais "monter en abstraction" n'est pas une méthode, c'est une intention.
a16z a publié en 2025 un article intitulé "5 Principles for Product Managers Fending Off Obsolescence in the AI Era" [8], le titre lui-même dit quelque chose de l'inquiétude ambiante. Même chez les VCs les plus proches du terrain, le message a une part défensive : comment rester pertinent ? La question qui reste peu explorée : comment reconstruire les fondements ?
Mon point de vue : Ce qui me frappe, c'est que les leaders produit que je cite sont tous brillants et honnêtes. Mais leurs réponses portent sur le rôle, sa survie, son évolution, ses nouvelles compétences. Très peu abordent la question des pratiques et méthodes : est-ce que la façon dont on fait de la discovery, de la prioritisation, de la stratégie produit est encore adaptée ? C'est là que je vois le trou dans la raquette.
Les signaux faibles d'une transformation plus profonde
Quelques données méritent d'être lues différemment.
Une enquête menée par Test Double sur l'IA en Product Management révèle que si l'IA "gagne du temps et améliore l'efficacité", son adoption dans les rôles stratégiques et à fort impact reste lente. "Beaucoup d'équipes se concentrent sur des améliorations incrémentales plutôt que de réimaginer comment l'IA peut driver une prise de décision plus intelligente." [9]
Autrement dit : les équipes utilisent l'IA là où c'est facile, pas là où c'est critique.
Par ailleurs, selon les données McKinsey, 78 % des organisations utilisent l'IA en 2025, mais seulement 6 % ont réellement scalé leurs usages IA au-delà de pilotes isolés [10]. Le fossé entre "avoir des outils IA" et "avoir une organisation IA-native" est béant.
Et selon Forrester, 50 % des décideurs tech feraient face à une dette technique "modérée ou sévère" en 2025, montant à 75 % en 2026, en grande partie due à des déploiements IA précipités qui privilégient la vitesse sur la durabilité [11]. La même dynamique existe, sans être nommée, au niveau des pratiques PM.
Pourquoi les startups et scaleups sont particulièrement exposées
Les grandes entreprises ont des équipes produit larges, des processus formalisés, des frameworks de prioritisation établis. L'IA les accélère, parfois maladroitement, mais la structure absorbe les chocs.
Les startups et scaleups n'ont pas ce filet. Le PM y est souvent seul ou presque. Il jongle entre discovery, exécution, stratégie et communication stakeholder. Dans ce contexte, l'IA est tentante comme raccourci structurel : générer une roadmap, synthétiser des feedbacks, écrire des specs. Rapide, propre, présentable.
Mais dans une startup, une prioritisation mal orientée ne coûte pas une feature ratée, elle coûte six mois et parfois la mise de fond. L'IA qui accélère une décision produit fragile peut la rendre plus difficile à contester, précisément parce qu'elle est mieux documentée.
Mon point de vue : C'est pour ça que je pense que la question centrale pour les PMs de startups en 2026 n'est pas "quels outils IA utiliser ?" mais "quels fondements méthodologiques reconstruire en partant du principe que l'IA fait partie de l'équipe ?" C'est une question de design d'organisation et de méthode, pas de stack technologique.
Ce que cet article inaugure
Cet article est le point de départ d'une série. La thèse que je veux défendre, et documenter, tient en trois idées :
1. L'IA invite à réexaminer les fondements méthodologiques existants. Ce n'est pas qu'une question de compétences nouvelles à acquérir. Certaines pratiques PM héritées de l'ère "Agile + Design Thinking" méritent d'être repensées pour un monde où les hypothèses peuvent être testées en heures plutôt qu'en sprints.
2. La dette méthodologique est le vrai risque pour les équipes produit en 2026. Pas l'IA qui "remplace" les PMs. Pas le manque d'outils IA. Mais l'accumulation silencieuse de mauvaises pratiques amplifiées par des outils puissants.
3. La reconstruction est possible, et elle passe par trois piliers. La technicité stratégique (comprendre ce que l'IA fait vraiment, pas juste l'utiliser). La méthode avant l'outil (reconstruire les fondements avant d'adopter les outils). L'architecture humain-IA (repenser la répartition des responsabilités entre humains et systèmes dans le processus produit).
Les prochains articles exploreront chacun de ces piliers avec des exemples concrets, des frameworks opérationnels et des prises de position assumées.
La question n'est pas : l'IA va-t-elle remplacer les PMs ?
La vraie question est : quel type de PM sera encore pertinent quand l'IA aura absorbé tout ce qu'elle peut absorber ?
Sources
[1] The State of AI: Global Survey 2025, McKinsey, Données sur l'adoption de l'IA générative dans les organisations (71 % en 2025 vs 65 % début 2024)
[2] Unleashing Developer Productivity with Generative AI, McKinsey, Données sur les gains de productivité des développeurs (code 2x plus rapide, documentation moitié moins longue)
[3] State of the product job market in early 2026, Lenny's Newsletter, 7 300+ postes PM ouverts mondialement, +75 % vs creux 2023
[4] AI PM Salaries & Hiring Report 2025: 12K+ Roles, Aakash Gupta, Doublement des rôles AI PM en 2025, salaires 10-40 % supérieurs, polarisation du marché
[5] AI Product Management 2 Years In, SVPG / Marty Cagan, Analyse de Cagan sur l'évolution du rôle PM et des topologies d'équipes à l'ère IA
[6] Moving To Higher Ground: Product Management In The Age of AI, Reforge, Thèse de Reforge sur l'automatisation des tâches bas de gamme et la montée en abstraction des PMs
[7] How AI will impact product management, Lenny Rachitsky / Lenny's Newsletter, Position de Lenny : le PM reste le "glue" coordinateur, le rôle évolue mais ne disparaît pas
[8] 5 Principles for Product Managers Fending Off Obsolescence in the AI Era, a16z, Guide a16z pour les PMs sur comment rester pertinents à l'ère de l'IA (publié 2025)
[9] New survey: How AI is already transforming product management, Test Double, Enquête sur l'adoption IA en PM : gains opérationnels réels, adoption stratégique lente
[10] State of AI 2025: 78% Adoption, 74% ROI, but Only 6% Scale, Punku AI, Données sur le fossé entre adoption et scale réel de l'IA en entreprise
[11] How to Manage Tech Debt in the AI Era, MIT Sloan Management Review, Forrester : 50 % des décideurs tech face à une dette technique modérée ou sévère en 2025, montant à 75 % en 2026 du fait des déploiements IA précipités