La Product Conf 2026

• l'AI PM spécialiste : une offre sur sept selon des données TrueUp relayées par Lenny, donc une spécialité, « surtout du hype » ;
• le developer PM : utiliser Claude Code ou Cursor comme outil de travail, ce n'est pas du hype ; pousser du code en production en amateur, en revanche, est jugé « bizarre » ;
• la fin des PM : un « non-sens », sauf pour le delivery Product Owner qui traduit une roadmap en backlog. Gilad le compare aux dessinateurs industriels remplacés par la CAO.

Sur scène : le « Brain Fry » est défini comme une surcharge cognitive intense liée à l'usage intensif de l'IA. Ce n'est pas un burn-out : c'est plus aigu, mais ça passe plus vite. Une étude du BCG (environ 1 500 salariés américains) est citée : 39 % de ceux qui en souffrent disent faire davantage d'erreurs majeures.

Warembourg (Renault) parle de « la machine qui ne s'arrête pas » : les respirations naturelles des passations entre équipes disparaissent, et c'est « grisant », donc dangereux. Il l'a vécu lui-même. Ses règles :

• pas plus de trois outils ou agents en parallèle (étude BCG) ;
• timeboxer ;
• savoir renoncer ;
• garder un rythme humain : « trouvez la personne qui vous fait lever la tête du Mac ».

Doucet (Meilleurtaux) décrit quatre tensions avec le métier et le comex :

• la pensée magique (« tout va vite, donc plus besoin de prioriser ») ;
• la confusion entre prototype et produit industrialisable ;
• l'IA comme prétexte au débat sur la productivité : « mettre de l'IA sur une équipe qui a un défaut dans son modèle opératoire, ça ne fera que l'accentuer » ;
• la pression à raconter une histoire IA.

Ses réponses : l'IA dans les objectifs individuels pour dégager du temps, des guildes puis des « champions » qui écrivent des skills, et de la formation jusqu'au top management.

Silvart (Pennylane) constate une polarisation des équipes et un syndrome de l'imposteur, symptômes d'un manque d'orchestration. Un prototype Figma Make de 3 h a consommé quatre fois les crédits mensuels d'un contributeur (environ 500 €). Pennylane distingue trois postures (adopteur, explorateur, pionnier) et réinvestit les gains dans la qualité : les objectifs de recrutement n'ont pas été revus à la baisse.

Dans la salle, une psychologue insiste sur le coût des changements de tâche. Les panélistes admettent ne pas avoir organisé de temps de récupération.

Lecture d'Alexandra Martin (Marmelab) : la session est classée 3ᵉ de ses cinq préférées. Elle retient quatre causes (travail solo avec une IA qui ne s'arrête pas, réseaux sociaux, confusion prototype/produit, dysfonctionnements organisationnels amplifiés) et conclut que « la collaboration et la priorisation n'ont jamais été aussi vitales ».

• le nouveau dépôt d'annonce Leboncoin, qui combine un ML maison (catégories, attributs) et un LLM (description générée, prix suggéré) ;
• l'assistant Skello d'aide à la préparation de la paie, qui interroge les données RH du compte.

• un golden set d'environ 50 questions rejoué à chaque modification ;
• une revue hebdomadaire d'un échantillon de questions posées en production ;
• un LLM-as-a-judge.

• chez Leboncoin, environ 1 M d'annonces par jour et un coût absorbé (le dépôt est gratuit) : petits modèles, ML maison, modèles open source auto-hébergés à l'étude, une seule génération possible ;
• chez Skello, des limites d'usage par offre et un garde-fou anti-abus.

• discovery continue à partir de ce que tapent les clients (tâche Claude hebdomadaire) ;
• app « vibe-codée » qui compare descriptions générées et descriptions publiées. Elle a montré qu'un tiers des vendeurs suppriment la phrase de contact, et elle pousse désormais un prompt corrigé en production.

• une cassure de la courbe des nouvelles entreprises créées sur Stripe depuis janvier 2026 ;
• 1 900 Md$ traités en 2025, soit 1,6 % du PIB mondial ;
• Patrick Collison qualifie le T1 2026 de possible « premier trimestre de la singularité ».

• Les agents peuvent-ils vous trouver ? C'est le GEO (Generative Engine Optimization). Le trafic LLM vers la documentation Stripe a été multiplié par 10 en 2025, et les agents la liront plus que les humains en 2026 : la doc est en cours de réécriture.
• Peuvent-ils interagir ? Captchas, vérifications par email, uploads de photos et listes déroulantes forment une « friction tax ». Stripe repense son dashboard et a créé des « Claimable Sandboxes » accessibles par API.
• Ont-ils un cadre clair et sécurisé ? Il faut savoir qui est le merchant of record, qui a délégué quoi et pouvoir tracer. Les standards MCP et ACP (ce dernier co-écrit par OpenAI et Stripe) et des jetons de paiement bornés, sur le modèle des cartes virtuelles, y répondent.

• 80 % des employés utilisent l'IA chaque jour, avec Claude Code côté devs et Dust pour le reste ;
• l'IA est inscrite dans les parcours de carrière, avec date butoir ;
• 80 % du code est écrit par des agents, mais le gain réel tourne autour de 20 à 30 % : le temps libéré part ailleurs et les goulots se déplacent ;
• le ratio PM/devs n'a pas bougé ;
• le goulot s'est déplacé vers la mise sur le marché : « Pour la première fois de ma vie, quelqu'un côté revenu m'a dit : tu livres trop ».

• le CEO a légitimé l'usage de l'IA, puis l'accès libre aux outils a fait émerger des power users et une journée IA ;
• les 2 h hebdomadaires bloquées ont été abandonnées au profit de sprints dédiés ;
• le gain de vélocité n'est pas encore démontré ;
• le goulot est côté PM, d'où des squads à 1 PM pour 3 devs ;
• « à force de prototyper dans tous les sens, on a oublié les fondamentaux ».

• il faut dépasser « l'enthousiasme volontaire » et bâtir le nouvel operating system produit ;
• selon des audits de Stanford, 50 à 70 % du code est généré par IA dans certaines équipes ;
• la discovery multi-agents s'est révélée décevante une fois examinée en détail.

• être « intentionnaliste », un workflow à la fois ;
• figer ses outils un temps ;
• ne pas attendre trop longtemps pour passer à l'échelle (Parola) ;
• anti-conseil de Cordel : une « AI team » séparée qui fait les features IA ne marche pas, contrairement à une équipe d'enablement ;
• investir dans un knowledge management lisible par des agents.

• le CEO pousse lui-même des pull requests ;
• un hackathon d'une journée, obligatoire pour les ~150 personnes (ingénieurs ou non), a produit 30 à 40 PR, dont une dizaine partiront en production ;
• remise en cause de toutes les hypothèses du produit.

• le code a beaucoup moins d'importance : la duplication est tolérée, et le goulot devient la revue de PR, à traiter par des tests automatiques et un changement culturel ;
• la triade s'inverse : peu d'ingénieurs avec des agents, et une renaissance des PM et des designers ;
• la spec devient la source de vérité (spec-driven development) ;
• la confiance des utilisateurs et la distribution deviennent les actifs clés.

• l'explicabilité crée la confiance : en 12 entretiens, les utilisateurs doutaient du raisonnement, pas des résultats, d'où une evidence layer (citations d'avis, extraits de menus, photos) qui a aussi aidé à repérer des bugs ;
• écouter de cinq façons (Amplitude, observabilité IA, sondage interne, canal Slack qui a permis de corriger 72 bugs, tests utilisateurs), en surveillant la perception du temps de réponse ;
• prouver la valeur et faciliter l'adoption sont deux problèmes différents : 17 % de conversion et 91 % de recherches réussies, mais 3,7 % d'adoption (cible 5 %), car la fonctionnalité était isolée dans l'app.