Prochain LIVE jeudi 07/11 à 13h00 sur LinkedIn
Podcast Just a Click
Tous les épisodes > Moodi Mahmoudi, La puissance de l’IA au service de la Product Discovery

Moodi Mahmoudi, La puissance de l’IA au service de la Product Discovery

Épisode #55 | Publié le 14 février 2024

Moodi Mahmoudi

Moodi Mahmoudi est le CEO et cofondateur de NEXT, une plateforme basée sur l’IA qui transforme les interactions clients en informations sur les produits.

En tant que product managers nous connaissons bien nos utilisateurs.

Nous menons des interviews.

Nous faisons des A/B tests.

Nous mesurons nos NPS.

Mais nous oublions parfois que nous ne sommes pas les seuls à bien connaître nos utilisateurs.

Il y a aussi les commerciaux qui vendent le produit.

Il y a le support client qui assure le SAV.

Etc.

Bref, toute personne qui parle au client collecte des informations qui peuvent éclairer nos décisions product.

Alors comment faire pour aller chercher toutes ces données « dormantes » sans se tuer à la tâche ?

L’intelligence artificielle générative contient peut-être une partie de la réponse…

C’est donc pour discuter des opportunités qu’offre la #GenAI dans les métiers du produit que j’ai eu le plaisir d’échanger avec Moodi Mahmoudi.

Dans cet épisode vous découvrirez (entre autres) :

  • Comment démocratiser l’accès aux données utilisateurs grâce à l’intelligence artificielle.
  • En quoi l’IA peut permettre de mieux informer la product discovery.
  • Le rôle du product manager augmenté.

Ressource :

Bonne écoute !

Transcription de l'épisode : "Moodi Mahmoudi, La puissance de l’IA au service de la Product Discovery"

Terry : Salut Moodi, merci de prendre du temps aujourd'hui pour parler de Product Discovery et en quoi cette pratique est en train de vachement évoluer grâce aux nouveaux outils qui sont en train d'être développés autour de l'intelligence artificielle. la phase de recherche utilisateur et aujourd'hui une phase du métier de Product Manager qui est en train d'être repensé grâce à l'usage des différents outils d'intelligence artificielle. Donc ça va être la thématique de notre épisode d'aujourd'hui. Et avant de rentrer dans le vif du sujet, je te propose de te présenter et puis de nous dire ce que tu fais.

Moodi : Bonjour Terry, merci de m'accueillir sur ton podcast. Je suis Moodi, le cofondateur de Next. Next est une entreprise AI de Product Discovery. Nos clients utilisent l'outil pour mieux comprendre et appréhender les besoins de leurs utilisateurs et les intégrer dans leurs flux produits. On travaille avec des grands groupes du genre Deloitte, Bosch, Canon, Autodesk, ou même des startups comme Wahee, une entreprise de real estate au Canada. Et on a hâte de voir cette vague de AI qui transforme tout ce qu'il y a autour de produits et nous sommes embarqués dans cette révolution.

Terry : Très très clair, du coup pour comprendre un petit peu d'où tu viens avant de rentrer sur le cœur de ce que vous faites chez Next et du coup des différents outils que vous développez, toi un petit peu, si tu devais le faire en version assez condensée, le résumé de ton background et qu'est-ce que tu as fait avant de lancer ce projet ?

Moodi : Donc Next, ma troisième entreprise. Ma première était une boîte d'annonces classées ou de petites annonces lancées au Canada dans ma dernière année d'études à Montréal. Ensuite, une autre entreprise dans l'écosystème SAP. Donc celle-là, toujours était dans le monde produit. Tout ce que j'ai fait était autour du produit. D'ailleurs, ça se voit parce que la frustration qu'on a, je crois, générée dans les deux premières boîtes, on essaye de les résoudre dans cette troisième. Donc, un entrepreneur qui, à chaque fois, je suis tombé amoureux des idées et des opportunités de marché. J'ai été entouré de bonnes personnes qui m'ont permis de créer des entreprises et de faire de belles choses. Donc, voilà.

Terry : Très très très clair du coup pour aller dans le cœur donc de ce que fait Next aujourd'hui donc si je si je devais résumer si je si je dis du coup que c'est une plateforme ça ce qui va permettre aux product managers de en fait de les de les mettre entre guillemets sous stéroïdes et de leur permettre de se concentrer eux sur des tâches à haute valeur ajoutée pour décharger des tâches à faible valeur ajoutée sur la phase recherche utilisateur est-ce que déjà je suis plutôt dans dans le bon et ensuite, quelle serait la fonctionnalité phare que tu pourrais me pitcher là tout de suite, la première qui te vient en tête dans ce contexte-là ?

Moodi : Tout d'abord, je pense que tu es en plein sur le bon chemin. Effectivement, tout ce qui est Product Discovery a toujours été très compliqué à faire. Compliqué dans le sens où il y a beaucoup de data qualitatifs. Juste pour te donner un exemple, une conversation de une heure avec un utilisateur, c'est un transcript de 21 pages.

Terry : Donc ouais, le transcript pour ceux qui sont moins familiers avec le monde peut-être les plus tech d'entre nous, c'est vraiment écrire en fait...

Moodi : C'est le rendu en papier, si tu veux, 21 pages de texte. Complètement non structuré, complètement chaotique où l'utilisateur te parle sur une ligne de ses besoins, de l'autre d'une solution. faire du sens dans tout ça, c'est très compliqué. Donc l'idée pour nous a été tout d'abord d'essayer de permettre au PM d'avoir une approche plus cohérente, plus automatisée à tout ça. Et revenons à ta question sur la fonctionnalité phare, et moi je dis souvent ça au PM, c'est « et si vous pourriez parler avec vos données ? » littéralement, leur poser des questions, leur demander des choses, approfondir vos soucis, vos inspirations, et si vous pourriez leur parler à vos données. Et c'est ça la fonctionnalité clé de Next, essentiellement ce qu'on permet à faire aux équipes produits, c'est de connecter leurs différentes sources d'informations. Ces sources d'informations, bien sûr, peuvent avoir des conversations PM avec des utilisateurs, mais j'irais même plus loin en théorie. Imagine si un PM pouvait avoir accès aux conversations du customer success avec les clients. Si le PM pouvait avoir accès aux conversations sales, aux conversations des execs, aux conversations support, au-delà de ses propres conversations avec les utilisateurs, Tout ça dans un même base de données où toutes ces informations arrivent. L'outil Next comprend, j'utilise vraiment le mot comprendre, ces conversations et de l'autre côté permet au PM de poser des questions. Par exemple, je suis un PM, la semaine prochaine je dois améliorer la fonctionnalité search de mon outil. Qu'est-ce que les gens disent de Search? C'est quoi leur besoin? Qu'est-ce qui marche? Qu'est-ce qui marche pas? Ils peuvent littéralement venir de manière conversationnelle, interagir avec leurs données, trouver les réponses. Toujours les réponses sont supportées par des clips et des extraits de ces conversations initiales. On pourra en parler de ce qui est la confiance ou le trust dans l'AI pour avoir des réponses qui peuvent actionner immédiatement.

Terry : Très clair, donc là tu as parlé de pas mal de concepts sur lesquels j'aimerais qu'on revienne petit à petit. Donc le premier là qui est en fait aller agréger différentes remontées utilisateurs, différentes remontées de problématiques ou de besoins qui peuvent venir du support de niveau 1, des commerciaux qui font leur pitch, de l'équipe produit qui fait sa propre discovery. On parle parfois dans certaines boîtes très sasses de feedback loop pour ce genre de sujet qui est en fait comment tu fais pour que ton équipe sales qui est une façon très spécifique de travailler puisse interagir de manière la plus fluide possible avec l'équipe produit donc je comprends bien du coup la réponse à cette problématique là. t'as également touché du doigt le fait que derrière il y a la capacité à intelligence, enfin, interaction conversationnelle, donc derrière c'est là aussi où la brique que j'imagine d'intelligence artificielle vient aussi se connecter, mais avec une capacité de voir ce qu'il y a sous le capot pour comprendre justement comment les réponses sont données, parce que qu'on te donne des réponses en disant bah ok 80% des utilisateurs ont besoin de cette fonctionnalité, si tu sais pas le cheminement intellectuel, même s'il est de manière programmatique, qui a été menée, ça va être compliqué derrière d'aller défendre des gros budgets pour implémenter la fonctionnalité. Donc avant d'aller sur cette deuxième partie sous le capot et un petit peu comment du coup on peut ouvrir le capot de ce que vous faites avec Next pour comprendre comment interfacer, pardon, comment les logiques décisionnelles sont proposées, sur la première phase du coup de permettre aux product managers d'avoir des remontées potentiellement sales, support clients et autres pour mener à bien leur discovery. je vais volontairement du coup challenger ça dans le sens où en tant que produit je pourrais donc utiliser cette solution pour dire ok on va pousser pour le prochain quarter cette fonctionnalité qui répond à ce problème et en face je pourrais avoir d'autres sales qui viendraient me dire bah non en fait nous là on a un gros enjeu pour ce prochain quarter de signer tel client, il faut cette fonctionnalité, je te confirme que tu n'as pas ça dans ta remontée de données parce qu'en fait on vient juste de discuter avec ce client mais il faut quand même le faire. Comment un petit peu au niveau plus organisationnel produit, tu peux répondre à cette problématique, comment ça s'interface avec aussi la réalité de terrain des fois qui est assez loin parfois de la partie purement technologique ?

Moodi : Écoute, c'est une super bonne question, mais peut-être pour y répondre, je pourrais revenir un peu en arrière de pourquoi on a créé cette entreprise. Parce que je pense que la problématique vient de là. Essentiellement, moi et mon associé, on est des gens produits, donc on était très frustrés par l'idée du fait que pendant 20 ans, on a investi dans Product Delivery. On a mis en place des JIRA, des GitHub, des DevOps, des Linears, on a créé des Rituals, comme des Grooming, des Retros, du machin. On a fait tout ça et donc on crée plein de codes. Super, on crée plein de codes. Mais l'observation est réelle du fait que ce code qu'on crée n'est pas en train de résoudre des problématiques clients. Ce n'est pas en train de déverrouiller de la valeur client. Je pense que je regardais récemment une étude qui disait 50% de ce qu'on crée en équipe produit, c'est du product waste. Il ne crée rien. Et quelqu'un m'a fait remarquer, Terry, il y a quelques semaines, que ce n'est pas que son impact sur le produit, c'est neutre. Parce que quelque chose que tu ajoutes, qui n'apporte pas de la valeur ajoutée, on enlève. Parce que ton interface est plus compliquée, le code est plus compliqué. Donc en fait, il n'y a pas de neutre. Tu es en train de détruire de la valeur. Donc, si 50% de ce qu'on crée n'apporte pas de valeur client, donc, nous, notre observation, c'était que, ah, c'est une mauvaise compréhension du besoin client. Ça veut dire qu'on est en train de créer, basé sur mon gut feeling, des assumptions, des hypothèses qui n'ont pas été vérifiées auprès de nos utilisateurs sur leurs besoins. D'accord. Donc, à partir de là, on se dit, ok, si on pourrait avoir ces informations-là, pour essayer d'informer nos décisions produites. C'est vraiment là que Next agit. C'est comment on peut informer les décisions produites. Je n'ai pas dit décider des actions produites, j'ai dit informer. Moi, en tant que CEO Front Fondateur, je prends plein de décisions qui sont contraires aux faits du terrain. la création de ma boîte est contraire au fait du terrain. Si on n'avait pas une vision contrarienne du monde actuel, on n'aurait pas créé quelque chose pour changer le monde actuel. Donc tous les jours, on prend des décisions qui sont contraires au fait sur le terrain. Mais la décision, ça ne veut pas dire qu'on l'a fait parce qu'hier soir, je me suis couché, j'ai eu un rêve et le matin, je me suis dit, tiens, je vais prendre cette décision-là. Pas du tout. Toutes ces décisions-là sont informées d'une partie par des remontées clients, marchés, etc., qui nous permettent. Donc l'idée de NEXT, essentiellement, c'est comment on peut apporter cette évidence, cette information, afin de permettre aux leaders produits, aux PM, aux engineers squad leads, aux user researchers, aux exécutifs dans des boîtes, de prendre les bonnes décisions en toute connaissance.

Terry : Merci pour ce point et je pense hyper hyper pertinent sur la logique d'informer la décision et de ne pas se substituer effectivement à la personne qui décide puisque sinon on n'aurait plus besoin entre guillemets, demain on n'aurait plus besoin d'humains et les choses se feraient de manière automatique avec des algos qui auraient des logiques décisionnelles pré-établies. Donc très très très bien expliqué sur ce point là. sur cette logique du coup d'aide à la décision, que je comprends tout à fait. Pour pousser quand même un peu le trait sur effectivement ça reste toi en tant que product, toi en tant que dirigeant de ta boîte qui va mettre la décision finale, mais comme tu l'as dit, elle est informée par la donnée. Et cette donnée, avant de pouvoir l'utiliser comme source d'information, il faut déjà s'assurer de sa qualité. Et ça c'est un gros sujet quand on parle de Data Science, j'ai fait des épisodes autour du Data Engineering, du Product Analytics, et un sujet qui remontait quand même assez régulièrement c'est qu'on parlait de Data Scientist, mais en fait ceux qui étaient embauchés il y a quelques années en tant que Data Scientist se retrouvaient juste en fait à faire du cleaning de données parce que la donnée de base n'était pas exploitable. Aujourd'hui, bon, les années sont quand même passées, on commence à avoir des données qui sont de meilleure qualité, mais ça reste une problématique. Comment, par rapport à ça, vous vous assurez que la donnée qui va remonter derrière et qui va permettre d'informer les décisions produites se trouve être de bonne qualité ?

Moodi : Écoute, la première fois que moi j'ai utilisé chat GPT dans ma vie, j'ai bien sûr la première fois où j'ai posé une vraie question, pas où j'ai demandé rallonge son email, raccourci son email, non, pas cela. Une vraie question auquel je ne connaissais pas la réponse d'avance. ChatGPT a généré une réponse pour moi, magnifique, belle, super bien écrite. Ma première question que je me suis posée c'est, mais d'où vient cette réponse ? Est-ce qu'elle vient d'une page Wikipédia ? Est-ce que ça vient d'une vidéo TikTok ? Est-ce que ça vient du PhD document de quelqu'un ? Ça vient d'où ? Parce que si je n'ai pas de source, je n'ai pas confiance. C'est aussi simple que ça. Et si je n'ai pas confiance, c'est l'opinion de l'ordinateur. Plutôt que mon opinion, je préfère mon opinion à celui de l'ordinateur. Donc pour nous, ça a toujours été de dire, dans la Discovery, si on voudrait que les données et les réponses qu'on apporte aux équipes produits soient actionnables, ça veut dire que je peux prendre la réponse et la mettre dans le Customer Motivation du ticket d'Angira. actionnable, je parle tactique à ce niveau-là. Il faut que cette information ait des sources derrière. Donc pour nous, ça a toujours été, le modèle est toujours capturer les interactions clients, les analyser, qu'est-ce que je veux dire par les analyser, c'est essentiellement identifier des moments clés, clipper les vidéos, si c'est une vidéo, les résumer, donc ça crée si tu veux ces nuggets d'informations, mettre tout ça dans une méga base de données si tu veux, et quand l'utilisateur tape sa question ou sa demande, on parcourt tout ça, on présélectionne un certain nombre de ces données, On les combine et à partir de là, on génère avec l'IA la réponse. Et quand on donne la réponse, on donne toujours la matière première, la matière brute que nous avons utilisée pour générer la réponse. Ce qui fait que l'utilisateur lit la réponse, peut regarder la matière première et évaluer dans son jugement critique, est-ce qu'il y en a assez ou est-ce qu'il n'y en a pas assez, ou est-ce que je suis convaincu, est-ce que c'est un client important ou non, celui-là il n'est pas important. Donc à partir de là, on rentre dans le monde où c'est du processus décisionnel stratégique de l'entreprise, de l'équipe produit, du PM, qui a maintenant toutes les données pour informer sa décision sur sa prochaine étape. Et ces décisions sont de deux sortes. On a bien sûr les décisions journalieres. J'ai cinq tickets d'Angira dans mon sprint cette semaine. Aucun de ces tickets n'a du Customer Motivation. Il faut qu'il y ait du Customer Motivation. Tic-tac, nous on peut rentrer, on peut répondre à ça hyper concret. On a des intégrations avec tous les équipes produits, tous les outils produits dans le stack. Tu peux automatiquement les envoyer, ces réponses que nous on génère avec les clips, etc. d'Angira, dans Linear, n'importe où. L'autre aspect des décisions, je pense qu'ils sont plus dans le scope de ta question initiale, ce sont des questions plus long terme, ce que nous on appelle les big picture ideas. C'est, est-ce qu'on doit créer ce module là ou ce module là ? Est-ce qu'on doit aller plutôt dans cette direction là ? Mais ça, ce ne sont pas des décisions journalières, ce sont des décisions plus long terme, peut-être par semaine, tous les mois, tous les quarts, ou même une fois par an, on prend ce genre de questions. Et là, on pense plutôt, notre approche dans Next, ce n'est pas nécessairement de « ah, je vais chercher l'information », c'est que tu peux loguer en fait tes Big Picture Ideas, que ce soit des hypothèses, des idées, ton backlog, etc. Et nous, on parcourt en fait les interactions clients et on nourrit ces Big Picture Ideas. Moi, je dis faire du babysitting de ton backlog. Next, c'est le babysitter de ton backlog. Ça veut dire que tu as tous tes trucs dans le backlog ou tes insights dans Product Board, Nous on leur enrichit, on envoie l'info nécessaire, on envoie l'évidence nécessaire pour que tu puisses ensuite décider est-ce que c'est une priorité ou non, est-ce que c'est important ou non, est-ce que c'est pour cette semaine ou la semaine prochaine. Cette décision là appartient bien sûr à l'utilisateur.

Terry : Hyper claire là-dessus, ce qui me fait penser du coup à un autre sujet. Donc tu as parlé de comment tu montres ce qui se passe sous le capot, puisque tu montres la data qui a servi à l'insight. Et du coup, la question qui me vient par rapport à ça, c'est que si tu montres la donnée qui a permis de générer le rationnel derrière pourquoi ce ticket est pertinent pour l'utilisateur par exemple, Si cette donnée elle est trop importante, même si derrière tu as un humain qui peut la contrôler, si c'est des milliers, si c'est de l'analyse en fait quantitative derrière, ça va être compliqué de pouvoir en juger la pertinence. Donc est-ce que vous êtes plus sur la partie qualitative d'un point de vue recherche utilisateur aujourd'hui en termes de positionnement ou est-ce que vous travaillez aussi sur cette partie plus quantitative en termes d'analyse du besoin ?

Moodi : En fait, pour nous, quand je dis la donnée derrière, pour moi, Next, on a fait un pari d'être très orienté vidéo. On peut ingérer des données quantitatives, tu peux avoir des notes de ton appel parce que le user n'a pas voulu être enregistré, ça arrive, ce genre de choses, et tu peux les mettre dans Next. Mais le pari qu'on a fait, c'est vidéo. Pourquoi on a fait ça ? Parce que c'est de l'empathie. Parce que toutes les équipes produits, nous sommes des humains, on crée pour d'autres humains, on a un cœur, on a un esprit, on connecte avec d'autres cœurs et d'autres esprits. Et donc on a fait le pari vidéo. Donc, pourquoi je parle de vidéo ? Parce qu'essentiellement, quand par exemple un appel User Research ou PM ou Customer Success arrive dans Next, comme je disais, on identifie les moments clés. Ces moments clés, c'est un paragraphe, deux phrases et on clip les vidéos. Donc les clippings essentiellement sont de l'ordre de 20 secondes, 15 secondes, tu vois, on ne clippe pas 30 minutes d'appel là, parce que là on s'entend, il n'y a plus d'analyse là, je suis en train de donner la matière brute. Et donc on parle de 10 pages si je fais ça. Donc non, pas du tout, on parle littéralement le moment où l'utilisateur a parlé du sujet important. Et donc on fait des clippings. Et donc quand tu poses ta question et que nous on génère la réponse, on envoie essentiellement une pré-sélection de cette information-là dans l'interface. On parle essentiellement de 5 à 10 clippings si tu veux. Donc l'utilisateur peut regarder dans un style Instagram, Story Instagram. Tu sais tu as trois vidéos, deux photos, deux trucs pour raconter l'anniversaire de ton copain sur la plage la semaine dernière. Même genre. Donc c'est hyper share consumption ready. L'idée c'est de permettre à l'utilisateur de lire la réponse, rapidement scanner les informations, peut-être regarder 2-3 clients qu'il connaît, qu'il reconnaît dans la recherche. « Ah oui, lui je le connais, je vais voir ce qu'il dit. » Et avoir une idée très claire, très rapidement de ce qu'il cherche. Bien sûr, l'utilisateur peut approfondir sa recherche, aller plus loin, chercher des choses pour mieux comprendre, mais à partir d'un moment, en fait, Thierry, ce qu'on se rend compte, c'est que les utilisateurs font ça les premières fois parce qu'ils n'ont pas confiance dans l'IA. Mais une fois que tu as confiance, c'est bon. Tu vas avec l'information et l'évidence minime qui t'est apportée.

Terry : Donc là-dessus donc par rapport à cette logique derrière une fois d'usage de manière assez... sans se poser trop de questions de cette techno, j'ai pas mal de questions qui me viennent mais avant d'aller là-dessus, tu as parlé du clip, du coup de prendre un extrait des enregistrements par exemple d'interviews utilisateurs. Comment est-ce qu'aujourd'hui, sans trahir de secrets de votre solution, mais comment est-ce que tu vas pouvoir identifier le bon moment pour clipper ? Est-ce qu'en fait toutes les vidéos, de base vous allez complètement les analyser en entier et ensuite c'est en fonction des questions que vous allez en ressortir le clip pertinent ? ou à l'inverse, est-ce que vous allez faire une pré-analyse de chaque vidéo pour en sortir des moments que vous considérez comme étant pertinents et quand la question est posée, c'est sur cette base d'éléments déjà pré-considérés comme étant pertinents que vous faites une indexation pour remonter ça à l'utilisateur.

Moodi : En fait, t'es un peu des deux et c'est un monde hyper évolutif et hyper fluide. Essentiellement, je reviens à une chose. Une des questions dans Product Discovery qui est très frustrante pour les équipes, c'est qu'on continue à faire du Discovery sur le même sujet encore et encore et encore. Pourquoi ? Parce que le Discovery qu'on a fait la semaine dernière ne prenait pas en compte la question que nous allons poser la semaine prochaine. Donc si tu ne connais pas la question que tu auras la semaine prochaine, comment tu peux analyser ta discovery de la semaine dernière ? Ce n'est pas possible. Mais aujourd'hui avec Next, c'est possible. Parce que la dernière matière première, donc l'appel initial d'une heure qui est rentré dans Next, nous en avons. On l'analyse sur les points clés où le client donne du feedback sur une idée, sur une frustration. Nous, on ne connaît pas le scope de ta question de la semaine prochaine. Mais on sait ce type de question du feedback que le client pourrait donner qui pourrait éventuellement être intéressé. On capture ça et on le garde. Quand toi tu poses ta question la semaine d'après, on revient sur cette donnée pour identifier les meilleurs clips qui correspondent le plus à ta réponse. et qu'est-ce que je veux dire par là qui correspond le plus. Dans le monde de IA, il n'y a pas de noir et blanc. C'est des shades de gris. Donc essentiellement, on parle de relevance. Donc est-ce que c'est à 99,9% relevant ou à 61,2% ? 61,2% c'est pas très relevant. Donc on coupe nous à peu près à un niveau quand même très élevé, on dit ok, en dessous de 90% c'est du bruit en fait, c'est du noise, c'est pas important. Donc on présélectionne ensuite les éléments qui correspondent le plus à ta question et on utilise ça pour générer ta réponse. Imagine en fait, pour ne pas devenir trop geeky là, mais peut-être pendant 10 secondes, c'est du vectorization que tu fais. Chaque donnée qui est capturée est vectorisée. Toi, ta question, elle est vectorisée comme une empreinte de doigts et après on fait un matching des empreintes de doigts pour dire, c'est quoi les empreintes de doigts qui correspondent le plus ? On crée un package et c'est ça qu'on utilise pour générer la réponse. Donc c'est comme ça que ça se passe. Et ça, c'est en fait un des éléments hyper importants parce que ce que ça donne à une équipe produit, c'est une base de connaissances continue dans la durée exploitable.

Terry : Très clair là-dessus, donc moi ça me fait penser, donc pour aller sur la suite de ma question, c'est du coup sur cet outillage de plus en plus puissant pour les PM. Est-ce qu'on ne prend pas le risque d'avoir des PM qui perdent le contact avec leurs utilisateurs ? Ou du coup la question posée dans un sens plus positif, c'est aujourd'hui quelles tâches sont déléguées pour toi au travers des outils comme Next versus les tâches vers lesquelles les PM vont pouvoir se concentrer dans la phase de discovery, puisqu'ici on parle bien sûr de phase de recherche utilisateur.

Moodi : Écoute, peut-être revenir un peu au scope de notre solution, essentiellement on a plusieurs piliers AI à notre solution. Le premier pilier AI c'est l'analyse. l'appel arrive, les notes arrivent, le contenu initial arrive, nous on l'analyse pour comprendre de quoi elle parle, de quoi ça consiste, quels sont les moments clés de la conversation avec le client, etc. Donc la première phase, c'est l'analyse. La deuxième phase, le deuxième pilier de IA chez nous, c'est la réponse. Donc c'est l'interface conversationnelle dans laquelle tu peux essentiellement aller exploiter cette intelligence conversationnelle en posant des questions. J'ai un ticket sur le search, est-ce qu'on a du customer evidence là-dessus, créer du customer motivation, etc. Répondre à tes questions journalières essentiellement. Le troisième pilier de notre solution, c'est l'inverse de ça. Tu sais, on parlait des big picture ideas. Toi, tu ne poses pas des questions, mais tu établis les paramètres des idées ou des directions qui t'intéressent. Nous, on l'enrichit. complètement autopilot. Aucune interaction nécessaire. Et toi, tu peux choisir, ah oui, ce clip est applicable ou celui-là, non, il est un peu out. Donc l'outil te suggère essentiellement de l'évidence qui vient des appels et des interactions clients pour pouvoir l'exploiter. Et la dernière pilier de notre IA qui est très importante, c'est comment actionner tout ça. Je te donne un exemple. Ce ne serait pas super si en tant qu'OPM, tu pourrais sélectionner toutes tes recherches de la semaine dernière et lui demander à l'outil de décrire un Product Requirements Document pour toi. Ne serait-ce pas super de pouvoir dire, hé, on a fait des usability tests, faire un search bug et dire pour chaque bug, write a bug report. Ce serait génial. Donc c'est cette accélération du flux de travail de produits qu'on apporte par-dessus l'analyse de Discovery. Parce que pour nous Discovery c'est souvent, et c'est là où c'est ce que je reproche un peu au monde de UX Research. UX Research, le livrable, c'était un read-out et ça s'arrêtait là. Pour moi, un des slogans qu'on utilise pour Next c'est un UX Research Platform adoré par l'équipe produit. Parce qu'en fait, on veut amener tout ça ensemble. Discovery et Delivery, c'est deux faces de la même pièce. Et donc pour nous, le fait de dire, on a maintenant la matière première de Discovery, on sait ce que les clients veulent, on a les insights. On veut amener les rituels produits à ce niveau-là pour permettre aux PM et aux équipes produits de livrer ces livrables de manière complètement automatique.

Terry : Donc là-dessus, merci pour une réponse bien détaillée et assez claire sur la vision, et cette vision je la partage, mais du coup moi je vais la mettre en perspective avec d'un point de vue humain, c'est-à-dire que si demain tu te retrouves donc avec des PM qui vont être plus dédiés à la partie collecte de cette information-là, parce que donc tout l'outil dont on parle, enfin Next, il a besoin de données à manger, donc cette donnée il faut bien qu'à un moment on aille la collecter, que ce soit au travers d'interviews zoom, de tests d'utilisabilité sur le terrain avec les users, donc il y a vraiment des product managers, des user researchers qui vont aller faire ce travail de collecter la donnée pour qu'ensuite elle puisse être utilisée au sein de Next pour aller arbitrer des choix produits. Et donc on pourrait imaginer, moi demain imaginons je monte une boîte dans ce secteur-là, de me dire je veux maximiser en fait la phase de recherche utilisateur que ça ne me coûte pas trop cher, donc je vais avoir une personne dédiée que à ça, et ensuite je vais avoir une armada de PM qui eux vont non pas aller faire la recherche utilisateur sur le terrain, mais uniquement utiliser ce que cette personne-là qui était dédiée à la recherche utilisateur aura collecté en termes d'information et au travers du coup de Next vont pouvoir s'informer puisque de toute façon l'information aura été collectée par une personne. Et là où je veux en venir du coup c'est si on se retrouve dans une organisation comme celle-ci bah du coup on prend le risque du coup d'avoir les biais qui sont propres à l'être humain mais qui soient portés par une seule personne et qui derrière vont être extrapolés puisque en fait à partir d'une seule personne on va avoir plein de choix produits qui vont être faits. Comment, du coup, vous avec Next, vous répondez à ça ? C'est quoi un peu aussi derrière, au-delà de l'aspect purement outillage technique, l'aspect organisationnel et la nouvelle façon de faire la discovery que vous prenez au sein des clients que vous accompagnez ?

Moodi : Je pense que ce que nous, on a observé, c'est que toutes ces interactions clients existent. Les gens, ils pensent que ça n'existe pas. Moi, je ne connais pas d'entreprise qui ne parle pas avec ses clients. Ça n'existe pas. Ça, ça n'existe pas, des entreprises qui ne parlent pas. Donc il y a plein de gens qui parlent avec les clients. Mais tous ces appels, toutes ces conversations ne sont pas exploités. Après, on dit, on n'a aucune donnée client, alors allons embaucher des gens pour aller parler aux clients. Non mais je comprends pas. Hier on parlait avec des clients, non ? On vend aux clients, on supporte les clients, on a du customer success, plein de gens parlent avec des clients. Donc les entreprises qui disent qu'on fait pas de discovery, je suis pas d'accord. Tout le monde est en train de faire de la discovery. Peut-être que vous exploitez pas. vos données dans le contexte de Discovery, mais la donnée, la matière première existe. Donc cette idée pour moi que, ah oui, nous on va tous aller dans la cave et qu'on va avoir une personne à la porte et lui il va pas... Non, je peux pas imaginer un monde comme ça. Donc pour moi l'idée c'est comment capitaliser sur les conversations existantes pour pouvoir améliorer et capitaliser sur cette intelligence conversationnelle. Ce que je remarque Thierry, c'est que le plus on capitalise sur ces conversations, le plus les gens ont envie de parler avec les clients. C'est normal parce que maintenant on se rend compte Wow, c'était extraordinaire, on a appris des choses magnifiques. Allons plus loin. C'est vraiment, ça te donne envie, c'est cet engouement. C'est comme le sport, le plus tu cours, le plus tu as envie de courir. C'est pareil avec Discovery. Sauf qu'avant, on ne l'exploitait pas, donc on ne savait pas ce qu'on était en train de faire. Donc cette idée qu'on en fait, on va arrêter de le faire et après on va envoyer un stagiaire pour aller... Non, non, non. Je ne vois pas du tout ce monde-là, je ne peux même pas l'imaginer. Donc ça c'est un côté organisationnel. Je pense que l'idée vraiment c'est de dire toute cette interaction client, capitalisons dessus, utilisons AI pour nous améliorer dans ce travail et surtout aider ces personnes qui n'ont pas l'analyse de ces appels dans leur description de boulot, à le faire, parce que quand tu es CS, ce n'est pas ton job de faire du highlighting de ton appel et d'identifier les moments. C'est peut-être ton job, mais tu ne le fais pas. Tu fais des bullet points, tu en fais trois, ça ne veut rien dire quand je le lis trois semaines après, je ne sais même pas de quoi tu parles. Donc l'idée c'est, ne le fais pas, laisse l'AI le faire, on capture CL, CS, support, tout ça. Bien sûr, je suis toujours d'accord, il faudrait que les équipes, que ce soit les PM ou UX Research, etc., apportent une perspective supplémentaire. Ce qui est magnifique avec Next, c'est la triangulation des données.

Terry : Ouais et du coup pour rebondir sur ce que tu viens de dire donc hyper clair et hyper pertinent c'est que vous mettez en lumière en fait, vous permettez d'avoir une donnée exploitable qui est déjà là mais qui est juste aujourd'hui complètement gaspillée de la même manière que tu parlais de ways qu'on crée des features qui servent à rien, là il y a déjà de base de la donnée qui est là mais qui n'est pas exploitée parce que pas exploitable donc c'est de la rendre exploitable Et quand tu parles du triangle, ça revient à cette logique de feedback loop qui est de la capacité entre la partie produit, commercial, support, de pouvoir connecter tout ça pour qu'il y ait un maximum d'interactions à valeur ajoutée et pas d'interactions pour répéter ce que le client t'a dit à ton équipe produit qui n'était pas dans le call de support en niveau 1 avec le client ou le commercial qui a fait son pitch et dans lequel il n'y avait pas l'équipe produit à ce moment là. Donc là-dessus hyper clair sur cette proposition de valeur et derrière vraiment l'augmentation de cette phase de recherche utilisateur. Pour revenir sur la partie organisationnelle, je suis curieux de voir du coup toi, je ne sais pas dans quelle mesure tu es familier avec les frameworks qu'on peut trouver autour de la discovery ou les méthodes qui s'en rapprochent. Avec des outils comme Next, clairement ça rebat pas mal les cartes sur justement un peu les dogmes qu'il y a autour de ça. Tu l'as très clairement dit, une boîte dans laquelle il n'y aurait pas de contact avec le client, ce n'est pas une entreprise. Parce qu'à partir du moment où tu es une entreprise, c'est que tu vends des choses à des clients, donc tu es en contact avec eux d'une manière ou d'une autre. On a tendance souvent à y poser du coup discovery, delivery. Je partage totalement le fait que ça fasse partie de la même face sur une pièce. Comme tu l'as dit, l'un ne va pas sans l'autre. Là, on parle évidemment autour de cet épisode sur la partie purement Discovery. Mais du coup, toi, comment tu vois un peu l'évolution du métier Product Manager, peut-être là au sens plus global, avec ces outils-là, des outils comme Next ? Quelles sont les prochaines versions du Product Manager augmentées dans les cinq prochaines années grâce à ces outils ?

Moodi : Écoute, il y a quelqu'un qui est, je ne sais pas si tu connais quelqu'un qui s'appelle Tim Herbig, peut-être qu'on mettra le lien à son article dans les commentaires du podcast, qui essentiellement a créé un genre de journey d'une équipe reliée au Product Discovery. La première étape, c'est tu n'en fais pas. Tu fais pas de Product Discovery, tu fais rien, right ? Tu crées des trucs, tu penses que c'est des bonnes idées, voilà, ça s'arrête. La deuxième étape, c'est que tu en fais un peu. Tu en fais un peu, tu commences à comprendre la valeur, tu te dis « Waouh, c'est super ! » Dans cette expérience, tu parles avec d'autres personnes qui en font, tu commences à être convaincu, les gens te recommandent, souvent, et ce serait pas cool si t'allais lire le livre de Thérèse Attores, Continuous Product Discovery Habits, ou un autre. Tu lis le livre, tu deviens dogmatique. Étape 3. Tu prends le livre, tu essayes d'implémenter dans ton équipe le framework du livre. Et donc, si c'est pas dans le livre, on en fait pas, tu suis le truc Milito Militari... Troisième étape. Mais un framework ne peut pas survivre dans aucune entreprise. Je ne connais pas d'entreprise qui a pris un framework extérieur, l'a implanté chez eux et ça a été super. Parce que chaque entreprise est différente, nos contextes sont différents, les humains sont différents, nos produits sont différents. Et donc un truc créé dans un livre qui agrège à 30 000 pieds certains concepts ne peut pas être implanté one to one dans une équipe produit. quatrième étape, où maintenant on a compris l'aspect et on commence à l'adapter à la réalité de notre façon de travailler. Et c'est là où je pense qu'un outil comme Next est extraordinaire, où les outils et la capacité technologique de AI. Parce que l'AI, ce n'est pas un process. Je te donne un exemple. Avant que nous créions Next, La plupart des gens qui font du user research etc pensaient que c'était des libraires parce que leur boulot c'était de faire des tags. Tagging c'est le feature numéro un de user research. Tu sais quoi Terry ? AI n'a pas besoin de tag. Dans Next, zéro tagging. T'as pas besoin de créer des arbres avec des branches, t'as pas besoin de penser aux synonymes, si le gars il a utilisé bleu et bleu ciel, en fait c'est la même chose. Parce que AI, il sait que bleu et bleu ciel c'est la même chose. Il le sait. Donc toi, tu n'as pas besoin de taguer. Et si tu ne le tagues pas, c'est cool, pas de problème. C'est là où les outils AI permettent aux entreprises de changer de paradigme. Donc en fait, d'apporter ce framework dans l'entreprise sans le besoin de ce énorme effort nécessaire pour le mettre en place et d'une façon qui correspond à leur façon de travailler. Moi, je ne sais pas, dans des entreprises, il y a plein d'entreprises où ils ont du, par exemple, leurs appels CS sont enregistrés, il y en a d'autres où ils ne le sont pas. Il y a des entreprises dans lesquelles le CS est mandaté d'analyser leurs appels, donc il y a des entreprises où ils ne le font pas. Dans les entreprises où le PM est mandaté d'apporter le Customer Motivation dans les tickets, dans d'autres entreprises, non, ce n'est pas le cas. Chacun son process. Nous ce qu'on est en train de dire chez Next, c'est nous on peut apporter l'outillage nécessaire à faire en sorte qu'on puisse répondre à vos besoins Discovery tels qu'ils sont dans la réalité de votre entreprise. Parce qu'un framework ne survit jamais. Donc première étape, on n'en fait pas. Deuxième étape, on en fait un peu, on est très excité. Troisième étape, on a lu un livre, on est complètement comme des oufs parce qu'on veut implanter le livre chez nous. On se rend compte que non, non, non, non, on ne peut pas le faire. Quatrième étape, ah, maintenant, on est conscient des limites et des potentiels et les capacités de notre entreprise et de nos humains et de notre produit. et on essaie d'appliquer de manière cohérente ces quelques concepts de discovery dans la façon où on le crée. Donc c'est vraiment ça le journey en quatre étapes que je vois. On mettra le lien au blog post de Tim Hurwicz, elle est superbe.

Terry : Hyper clair là-dessus, donc ça me faisait revenir et penser à la partie qui n'est pas directement liée à ce que tu dis, mais il y a un moment dans ton explication, ça m'est revenu en tête sur la logique de comprendre ce qu'il y a sous le capot. Donc déjà, ce que tu viens d'expliquer, c'était très clair et je partage le fait. Pour revenir quand même sur ce que je ne connaissais pas dans cet article mais en quatre points, l'intérêt pour moi de s'informer sur ce que d'autres pensent sur des méthodos à appliquer et autres, ce n'est pas effectivement comme tu l'as dit de l'appliquer de manière dogmatique parce qu'on se rend très vite compte que ça ne marche pas. mais c'est plus de, un, lancer la réflexion, en fait un peu la prise de recul pour soi sur les méthodes qu'on a en interne versus ce qu'on pourrait essayer de faire, et de deux, parfois, de permettre aussi, lorsqu'il y a certains frameworks qui prennent un peu, on va dire, le devant de la scène, de donner certains éléments de vocabulaire commun pour aller plus vite après sur l'alignement des équipes et parler plus ou moins de la même chose, même si ça, ça aussi, le revers de la médaille, et parfois on pense que le mot agile va vouloir dire autant de choses différentes en fonction de la personne qui l'entend. Mais voilà, c'est un peu les deux aspects intéressants que je trouve quand il y a ces réflexions autour des frameworks, même si je rejoins totalement le fait que derrière il faut s'approprier les choses et ensuite appliquer ce qui est pertinent pour son contexte. Donc ça c'est par rapport à ce que tu viens de dire. Pour revenir à ce qu'on disait un petit peu plus tôt sur ce qu'il y a sous le capot dans Next, donc tu mentionnais d'un point de vue comprendre sur un ticket quel est le besoin sous-jacent qui a poussé cette fonctionnalité à être développée. Next va te permettre d'avoir des insights, des clips vidéo qui sont pertinents sur potentiellement des recherches utilisateurs qui répondent à cette question. Est-ce que derrière, il y a d'autres, sur le moteur en fait, qui va permettre d'exercer clip vidéo sur les différentes briques algorithmiques que vous avez dans Next ? Aujourd'hui, quelle est la visibilité qu'il y a là-dessus ? Par rapport, donc on est sur une plateforme SaaS, donc vous n'êtes pas open source que je sache. Du coup, quelles sont un peu les visibilités que vous donnez aussi derrière à vos clients ? Et pour prolonger cette question, quels sont, et là je te demandais de te mettre un peu dans la posture de l'avocat du diable au sujet du développement de ces nouveaux outils, mais quels sont toi les points d'attention que tu vois vraiment concrets, les risques qu'il y a avec le développement de ces outils et du coup sur lesquels au niveau vraiment des personnes, vos concurrents ou d'autres personnes qui feraient des choses similaires, il faut porter l'attention pour éviter de tomber dans ces travers. Parce qu'on parle beaucoup dans la culture populaire de biais, mais il y a aussi d'autres sujets autour de développement de ces intelligences conversationnelles. Donc je suis curieux d'avoir ton regard sur ces deux points. Sous le capot là, concrètement, et un peu en termes de prospective, développement de ces outils-là, les points d'attention à avoir.

Moodi : Super. Écoute, je pense que sous le capot, l'idée pour nous est de capturer et analyser les données. Donc essentiellement, nous, on a nos propres algorithmes et prompt pour définir quels sont les types de données qui nous intéressent. Et c'est là où je dis AI, c'est pas AI, parce que le AI commence à devenir maintenant vertical. Donc un AI utilisé dans Discovery n'est pas la même chose qu'il est utilisé dans Development ou Delivery, etc. Donc nous, on a notre infrastructure pour essayer de comprendre ces besoins. Je fais un parallèle. Souvent dans le marché, j'entends des utilisateurs dire « Ah, Next, c'est Gong pour product. » Gong, c'est un outil de sales. Il écoute les appels, il génère des insights. Sales. Donc essentiellement il te dit combien de fois ton compétiteur a été mentionné, ou par exemple comme account exécutif tu as parlé 32%, le meilleur il parle 27%, mais ça c'est inutile pour une équipe produit. Donc pour une équipe produit on est en train de chercher d'autres choses. Donc essentiellement c'est cet aspect intelligence conversationnelle mais porté sur le besoin client, quelle est son ambition profonde, etc. que nous allons chercher. De l'autre côté, la plupart des choses que j'ai partagées sont dans la livraison d'insights. Donc maintenant, que ce soit sur une réponse ou sur une question que tu as posée aujourd'hui parce que tu veux enrichir un ticket dans Jira, ou sur ton roadmap, on est en train de livrer, c'est juste de façon différente. Donc cette idée de distribuer les insights dans les rituals de l'équipe. C'est un élément hyper important pour nous parce qu'essentiellement, il y a beaucoup de conversations et discussions autour de la démocratisation du research ou du discovery dans les entreprises. Pour nous, ce que nous en pensons est la réponse à la démocratisation. Ce n'est pas que tout le monde aille faire du discovery. Pour moi, la démocratisation du discovery, c'est que tout le monde ait accès aux données de discovery.

Terry : Et là-dessus, alors garde ce que tu as en tête pour la suite, juste pour rebondir sur ce que tu viens de dire par rapport au fait que tout le monde aille faire de la discovery, je te rejoins aussi complètement là-dessus, et une des raisons aussi c'est de comprendre que c'est un métier à part entière, notamment sur la partie capacité à comprendre l'humain, et justement on parlait de biais, et là pour le coup la recherche utilisateur, on pourrait dire c'est simple, je vais parler avec mes utilisateurs et puis je vais avoir du... du retour pertinent, mais en réalité pour pouvoir avoir ce retour qualitatif, il faut avoir derrière préparé ces interviews en amont, il y a des logiques de psychologie humaine à vraiment comprendre, c'est pour ça souvent que ceux qui font de la recherche d'utilisateurs sont des personnes qui viennent de ces milieux-là, des psychologues, des anthropologues aussi, des gens qui viennent des études plutôt autour de tout ce qui touche à la psychologie humaine, puisque pour pouvoir derrière, voilà, collecter le besoin, il faut le faire de manière très très spécifique et c'est une science à part entière en fait. Donc là-dessus, voilà, juste pour accentuer ce fait-là entre la différence de aller faire de la discovery ou avoir accès à la donnée et il y a vraiment une différence entre les deux et donc je te rejoins totalement sur ce point. Je te laisse continuer.

Moodi : Justement pour rebondir sur ton point avant de continuer, je pense que quand un expert en research fait un appel discovery, peut-être 95% de la conversation est utile. Dans un appel customer success, peut-être juste 15% de l'appel est utile, mais c'est ok. C'est ça en fait, je pense que Next est en train de dire. C'est ok que c'est jusqu'à peut-être 5%, peut-être que rien n'est utile. Mais combien d'appels en fait de CS par jour, comparé à combien d'appels en fait de user research ? Le volume fait la différence. Je pense que c'est ça le changement de réflexion qu'on a. C'est pour ça qu'on dit qu'il faut apporter ces autres conversations. Pas parce qu'ils concurrencent le research, c'est juste une autre perspective. Si on n'a que des appels research, on a aussi un biais, celui du researcher.

Terry : Tout à fait, tu fais bien de rebondir là-dessus, très clair, et ça permet aussi de conforter un peu la position que vous avez. Merci d'avoir rebondi là-dessus, parce que c'est un très bon point. Du coup, je te laisse continuer pour aller après aussi vers le prospectif un peu sur l'évolution de ces outils.

Moodi : Bien sûr. Donc, analyser les données, parler de distribution des données, donner accès, démocratiser l'accès aux données de Discovery pour que je sois un PM, un Product Marketing, que je sois un CEO, je puisse l'utiliser dans ma réflexion et dans mes actions et dans mes besoins à journalière. Troisième, l'accélération de mon travail. Comment je peux l'utiliser pour écrire un implementation ticket ? Comment je peux l'utiliser pour écrire un bug report ? Et Terry, je te challenge un peu sur les sujets que nous avons réfléchi à travailler pour 2024. Comment je peux utiliser, par exemple, les insights capturés la semaine dernière pour créer un user journey ? Et dans Miro, ou dans Mural directement. via les intégrations et les compréhensions, parce qu'en fait, c'est juste un rendu des données, rien d'autre. De la même façon qu'on crée une réponse pour le Customer Motivation, c'est juste un rendu texte, l'autre, c'est un rendu graphique. Avec l'arrivée du multimodal, capacité multimodal, etc. dans l'AI, on arrive à ce niveau de performance où on pourrait créer des choses extraordinaires, tant qu'on a la matière première, qui est d'ailleurs notre cœur du métier. Donc vraiment, ce sont nos parties de focus. Maintenant, parlons de l'évolution du marché et des éléments qui sont hyper importants, qui d'ailleurs pour nous ont été fondatrices dans la façon dont nous avons réfléchi à notre outil. Premièrement, trust. Ça, c'est incroyablement important. Parce que si on n'a pas confiance dans l'outil, dans ses réponses, on ne peut pas l'utiliser. Maintenant, une première itération d'apporter du trust pour nous, ça a été essentiellement d'augmenter la réponse avec les clippings, etc. Mais il y en a d'autres façons de faire ça. Je te donne un exemple. Ce ne serait pas génial si demain je peux générer une réponse, te mettre les clips et ensuite te dire, attention, Cette réponse a été générée avec la perspective d'une seule personne. Donc même les clips viennent du même appel. Pas de 15 appels. Ça montre danger. Peut-être qu'on est dans une perspective unique. Oui, il y a une réponse. Oui, on a du evidence pour le baquet. Mais tout ça vient de ma conversation avec Terry. Plutôt que ma conversation avec Terry, avec Alaa, avec John, avec A, qui tous disent la même chose. Donc l'idée est essentiellement d'apporter du « guidance » et des « guardrails » à l'IA. Et pas à l'IA en tant qu'outil, mais à la consommation de l'IA par l'humain. pour que tu vois ça, juste faire un parallèle dans le monde réel qu'on vit, pour qu'on ne regarde pas une vidéo sur YouTube, et peu importe d'où il vient ou ce qu'il dit, on dit « ah waouh, c'est la vérité ». C'est apporter à aider à cette réflexion critique de l'information. D'autres exemples, par exemple, et là tu l'as dit aussi, je pense que ça touche un point que tu as soulevé plus tôt, si tu poses une question et on te donne la réponse, mais on te dit « ah, Ta réponse est basée sur des données qui ont plus de six mois. Tu disais que pour PM, maintenant, je n'ai plus besoin de parler aux utilisateurs. Si, parce que ton produit évolue, le marché évolue, l'utilisateur évolue. Donc tes données d'il y a deux ans, peut-être qu'ils pourraient être intéressants sur certains sujets, mais sur d'autres sujets, ils seront complètement out. ils ont besoin d'être renouvelés. Donc ce besoin d'interagir avec les clients est réel. Mais donc, premier pilier pour nous, c'est vraiment cet aspect de comment apporter de la confiance dans l'outil. Deuxième pilier, comment apporter des guardrails et aider l'humain à consommer l'information. Troisième élément pour nous, vraiment dans l'outil et là où je vois une vraie évolution pour nous, c'est d'aller dans des rendus plus compliqués. Retourner une réponse en texte, mais format. Avant, on ne pouvait même pas la formater. Maintenant, on peut faire du formatting, on va avoir des titres, des sections, sous-sections, etc. On peut avoir maintenant des images, etc. Mais on arrive dans un monde où tu peux en fait donner dans le input des images et recevoir de l'image en output. Donc je te donne un exemple, un truc par exemple qui est très bête, mais c'est un des plus grands feature requests chez nous. On ne peut pas analyser les expressions visuelles de l'humain quand il est en train de donner la réponse. Parce que c'est sûr, nous on prend la vidéo, on la convertit en texte. Dans le texte, il n'est pas en train de dire que le gars est en train de faire une grimace pendant qu'il est en train de donner sa réponse. Mais maintenant, le IA, on peut lui donner la vidéo et il peut identifier que pendant qu'il est en train de dire cette partie-là, grimace. Donc on augmente, on va au-delà de cette expérience IA qu'on connaît aujourd'hui qui est en grande partie du texte en fait. C'est chat GPT, c'est le rendu texte, voilà. Donc c'est vraiment intéressant.

Terry : Hyper intéressant, ça me lève pas mal de points. Moi j'aimerais qu'on continue à pousser un peu sur la logique de quels sont un peu les points d'attention, les risques. Donc t'as mis en avant un point positif qui est de dire le fait qu'effectivement grâce à l'IA tu vas pouvoir mettre en évidence potentiellement que là ton information est basée uniquement sur un utilisateur personnel non représentatif de ta cible ou très biaisé parce que x, y, z, top, ça c'est exactement le genre de choses qui même potentiellement sont plus complexes à avoir sans outils du tout parce que tu te rends pas compte, des fois t'es pris dans le flot de ton truc et tu te dis ah oui ça c'est cali mais en fait c'est complètement biaisé. Moi j'aimerais du coup avoir ton regard sur quels sont les développements dans ce sens là, enfin je trouve ça génial. Mais j'aimerais avoir aussi ton regard sur les risques qu'il peut y avoir avec l'accélération, pas spécialement du coup évidemment ce que vous faites vous chez Next mais d'autres concurrents ou d'autres développements d'outils de ce type. quels sont les risques et surtout les points d'attention, plus un message tu vois au niveau de l'industrie, de ceux qui construisent ces plateformes là, pour éviter derrière du coup de tomber dans l'inverse, c'est-à-dire d'avoir des choses qui soient complètement biaisées, qui informent de manière incorrecte, etc. C'est quoi un peu les points d'attention vraiment sur la construction de ces outils-là ? Je ne sais pas si la question... Elle n'est pas évidente comme question, mais c'est vraiment un sujet parce que je me mets aussi dans la peau de personnes qui peuvent écouter. Il va y avoir celles qui vont être convaincues par la pertinence d'un outil comme Next et d'autres qui vont dire « Ouh là là, on est en train vraiment de… » de passer dans une autre dimension, dans quelque chose qui va complètement, entre guillemets, nous abrutir. Ce qui n'est absolument pas le but de ce que vous cherchez à faire et tu fais passer le message assez clairement là-dessus. Mais j'aimerais avoir ton regard plutôt critique par rapport à ça.

Moodi : Écoute, je pense que c'est super ce que tu dis parce que, regarde, l'élément fondateur de Next a été d'informer les décisions produites. Donc on n'est pas en train d'enlever la capacité de décider ou le besoin même de décider par l'humain. Moi je dis en anglais, we are the ying to your yang. D'autres utilisent le mot co-pilot, etc. J'aime pas trop parce que je trouve qu'elle a été... Ça veut dire plein de choses et pas plein de choses, mais l'idée pour nous, ça a été vraiment d'être le support qui te permet cette puissance surhumaine de super power, de héros Marvel, du Discovery, pour pouvoir être au courant de tout ce qui se passe partout dans l'entreprise, y avoir accès et pouvoir générer les informations que tu en as besoin. Je pense que dans Discovery, un élément hyper important, c'est la façon où on génère et on procède, où on gère l'évidence. Parce que si l'évidence, cette matière première qui rentre est mal gérée, à partir de là, tout est faussé. Donc c'est hyper important de passer beaucoup de temps à s'assurer qu'on identifie les bons points, qu'on n'est pas en train de faire, que tu vois, genre prendre une perspective trop narrow de l'utilisateur. Je te donne un exemple hyper concret qui me vient à l'esprit. Nous quand on a un appel de une heure, imaginons qu'on identifie 40 moments clés. Un moment clé peut être du milieu du paragraphe 3 au milieu du paragraphe 4. Quand on résume ce moment clé, une approche pourrait être de prendre du milieu du paragraphe 3 au milieu du paragraphe 4 et résumer ça. Mais tu sais ce qui se passe si tu fais ça ? Tu perds le contexte de ça dans le reste de l'appel de une heure. Donc nous ce qu'on fait, c'est qu'on utilise le contexte de tout l'appel pour résumer trois lignes. Ça c'est hyper important. Parce que sinon, tu es en train de faire essentiellement ce que tout le monde dans le monde médiatique dit, « taking things out of context ». Parce que tu n'as plus le contexte. Le contexte, c'est juste les trois lignes que tu as résumées. Pas les 150 lignes qui précédaient avant et qui suivent après. Donc ça c'est vraiment des petites choses qu'on fait tous les jours pour s'assurer qu'on est en train d'être le plus réel, être le plus honnête, authentique, représenter au mieux la perspective de la conversation du point qu'on est en train de soulever. Et c'est plus facile, honnêtement, Terry, de prendre le truc et le résumer et dire « Allez, on y va ». C'est plus facile. Mais il faut se casser la tête, sinon on est effectivement en train d'emmener les utilisateurs dans la mauvaise direction. On est en train de les mal informer. Et ça, ce sont vraiment, je pense, des choses hyper critiques. qui sont importants pour nous comme entreprise, mais également pour l'industrie. Parce que si nous, on arrive en précurseur, on a été, je pense, le premier outil à apporter du AI dans Discovery à ce niveau-là. Pas, ah, j'ai un feature AI, non, non. Essentiellement, sans AI, Next n'existerait pas.

Terry : Très clair et j'apprécie du coup le point d'attention que tu as mis sur concrètement la base de la base qui reste la donnée que tu mets en entrée dans ta machine pour faire des métaphores et qui derrière cette donnée-là, il ne faut pas l'écrémer en amont, il faut vraiment qu'elle soit complète et que ce soit sur la donnée complète derrière que tu vas construire l'ensemble de tes hypothèses et que tu vas pouvoir informer tes utilisateurs. Donc là-dessus, message assez clair. et important je pense à garder en tête et c'est aussi on voit également pour revenir dans le sens du coup du développement de ces outils là c'est que quand t'as énormément de données si t'as une machine qui t'aide à la consommer c'est beaucoup mieux que si c'est toi en tant qu'humain parce que peut-être que toi en tant qu'humain tu vas vouloir faire des raccourcis et donc in fine tu seras plus biaisé que la machine donc je pense que là dessus c'est assez clair avant d'aller vers mes deux questions de fin d'épisode comme je pose à chaque fois est-ce qu'il y a un point particulier qu'on n'a pas abordé, un sujet sur lequel tu voudrais mettre un peu plus d'attention ?

Moodi : Écoute, je pense qu'il y a une chose qui est hyper importante dans la Discovery dont on n'en a pas parlé et je pense que c'est important pour peut-être l'audience qui écoute et qui est intéressée dans le Discovery ou qui sont des gens de produits à garder en tête et qui était également pour nous, je pense, un des insights un peu clés pour la création de Next. Souvent on se dit, et d'ailleurs c'est un feedback des UX Research, des gens de recherche utilisateurs auprès de nous. Quand Next est arrivé sur le marché, ils nous disaient, mais Next va automatiser notre travail. Et on regardait à beaucoup d'entreprises, on se rend compte que, et je ne sais pas si c'est quoi ton expérience Thierry, je serais curieux de le savoir, pour un UX Researcher, quand tu en as, parce qu'il y en a plein d'entreprises qui n'en ont pas des UX Researcher, Tu as 20 personnes produits. C'est quoi le rôle du UX Researcher ? C'est d'informer des décisions produites. Résumons, tu as 20 personnes qui, du matin au soir, sont en train de prendre des décisions produites et tu as une personne qui est supposé les informer. C'est complètement irréaliste. Donc qu'est-ce qui se passe ? Cette personne travaille sur des projets hyper stratégiques, etc. Et le reste de nos décisions, assumptions, gut feeling, l'opinion de mon patron, parce que c'est lui qui dit finalement quoi. Et donc qu'est-ce qui fait qu'on crée du waste ?

Terry : 50% de waste.

Moodi : Donc, je pense que c'est hyper important de garder ça en tête, et c'est là où on parlait de démocratisation d'accès aux données, c'est que nous, Next n'est pas un remplacement de UX Research. C'est un accélérateur même, je dirais, de UX Research, en le rendant accessible à plus de monde, en capitalisant sur toutes les interactions clients, afin qu'on arrive à un monde. où toutes les décisions, produites bien sûr en ce qui concerne Next dans un premier temps, mais demain, stratégiques, marketing, etc. sont informées par des Insight clients, des Perspectives clients. Et c'est là, je pense, où AI est un changement de paradigme. Parce que sans AI, il faudrait embaucher 20 UX researchers pour informer 20 product person.

Terry : Et là-dessus, tu pointes du doigt un sujet qui est clé aussi pour la démocratisation de ces métiers-là. C'est-à-dire qu'aujourd'hui, pourquoi on se retrouve souvent dans les situations telles que tu l'as décrit, avec les métiers du produit et en particulier les métiers autour de la recherche d'utilisateurs, d'avoir une personne pour 20 en face qui vont délivrer. c'est justement parce qu'il y a aussi une mécompréhension ou on va dire un frein business à vouloir recruter ces personnes en n'ayant pas conscience de la valeur qu'elles vont pouvoir apporter. Et du coup, en utilisant des solutions moins chères potentiellement au début, ça va permettre aussi du coup de permettre un peu à tout le monde d'avoir des accès à ces données-là et d'acculturer l'entreprise à la pertinence de ces métiers et in fine à aussi aller pouvoir recruter plus de user researchers et en tout cas pouvoir on va dire évangéliser ces pratiques-là. très bon point et je te rejoins aussi là-dessus. Donc merci pour ça, merci déjà pour tous ces partages, je pense qu'on a fait un beau tour de la recherche utilisateur, la discovery à l'heure des outils d'intelligence artificielle. Moi tu m'as assez convaincu d'utiliser Next, donc là-dessus je pense que tu as aussi convaincu pas mal de nos auditeurs et auditrices. Pour aller vers mes deux questions de fin d'épisode, la première c'est est-ce que tu as une conviction forte, on a vu que tu en avais plusieurs, ou en général tu te retrouves en désaccord avec tes pairs quand tu la partages ?

Moodi : Écoute, je pense que justement parlant de ce dont on parlait, je pense que cette perspective, et je pense qu'il y en a deux d'ailleurs, qui ont été d'ailleurs les miennes, mais aussi fondatrices de Next. Une, c'était le rôle de produit dans la création de produit. Produit a toujours été focus sur, ah, mon rôle c'est de créer du code. Je ne suis pas du tout d'accord. Moi, je pense que le rôle du produit, on arrive, je pense que c'est une question aussi générationnelle qui arrive. Il y a beaucoup de développeurs à qui je parle qui me disent quand il y a un ticket Jira qui arrive, il y a peut-être 10 façons de le faire. Et si je ne comprends pas réellement, profondément, pourquoi nous allons créer ce feature ? je pourrais mal guider mon PM, mon leadership, etc. sur quelles sont les façons de le réaliser. Donc je pense qu'une première perspective de ça, c'est que le produit est responsable en unité, tout le monde au même niveau, au même niveau d'empathie, de compréhension du besoin client et des solutions, donc du problème et des solutions. de la livraison du produit et son objectif. Ce n'est pas de créer du code, c'est de déverrouiller de la valeur utilisateur. Très, très clair.

Terry : Bon, là-dessus, je pense que tu as quand même pas mal de personnes. Enfin, comme tu l'as dit, c'est aussi générationnel, donc on est en train de basculer vers cette façon de penser. Et bon, je partage évidemment ce que tu dis là. Et c'est vrai que c'est aussi la notion derrière qu'on peut avoir dans de plus grandes entreprises, la notion d'empowerment, la capacité en fait de permettre aux personnes de décider par elles-mêmes parce qu'elles comprennent le sous-jacent de pourquoi, quel est le problème en fait auquel elles vont répondre. dans leur spécialité, que ce soit même un support client, un commercial ou un développeur qui va faire la feature, tous doivent répondre à des problèmes et au mieux ils comprennent ces problèmes, au mieux ils vont être capables d'apporter des solutions qui leur paraissent les plus pertinentes dans leur verticale d'expertise. Donc là-dessus, totalement aligné. La dernière question c'est les choses qui te nourrissent toi intellectuellement, de quoi tu t'inspires aussi au quotidien. Je mettrai dans les notes de l'épisode l'article dont tu as parlé mais toi voilà au quotidien comment est-ce que tu te nourris intellectuellement ?

Moodi : Écoute, il y a plusieurs choses que je fais. Une des choses que je fais, surtout parce que dans notre segment, ce n'est pas notre segment de Discovery, mais dans l'aspect AI de notre outil, la communauté n'était pas très grande. Au début, on a été sur ce bateau depuis le mois de février, mars de l'année dernière, donc c'était très tôt dans la... 2022. 2022, tout à fait. Donc je parle avec beaucoup de ces personnes-là qui d'ailleurs apportent une vision contrarienne au marché dans le sens où il y a beaucoup de gens qui pensent que l'AI va les remplacer. Il faut les convaincre que si nous existons à travers ce que nous faisons, pas ce que nous produisons, ce que nous faisons, oui, AI va vous remplacer. Mais ça, c'est une mauvaise compréhension de votre travail, en fait, si c'est ça qu'on pense. AI ne va pas remplacer ce que vous produisez. Ce que vous produisez, justement, restera ce que vous produisez, mais AI va vous faciliter dans la production de ça. Donc, si cette version de Outcome Oriented ou Output Oriented, Donc je pense que je passe beaucoup de temps avec cette communauté, justement pour essayer de discuter ensemble, se nourrir, voir leurs perspectives, comprendre aussi le monde qui réagit, qui adopte AI de tous les jours, comment c'est perçu de la part de la communauté. Mais également, j'essaie d'être de l'autre côté du fence. Je parle beaucoup avec des gens qui Je veux dire, nous, peut-être moi et toi, et peut-être ce restant de gens qui écoutent ce podcast, AI, ça fait partie de notre vie, peut-être depuis plus d'un an, peut-être deux ans maintenant. Il y a plein de gens qui n'ont jamais utilisé ChatGPT. Il faut comprendre où ils sont, comment ils réfléchissent, parce que c'est notre rôle d'aller les chercher où ils sont. Notre rôle, ce n'est pas d'attendre qu'ils viennent à nous, c'est à nous d'aller les chercher, c'est à nous de compléter ce gap. Et bien sûr, troisièmement, c'est lire. Je lis beaucoup. Un des derniers livres que j'ai lu, que j'ai adoré, c'est « The Messy Middle » par le fondateur de Behance. C'est vrai qu'ils argumentent que la plupart des choses qu'on lit sur des startups ou des entrepreneurs, c'est le début. Ah, ils ont lancé, ils sortent de Y Combinator, ils ont levé X. Ou la fin, on a vendu, c'est super, on est super content. Mais dans le milieu, en fait, c'est un trou noir. où un jour on est très heureux, le lendemain on pleure, ou même dans la même journée, le matin on est heureux, l'après-midi on se dit non non c'est foutu, il faut mettre la clé sous la porte. Ça m'a beaucoup touché parce que je pense qu'on est en plein dedans, la plupart des entrepreneurs sont au milieu plutôt qu'au début et à la fin, la plupart des entreprises sont au milieu dans leur cycle de vie. Donc ça m'a beaucoup touché, j'ai trouvé la perspective hyper intéressante.

Terry : Top, je mettrai ça aussi dans les notes de l'épisode et puis je te remercie encore pour ton partage Moodi.

Moodi : Merci beaucoup Terry.

À propos

Just a Click c'est le podcast français du Product Management. On y parle de Tech, de Design et de Business.

Écouter le podcast