B Bastien Gauthier
CV
Étude de cas · Side project IA · 2025–2026

PO augmenté par l'IA

Conception et delivery d'un produit personnel (planificateur de repas, recettes, liste de courses, suivi des prix, partage famille) avec Claude et ChatGPT Codex. La pratique, pas le discours.

Retour aux projets
IA appliquée Claude ChatGPT Codex Cadrage IA Delivery solo Side project

Le défi

L'IA est devenue un sujet de conversation pour beaucoup d'équipes produit. Pour ma part, je voulais sortir des intentions et voir concrètement ce que ça change dans le quotidien d'un PO : cadrage, specs, priorisation, delivery.

Plutôt que d'en parler en théorie, j'ai monté un side project de bout en bout avec Claude et ChatGPT Codex. Un outil pour ma famille : planifier les repas de la semaine, centraliser les recettes, générer la liste de courses, suivre l'évolution des prix entre enseignes, et partager le tout entre plusieurs utilisateurs ou l'utiliser en solo.

La tension à arbitrer Comment tenir une posture de Product Owner (cadrage, priorisation, arbitrages UX) quand on travaille avec une IA qui peut tout coder très vite, et qui pousse en permanence à élargir le scope, sans se transformer en « vibe coder » qui accumule des features sans valeur ?

Mon approche

Je n'ai pas traité ce projet comme du « code assisté ». Je l'ai traité comme un vrai produit avec un PO (moi) et des copilotes IA très rapides mais à cadrer (Claude et ChatGPT Codex). Concrètement :

  • Scoping MVP strict : planning de repas hebdomadaire, recettes et liste de courses. Le reste (prix, multi-utilisateurs, partage famille) a été ajouté en V2 seulement après usage réel.
  • Specs avant code : pour chaque feature, un cadrage court avec contexte, user story, critères d'acceptation et cas limites. Les IA ne codent jamais sans cadre.
  • Usage réel au quotidien : chaque itération est utilisée le soir même à la maison pour préparer les repas. Les retours remontent en 24h, pas en 3 sprints.
  • Multi-utilisateurs dès la V2 : pour valider que l'outil tient dans un contexte famille (partage des recettes, synchro de la liste de courses) et pas seulement en solo.
  • Cadrage de l'IA comme compétence produit : chaque amélioration passe par une consigne claire, relue et limitée. J'apprends ce qui marche et ce qui dérape, exactement comme je le ferais sur un outil métier en entreprise.

Décisions produit clés

Trois arbitrages structurants qui ont évité le piège classique du side project IA : démo brillante, zéro usage, aucun apprentissage transférable.

Un vrai produit, pas une démo

Décidé

Construire un outil que ma famille utilise réellement chaque semaine, pas un POC vidé de toute contrainte, pas un GitHub vitrine. Partage famille, solo, liste de courses actionnable, suivi des prix dans le temps.

Pourquoi

Un produit sans utilisateurs n'apprend pas grand-chose au PO qui l'a construit. Le feedback d'un usage réel (ma compagne, nos besoins du quotidien) aide à prioriser autrement et à rendre les apprentissages plus transférables.

L'IA collaborateur, pas pilote

Décidé

Tenir une séparation stricte des rôles : les IA codent, debuggent et suggèrent des alternatives techniques. Moi je cadre, je priorise, j'arbitre les compromis UX et je refuse les features « parce qu'elles savent le faire ».

Pourquoi

Une IA qui va vite tire naturellement vers l'élargissement du scope. Sans PO ferme, un side project IA devient une accumulation de fonctionnalités non utilisées. La vraie valeur d'un PO augmenté, c'est exactement là : savoir dire non à l'IA et tenir le cap produit.

Cadrer l'IA comme on cadre un ticket

Décidé

Traiter chaque demande faite à l'IA comme une mini-spec : contexte, objectif, contraintes, critères d'acceptation. Garder les consignes qui fonctionnent pour les réutiliser sur des cas proches.

Pourquoi

L'écart entre « j'utilise l'IA » et « je produis un meilleur livrable avec elle » se joue souvent sur la qualité du cadrage. Une bonne demande ressemble beaucoup à un bon ticket Jira : contexte, objectif, contraintes, cas limites, critères de validation. Cette pratique se transpose en entreprise sur les specs, les synthèses de feedback, la recette, les analyses post-MEP et la préparation d'arbitrages.

Indicateurs d'impact

Live Produit en ligne, utilisé chaque semaine en famille
5 modules Planning, recettes, courses, prix, multi-utilisateurs
Transférable Méthode IA réutilisée en mission PO : specs, feedback, recette, post-MEP
Montage éditorial du produit Mes Recettes, montrant le tableau de bord, le planning, la liste de courses et le détail d'une recette
Vue d'ensemble du produit Mes Recettes, entre tableau de bord, planning, liste de courses et détail d'une recette.

Avant / Après IA : qualité gagnée sur trois tâches PO

L'IA ne remplace pas le PO. Elle rend le livrable plus complet plus tôt, puis déplace l'effort vers ce qui a le plus de valeur : arbitrer, relire, vérifier les cas limites, décider et mesurer après livraison. Le détail :

Rédiger une spec fonctionnelle
Sans IA plus long
  • Démarrage page blanche
  • Rédaction itérative, allers-retours
  • Critères d'acceptation parfois oubliés
  • 2 allers-retours avec les dev avant validation finale
Avec gabarit de cadrage IA plus cadré
  • Contexte métier + objectif structurés en entrée
  • 80% de la spec en 1 jet, cas limites couverts
  • Critères d'acceptation présents dès le départ
  • Finition humaine ciblée sur les arbitrages
Livrable plus complet · cas limites mieux couverts · relecture humaine ciblée
Synthétiser 30 retours utilisateurs
Sans IA manuel
  • Lecture intégrale des verbatims
  • Étiquetage manuel sur tableur
  • Risque de biais de récence ou d'attention
  • Synthèse rédigée à la fin, sous fatigue cognitive
Avec consigne d'analyse structuré
  • Regroupement des irritants récurrents
  • Verbatims associés à chaque irritant
  • Hypothèses produit dérivées
  • Le PO arbitre les priorités, ne fait plus l'étiquetage
Synthèse plus fiable · verbatims reliés aux thèmes · biais de lecture réduits
Pré-audit UX d'un parcours
Sans IA manuel
  • Parcours testé pas à pas, à la main
  • Points de vigilance passés en revue de mémoire
  • Hypothèses à formuler de zéro
Avec grille d'analyse préparée préparé
  • Capture d'écran + contexte métier en entrée
  • Frictions probables + biais cognitifs activés
  • Hypothèses à tester triées par impact
  • Sert d'amorce au vrai audit, ne le remplace pas
Hypothèses mieux cadrées · frictions priorisées · audit complet mieux préparé

Le gain de temps peut être exceptionnel à l'échelle individuelle, surtout pour préparer, structurer ou produire un premier livrable. En entreprise, il se heurte vite aux mêmes freins qu'avant : validations, conventions, dépendances entre équipes, arbitrages et process. L'IA accélère l'exécution locale, mais elle ne supprime pas à elle seule les goulots d'étranglement organisationnels. Pour gagner vraiment beaucoup de temps, il faut donc aussi traiter ces blocages de fonctionnement.

4 use cases IA que je transpose en mission

Le planificateur de repas est le banc d'essai. Ce qui en sort, je l'utilise dès la semaine 1 chez un client. Voici les quatre méthodes les plus directement transposables, ancrées dans des moments réels de mon parcours PO.

01 Analyser

Détection de signaux faibles produit

Sur un produit à fort trafic, les vrais signaux sont noyés dans les tickets, alertes et demandes ad hoc.

Méthode
  1. Scanner chaque semaine analytics, support, monitoring et feedback users.
  2. Qualifier chaque signal : récurrence, criticité, périmètre, hypothèse de cause.
  3. Sortir un top 5 priorisé avec angle d'attaque pour investigation.

Ancrage : Marine Nationale, détection acoustique. Même logique : trier le bruit, reconnaître le signal utile, déclencher la bonne action.

02 Rédiger

Auto-cadrage de specs depuis brief flou

Un besoin métier formulé en trois lignes devient vite une user story bancale et des allers-retours de sprint.

Méthode
  1. Transformer le brief en user story complète : contexte, objectif, critères de validation, cas particuliers et dépendances API.
  2. Faire challenger le brief par l'IA avec les questions manquantes.
  3. Relire, arbitrer et préparer le grooming sur une base déjà structurée.

Ancrage : Sutunam, specs sur 10+ projets de 20 à 500 j/h. La méthode existait déjà manuellement, l'IA la rend plus scalable.

03 Coordonner

Digest hebdo multi-prestataires

Quand trop d'acteurs livrent en parallèle, le point d'avancement peut prendre le pas sur le pilotage produit.

Méthode
  1. Centraliser mails, comptes-rendus, tickets et exports partenaires.
  2. Produire une vue unifiée : qui livre, qui glisse, qui bloque, quelles décisions prendre.
  3. Stabiliser le format : une page lisible en 5 minutes, identique chaque semaine.

Ancrage : Aéroport Lyon Saint-Exupéry, coordination quotidienne d'intégrations partenaires. Méthode déjà testée sur ce périmètre.

04 Transmettre

Mentorat IA pour PO junior

Un PO junior gagne en autonomie plus vite s'il dispose d'un cadre de travail, pas seulement de corrections ponctuelles.

Méthode
  1. Créer une bibliothèque de consignes et de checklists pour US, recette, post-mortem et décision produit.
  2. Maintenir la posture : l'IA propose, le junior arbitre, le mentor relit.
  3. Accélérer l'apprentissage sans transformer l'IA en boîte noire.

Ancrage : encadrement de juniors chez Sutunam, puis formation et tutorat individuel et collectif en Marine Nationale.

Ce que ce projet prouve

  • Pour moi, ce projet prouve que ma pratique de l'IA n'est pas déclarative. Je l'ai utilisée sur un vrai produit, avec de vrais usages, pour comprendre ce qu'elle améliore réellement dans le travail d'un PO.
  • Il montre aussi que je sais garder la posture produit face à un outil très rapide. Pour une équipe, c'est important : l'IA accélère l'exécution, mais le cadrage, les arbitrages et la responsabilité du livrable restent humains.
  • Enfin, ce projet sert de banc d'essai à mes méthodes. Ce que j'y teste sur les specs, les feedbacks, la recette ou l'analyse post-MEP, je peux ensuite le transposer dans un contexte client avec plus de maturité.
Prochaine étape

Discutons de votre projet

Retour aux projets Me contacter