Integrer l'IA dans son produit SaaS : mode d'emploi pour les equipes produit

L’intelligence artificielle generative a connu une adoption plus rapide que toute autre technologie dans l’histoire du logiciel. Pour les equipes produit SaaS, l’IA represente a la fois une opportunite et un defi : comment l’integrer de maniere pertinente, sans tomber dans le gadget ni exploser les couts d’infrastructure ?

Les cas d’usage qui marchent dans le SaaS

L'IA n'est pas un produit en soi, c'est un ingredient qui peut rendre un produit existant meilleur. Les meilleurs usages de l'IA dans le SaaS sont ceux qui resolvent un probleme existant, pas ceux qui creent un besoin artificiel, affirme un VP Product d’Algolia.

Algolia, la licorne francaise de la recherche valorisee 2,25 milliards de dollars, a integre l’IA dans son produit de recherche. Notre algorithme de "neural search" comprend l'intention derriere la requete, pas seulement les mots cles. Cela a ameliore la pertinence des resultats de 30 % par rapport a la recherche traditionnelle.

Chez Pennylane, l’IA est utilisee pour automatiser la categorisation des ecritures comptables. Notre modele d'IA categorise automatiquement 85 % des transactions avec une precision de 95 %. Cela fait gagner des heures aux comptables chaque semaine et reduit les erreurs de saisie.

Chez Front, l’IA assiste les equipes support en suggerant des reponses aux emails recurrents. Notre assistant IA propose des reponses aux 20 demandes les plus frequentes, ce qui permet aux agents de gagner 30 % de temps sur chaque ticket.

Les risques de l’IA dans le produit

L’IA presente des risques specifiques que les equipes produit doivent gerer. Le premier risque est celui des hallucinations : un modele d'IA qui invente des reponses plausibles mais fausses. Dans un produit B2B, c'est inacceptable. Nous avons mis en place un systeme de verification des reponses generees, explique un PM d’Algolia.

Le deuxieme risque est le cout. Les appels aux grands modeles de langage coutent cher. Nous avons du optimiser notre infrastructure pour reduire le cout par requete IA de 80 % avant de pouvoir deployer la fonctionnalite a grande echelle.

Le troisieme risque est la confidentialite des donnees. Quand un client envoie des donnees a un LLM tiers, il perd le controle sur celles-ci. Nous avons choisi d'heberger nos modeles en interne pour garantir la confidentialite des donnees de nos clients.

IA et UX : le defi de la transparence

L’IA doit etre transparente pour les utilisateurs. Quand l'IA prend une decision ou fait une suggestion, l'utilisateur doit comprendre pourquoi. Nous avons investi dans des interfaces qui expliquent les recommandations de l'IA en langage naturel, decrit un Designer UX de Pennylane.

Nous avons egalement toujours laisse la possibilite a l'utilisateur de desactiver l'IA ou de modifier manuellement ses suggestions. L'IA doit etre un assistant, pas un decideur.

IA et experimentation

L’IA s’integre parfaitement dans les processus d’experimentation. Nous utilisons l'IA pour generer des variantes de test A/B automatiquement. Au lieu de tester 2 variantes, nous pouvons en tester 10. L'IA analyse les resultats et identifie les patterns que les humains ne verraient pas, explique un Growth PM de ManoMano.

L'IA nous permet egalement de personnaliser l'experience utilisateur en temps reel. Chaque visiteur voit la variante la plus adaptee a son profil, ce qui a augmente notre taux de conversion de 8 %.

L’IA comme produit

Pour certaines startups, l’IA est le produit lui-meme. Notre produit est un modele d'IA qui aide les equipes finance a detecter les anomalies dans leurs donnees. 100 % de notre valeur est dans l'IA. Cela change completement notre approche produit : nous ne concevons pas une interface, nous concevons un algorithme, temoigne un CEO de startup IA.

Les metriques de performance de l’IA

L’IA se mesure avec des indicateurs specifiques. Nous suivons la precision (accuracy), le rappel (recall) et la precision (precision) de nos modeles. Mais nous suivons aussi des metriques produit : le taux d'acceptation des suggestions de l'IA, le temps gagne par utilisateur, le taux d'erreur corrige par l'utilisateur, enumere un Data Scientist de Pennylane.

Chez Pennylane, notre modele de categorisation des ecritures comptables a une precision de 95 %, mais un taux d'acceptation de 85 %. Les 15 % de refus sont principalement dus a des ecritures complexes que les utilisateurs preferent traiter manuellement. Ce taux d'acceptation est notre metrique produit la plus importante : il mesure la confiance des utilisateurs dans l'IA.

Nous avons appris que pousser un modele avec une precision insuffisante detruit la confiance des utilisateurs. Si l'IA fait des erreurs, les utilisateurs arretent de lui faire confiance et rejettent meme les suggestions correctes. Nous avons fixe un seuil minimum de 90 % de precision avant de deployer un modele aupres des utilisateurs.

IA et ethique produit

L’IA souleve des questions ethiques que les equipes produit doivent prendre en compte. Nous avons mis en place un comite d'ethique IA qui valide chaque nouveau cas d'usage avant son developpement. Ce comite est compose de membres des equipes produit, juridique, et de personnes exterieures a l'entreprise, explique un VP Product.

Les questions ethiques sont nombreuses : biais algorithmique, transparence des decisions, impact sur l'emploi, confidentialite des donnees. Nous avons un processus systematique d'audit des biais pour chaque modele que nous deployons.

Une IA qui apprend sur des donnees historiques peut reproduire et amplifier les biais existants. Par exemple, un modele de recrutement forme sur des donnees historiques pourrait discriminer indirectement certains profils. Nous avons des garde-fous pour detecter et corriger ces biais avant le deploiement.

La stack technique pour l’IA produit

L’infrastructure d’IA est complexe a mettre en place. Nous utilisons une combinaison de modeles : des modeles proprietaires heberges chez nous pour les donnees sensibles, et des API de LLM tiers pour les cas d'usage generiques. Chaque cas d'usage a son modele optimal, detaille un CTO.

Le choix du modele est un compromis entre cout, precision et latence. Un petit modele specialise peut etre 10 fois moins cher et 5 fois plus rapide qu'un gros modele generaliste, avec une precision equivalente sur une tache specifique.

Nous avons investi dans une plateforme interne de gestion des modeles qui permet aux equipes produit de deployer, monitorer et iterer sur leurs modeles sans intervention de l'equipe data science. Cette plateforme a considrablement accelere le time-to-market des fonctionnalites IA.

Pour approfondir les innovations produit, lire notre article sur comment Notion a scale a 100 millions d’utilisateurs et notre analyse des secrets du product-led growth.