En mars 2025, Teresa Torres se fracture la cheville pendant un match de hockey. Trois semaines de canapé, de chirurgie et d’antalgiques plus tard, la référence mondiale du product discovery (cette phase de recherche où une équipe produit vérifie qu’elle s’attaque à un vrai problème avant de construire quoi que ce soit, un peu comme un architecte qui sonde le terrain avant de couler des fondations) ne se doutait pas que cette immobilité forcée allait faire d’elle une créatrice de logiciels.
Une sceptique face aux évangélistes de LinkedIn
Torres enseigne l’art de l’entretien client depuis neuf ans. Son livre, Continuous Discovery Habits, a structuré la pratique de milliers d’équipes produit autour d’une idée simple : parler régulièrement aux utilisateurs plutôt que de se fier à son intuition, une conviction qu’elle défendait déjà dans un précédent article sur la preuve produit. Clouée sur son canapé, elle ouvre LinkedIn chaque jour et tombe sur des publications qui vantent l’intelligence artificielle appliquée à la recherche utilisateur : des centaines d’heures d’entretiens synthétisées en quelques secondes, des personas générés par des modèles de langage (des systèmes d’IA entraînés à produire du texte à partir d’une consigne). Elle résiste. Elle a, dit-elle, un million de raisons pour lesquelles l’IA ne devrait rien changer au travail d’écoute des clients : rien ne remplace la compréhension fine qui naît d’une vraie conversation. Mais la peur d’être dépassée s’installe, et chez elle, la peur se transforme d’ordinaire en curiosité.
Du prompt au produit
Plutôt que de chercher un raccourci pour éviter les entretiens, comme elle voit tant de praticiens le faire autour d’elle, Torres choisit un problème plus étroit : peut-elle apprendre à un modèle à évaluer la qualité d’un entretien, exactement comme elle le fait avec ses étudiants depuis des années ? Elle transforme sa grille pédagogique en prompt (une consigne écrite en langage courant qui oriente la réponse d’un modèle de langage). Les résultats la surprennent. Trois semaines après sa première expérimentation, elle met en ligne l’Interview Coach, une MVP (la version la plus simple d’un produit, conçue pour tester une idée avant d’y investir davantage) intégrée à son propre programme de formation. Mais un prompt n’est pas un produit. Pour transformer cet essai en logiciel fiable, elle doit apprendre à gérer les erreurs, travailler dans un environnement de développement, versionner son code avec Git. Vistaly, une entreprise partenaire qui conçoit des outils de cartographie produit, lui prête ses ingénieurs.
L’habitude que le product discovery n’avait pas encore : les evals
Une question la taraude vite : comment savoir si son assistant IA donne de bons conseils ? Elle découvre alors une discipline empruntée au génie logiciel de l’intelligence artificielle, popularisée notamment par un cours de Shreya Shankar et Hamel Husain : les evals (de l’anglais evaluations), une boucle de rétroaction qui consiste à repérer ce qu’un modèle produit de travers, à mesurer systématiquement ces erreurs, puis à corriger le système par petites itérations, plutôt que de juger sa qualité une fois pour toutes. Torres y voit la pièce manquante de sa discipline : de même qu’un entretien mal mené produit une synthèse inutile, une IA mal évaluée produit des recommandations dont personne ne peut garantir la justesse. C’est précisément là que se loge le vrai transfert de compétence de cette histoire : nul besoin de savoir coder pour appliquer ce réflexe. Il suffit de décrire ce à quoi ressemble une bonne réponse avant de faire confiance à celles que produit un système.
Quatre outils, un an, un bug qui a failli tout gâcher
Le rythme s’accélère. En décembre 2025, avec sa collaboratrice Hope Gurion, elle lance un Business Fundamentals Coach qui note les devoirs de ses élèves en quelques secondes. Le même mois, Anthropic publie les résultats d’une expérience où 1 250 personnes ont été interrogées par son modèle Claude, jugés superficiels par Torres. Par défi, elle prototype son propre intervieweur IA, non pour remplacer l’entretien humain, mais pour enrichir des retours trop courts, comme un commentaire client bâclé laissé sur un formulaire. En janvier, avec Vistaly, elle met en ligne deux formats qu’elle a elle-même popularisés dans son livre : la synthèse d’entretien (résumer ce qu’un client a dit avant de comparer plusieurs entretiens entre eux, pour ne pas diluer une histoire unique dans une moyenne artificielle) et l’arbre solution-opportunité (un diagramme qui relie un objectif produit aux problèmes identifiés chez les clients, puis aux pistes de solutions à tester), désormais générés automatiquement par IA à partir de vraies transcriptions d’entretien. En mars, elle construit un Outcome Coach qui distingue en un instant un objectif business d’un simple indicateur d’activité. Puis, en avril, une correction de code introduit un bug dans la logique qui compare les versions successives d’un arbre solution-opportunité. Le correctif prend deux semaines de travail continu, du réveil au coucher. « L’un des problèmes d’ingénierie les plus difficiles que j’aie jamais affrontés », dira-t-elle plus tard, elle qui ne se définissait pas comme ingénieure un an plus tôt.
Ce que cette année raconte du métier
L’histoire de Torres illustre un mouvement plus large que sa propre trajectoire : partout, des trios produit historiques (le regroupement classique chef de produit, designer, responsable technique) se recomposent à mesure que des non-développeurs apprennent à faire tourner du code en production, une dynamique déjà documentée dans notre article sur les leviers réels que l’IA offre aux chefs de produit. Certains désignent déjà cette évolution par l’expression chef de produit bâtisseur : un profil qui livre lui-même des bouts de logiciel fonctionnels, plutôt que de se contenter de les spécifier pour d’autres. Mais il faut se garder de transformer un témoignage en preuve générale. Ce qui est établi : avec une discipline d’évaluation rigoureuse et un partenaire technique prêt à l’épauler gratuitement, une professionnelle expérimentée peut apprendre, en quelques mois, à livrer du logiciel qui tourne réellement en production, devant de vrais clients. Ce qui reste une promesse : que n’importe qui puisse reproduire ce parcours aussi facilement. Torres elle-même a bénéficié d’une communauté payante disposée à essuyer les imperfections d’un produit encore jeune, d’ingénieurs partenaires prêts à l’épauler, et d’une disponibilité rare : deux semaines pleines consacrées à un seul bug. Pour une organisation, laisser des non-ingénieurs déployer des fonctionnalités IA visibles des clients, sans les garde-fous habituels de revue de code et de sécurité décrits dans notre article sur le harnais qui encadre les agents IA, n’est pas un détail : c’est une question de gouvernance à trancher avant, et non après, le premier incident.
Le geste concret à retenir tient en une phrase, et il ne demande aucune ligne de code : avant de faire confiance à ce qu’une IA produit pour votre équipe, écrivez d’abord, avec les critères que vous utilisez déjà pour juger un bon entretien ou une bonne synthèse, ce à quoi ressemble une réponse correcte. Testez ensuite les réponses réelles du système contre cette grille. C’est l’habitude des evals, transposable à n’importe quel métier qui s’apprête à confier une tâche à un modèle de langage. Torres conclut son témoignage par une image empruntée à un podcast qu’elle écoutait la semaine précédente : l’aventure, disait l’animateur Michael Easter, c’est « s’aventurer joyeusement dans l’inconnu ». Elle ignore où sa propre histoire la mènera. Le lecteur, lui, n’a besoin de connaître qu’une chose : quel est son propre tout petit premier pas.
Sources
- The Call to Adventure · Teresa Torres, Product Talk, 5 août 2026
