Guide du formateur — Session 9 : Construire des produits IA

Programme : Applied AI — Niveau intermédiaire Formateur : Yann Isola Durée : 2 heures (120 minutes) Module source : Module 7

🎯 Objectifs pédagogiques

À la fin de cette session, les participants sauront :

Distinguer la pensée produit de la pensée technique — partir du problème, pas du modèle
Concevoir une expérience utilisateur adaptée à l’incertitude inhérente à l’IA
Positionner un produit sur le spectre « human in the loop » (humain dans la boucle)
Évaluer quand l’IA apporte de la valeur — et quand elle n’en apporte pas
Mesurer un produit IA avec les bonnes métriques (complétion, temps gagné, confiance, escalade)
Calculer un rapport coût-bénéfice et un point d’équilibre (breakeven)
Décider entre acheter (API), affiner (fine-tuning) ou construire (from scratch)
Intégrer les principes d’IA responsable dès la conception

📋 Prérequis et matériel

Élément	Détail
Prérequis participants	Sessions 1–8 (bases des LLM, prompting, RAG, agents, évaluation)
Matériel formateur	Slides (`slides/slides.md`), page interactive (`webpage/index.html`) ouverte dans un navigateur
Matériel participants	Ordinateur portable, exercices imprimés ou accessibles, calculatrice (ou tableur)
Salle	Vidéoprojecteur, tableau blanc, disposition en îlots de 3–4 pour les ateliers

Astuce logistique : la page interactive fonctionne hors ligne — la distribuer par clé USB ou intranet si le Wi-Fi est capricieux.

⏱ Déroulé minuté (120 min)

Bloc 1 — Ouverture et pensée produit (0:00 → 0:20, 20 min)

Temps	Activité	Notes formateur
0:00–0:05	Accueil + accroche	Question flash : « Qui a déjà utilisé un produit IA frustrant ? Pourquoi ? » Récolter 3–4 réponses au tableau. Elles resserviront tout au long de la session.
0:05–0:15	Pensée produit vs pensée technique (slides 3–6)	Le message clé : « Quel problème est-ce que je résous ? » avant « Quel modèle utiliser ? ». Exemple concret : une startup qui construit un chatbot RAG (Retrieval-Augmented Generation, génération augmentée par récupération) sophistiqué… alors que les utilisateurs voulaient juste une barre de recherche rapide. Insister : la techno la plus impressionnante n’est pas la solution la plus utile.
0:15–0:20	Mini-débat	« Citez un produit où l’IA est invisible mais utile » (ex. : tri anti-spam, suggestions de réponse dans Gmail, correction automatique). Contraste avec les produits où l’IA est mise en avant comme argument marketing sans valeur réelle.

Piège fréquent : des participants techniques voudront parler d’architecture. Recadrer gentiment : « aujourd’hui, on porte la casquette produit, pas la casquette ingénieur ».

Bloc 2 — UX de l’incertitude et human in the loop (0:20 → 0:45, 25 min)

Temps	Activité	Notes formateur
0:20–0:32	UX (User Experience, expérience utilisateur) pour produits IA (slides 7–10)	Trois piliers : gérer l’incertitude (l’IA se trompe — le produit doit le prévoir), indicateurs de confiance (montrer quand l’IA est sûre ou non), dégradation gracieuse (que se passe-t-il quand l’IA échoue ? Le produit reste utilisable). Exemples : DeepL affiche des alternatives de traduction ; GitHub Copilot propose sans imposer ; un OCR (Optical Character Recognition, reconnaissance optique de caractères) surligne en orange les champs à faible confiance pour relecture humaine.
0:32–0:42	Le spectre human in the loop (slides 11–13)	Dessiner le spectre au tableau : entièrement automatisé → approbation humaine → contrôle humain (override) → entièrement manuel. Faire placer des cas par les participants : filtrage spam (auto), diagnostic médical assisté (approbation), modération de contenu (override), rédaction d’un contrat (manuel avec assistance). Règle d’or : plus le coût d’une erreur est élevé, plus l’humain doit être proche de la boucle.
0:42–0:45	Exit ticket n°1 (oral rapide)	« Pour un virement bancaire automatique détecté comme frauduleux : quel niveau de human in the loop ? Justifiez. » (Réponse attendue : approbation humaine — coût d’erreur élevé dans les deux sens : bloquer un vrai client ou laisser passer une fraude.)

Bloc 3 — Quand l’IA a de la valeur + métriques (0:45 → 1:10, 25 min)

Temps	Activité	Notes formateur
0:45–0:55	Quand l’IA ajoute de la valeur (slides 14–16)	Le triangle de la valeur IA : volume élevé + tolérance à l’imperfection + boucle de rétroaction claire. Exemples positifs : tri de 10 000 tickets support/jour, résumés de réunions, première ébauche de contenu marketing. Contre-exemples : calcul de paie (zéro tolérance à l’erreur), tâche exécutée 2 fois par an (volume trop faible), décision juridique finale (imperfection inacceptable). Faire l’exercice inverse : « donnez-moi une tâche de votre métier et testons-la contre le triangle ».
0:55–1:07	Métriques produit IA (slides 17–19)	Quatre métriques phares : taux de complétion de tâche (l’utilisateur finit-il ce qu’il a commencé ?), temps gagné (mesuré, pas déclaré), score de confiance utilisateur (enquêtes, taux de réutilisation), taux d’escalade (combien de fois l’humain doit reprendre la main ?). Puis tests A/B (comparaison de deux variantes sur des populations distinctes) appliqués à l’IA : variantes de prompt, routage de modèle (petit modèle pour les cas simples, gros pour les complexes), feature flags (interrupteurs logiciels pour activer une fonction pour un sous-groupe). Exemple chiffré : variante A du prompt → 72 % de complétion, variante B → 81 % → on déploie B progressivement via feature flag.
1:07–1:10	Exit ticket n°2 (écrit, 3 min)	« Votre chatbot support a un taux d’escalade qui passe de 20 % à 35 % après une mise à jour. Citez deux causes possibles et une action. »

Pause conseillée : 5 minutes à 1:10 si le groupe fatigue (déduire sur le bloc 4, qui a de la marge).

Bloc 4 — Coût-bénéfice et build/buy/fine-tune (1:10 → 1:35, 25 min)

Temps	Activité	Notes formateur
1:10–1:22	Analyse coût-bénéfice (slides 20–22)	Côté coûts : appels API (Application Programming Interface, interface de programmation), infrastructure, maintenance, supervision humaine. Côté valeur : temps gagné × coût horaire, revenus additionnels, gains de qualité. Démo live : ouvrir la page interactive, onglet « Calculateur ROI » (Return On Investment, retour sur investissement). Saisir un cas : traitement manuel d’un ticket = 12 min à 30 €/h ; coût IA ≈ 0,08 €/ticket ⚠ (les prix d’API évoluent vite) ; volume 5 000 tickets/mois ; précision IA 85 % (15 % escaladés vers l’humain). Montrer le point d’équilibre en direct.
1:22–1:32	L’arbre de décision build / buy / fine-tune (slides 23–25)	Trois branches : acheter (API sur étagère) — défaut raisonnable pour 80 % des cas : rapide, peu de maintenance ; affiner (fine-tuning) — quand le domaine est spécifique, que le volume justifie le coût, et que les données d’entraînement existent ; construire (from scratch) — rarissime : contraintes de souveraineté, cas où le modèle EST le produit, budgets conséquents. Démo : onglet « Arbre de décision » de la page interactive. Faire répondre le groupe aux questions pour 2 scénarios : (a) classification de courriels internes, (b) modèle de détection de fraude propriétaire.
1:32–1:35	Exit ticket n°3 (oral)	« Une PME (Petite et Moyenne Entreprise) veut un assistant de rédaction de devis. Build, buy ou fine-tune ? » (Attendu : buy — API + prompting suffit ; le fine-tuning ne se justifie qu’avec un volume et une spécificité prouvés.)

Bloc 5 — Confiance, IA responsable et études de cas (1:35 → 1:55, 20 min)

Temps	Activité	Notes formateur
1:35–1:43	Construire la confiance (slides 26–27)	Trois leviers : expliquer ce que l’IA a fait (pas comment elle fonctionne — l’utilisateur se moque des transformers, il veut savoir « j’ai résumé ces 3 documents ») ; montrer les sources (citations cliquables dans un RAG) ; permettre les corrections (bouton « c’est faux » qui alimente l’amélioration). Anti-exemple : un assistant qui affirme sans jamais citer → confiance qui s’érode à la première erreur détectée.
1:43–1:50	IA responsable dans les produits (slide 28)	Quatre chantiers concrets : détection de biais (tester le produit sur des sous-populations : le tri de CV note-t-il différemment selon le prénom ?), filtrage de contenu (entrées ET sorties), consentement utilisateur (l’utilisateur sait-il qu’il parle à une IA ? RGPD — Règlement Général sur la Protection des Données), confidentialité des données (quelles données partent vers l’API ? Sont-elles utilisées pour l’entraînement ?). Mentionner l’AI Act européen ⚠ (calendrier d’application en cours d’évolution).
1:50–1:55	Études de cas éclair (slides 29–30)	Trois cas en 90 secondes chacun : (1) Automatisation du support client — triage auto + réponse suggérée + escalade humaine, métriques : taux de résolution au premier contact, escalade. (2) Pipeline de génération de contenu — brief humain → ébauche IA → révision humaine → publication ; l’IA fait le premier jet, jamais la validation. (3) Base de connaissances interne — RAG sur la documentation d’entreprise avec citations obligatoires et bouton de signalement. Relier chaque cas au triangle de la valeur et au spectre human in the loop.

Bloc 6 — Synthèse et clôture (1:55 → 2:00, 5 min)

Temps	Activité	Notes formateur
1:55–1:58	Synthèse en 4 phrases	1. Le problème avant le modèle. 2. L’incertitude se design, elle ne se cache pas. 3. Mesurez : complétion, temps, confiance, escalade. 4. Buy par défaut, fine-tune si justifié, build presque jamais.
1:58–2:00	Exit tickets n°4 et n°5 + annonces	Distribuer les deux derniers exit tickets (ci-dessous). Annoncer les exercices à rendre et la session suivante.

🎫 Les 5 exit tickets (récapitulatif)

(Oral, bloc 2) Virement suspecté frauduleux : quel niveau de human in the loop et pourquoi ?
(Écrit, bloc 3) Taux d’escalade 20 % → 35 % après mise à jour : deux causes possibles, une action.
(Oral, bloc 4) Assistant de devis pour une PME : build, buy ou fine-tune ?
(Écrit, clôture) « Citez les trois conditions du triangle de la valeur IA et donnez un contre-exemple tiré de votre métier. »
(Écrit, clôture) « Un produit IA affiche une réponse sans source ni indicateur de confiance. Proposez deux améliorations UX concrètes et dites quelle métrique elles amélioreraient. »

Correction rapide : les tickets 4 et 5 se corrigent en 30 secondes chacun. Un ticket 4 raté = revoir le bloc 3 en début de session 10.

⚠ Points de vigilance formateur

Les chiffres de coûts d’API sont volatils ⚠ — annoncer les ordres de grandeur comme « au moment où je vous parle » et montrer où vérifier (pages de tarifs des fournisseurs).
Éviter le débat « l’IA va remplacer les humains » — recentrer sur le spectre human in the loop : la question n’est pas « remplacer ou pas » mais « où placer le curseur ».
Participants non techniques : le bloc 4 (coût-bénéfice) est leur moment fort — les faire manipuler le calculateur eux-mêmes.
Participants très techniques : les frustrer positivement — leur demander de défendre un « buy » alors qu’ils rêvent de « build ».
Timing serré sur le bloc 5 — si retard, couper l’étude de cas n°2 (pipeline de contenu) plutôt que l’IA responsable, qui est non négociable.

📚 Pour aller plus loin (à partager après la session)

Les exercices (exercises/exercises.md) — le canvas produit peut se faire en binôme d’ici la session 10
Le quiz (quiz/quiz.md) — 10 questions, à faire en autonomie, correction en ouverture de session 10
La page interactive (webpage/index.html) — canvas, calculateur ROI et arbre de décision réutilisables sur leurs propres projets