Comment Weglot, Yousign et Cegid construisent des organisations produit AI-native

Peu de leaders produit abordent la transformation IA dans les mêmes conditions.

Weglot est une boîte SaaS de 70 personnes qui a dépassé les 35 M€ d'ARR, avec une organisation produit et engineering d'environ 20 personnes. Yousign joue à une plus grande échelle, avec environ 200 salariés, 90 personnes entre le Produit et l'Engineering, et plus de 40 M€ de revenus. Cegid est à un tout autre niveau : plus de 6 000 salariés, 2 000 personnes en R&D et plus de 1 Md€ de revenus.

Malgré leurs différences de taille, de maturité et de complexité d'organisation, les trois boîtes font face au même défi : comment transformer leurs organisations produit et engineering en organisations AI-native.

Leurs parcours ont commencé à des moments différents. Yousign a démarré il y a environ 18 mois. Weglot n'a lancé sa réorganisation IA qu'il y a quelques mois. Cegid a commencé à explorer le sujet il y a plus de deux ans. Pourtant, les trois sont arrivées aux mêmes questions : comment faire passer l'adoption à l'échelle ? Comment repenser les workflows ? Comment éviter de créer de nouveaux goulots d'étranglement ? Et que deviennent les rôles produit quand l'IA fait partie du travail quotidien ?

J'ai échangé avec Justine Poggi, VP Product chez Weglot, Christopher Parola, CPO chez Yousign, et Florian Cordel, VP Product chez Cegid, pour parler de la façon dont ils construisent des organisations produit AI-native.

Disclaimer : les choix d'organisation et les solutions techniques partagés dans cette newsletter ne sont pas faits pour être copiés-collés tels quels. Garde toujours en tête le contexte de ta boîte avant d'adopter quelque chose qui marche ailleurs ! 😊

‍

Légitimer l'IA avant d'essayer de la standardiser

La plupart des boîtes se jettent tout de suite sur les outils.

Les trois leaders ont décrit un point de départ différent.

Avant les workflows, avant la formation, avant la gouvernance, ils ont d'abord créé une permission dans l'organisation.

Chez Weglot, la direction a dit clairement que l'IA faisait partie de l'avenir de la boîte. L'objectif était simple : lever la friction psychologique que ressentaient les salariés en utilisant des outils d'IA.

Justine explique que certains membres de l'équipe ont été soulagés, simplement parce que l'usage de l'IA était devenu officiellement accepté. Une fois cette barrière tombée, l'expérimentation s'est accélérée naturellement. Les équipes pouvaient explorer les outils librement, sans être forcées dans des workflows prédéfinis ou des solutions validées.

Cegid a suivi un schéma similaire. La direction a activement soutenu l'expérimentation, alloué des budgets et encouragé les équipes à tester des solutions d'IA. L'objectif n'était pas une standardisation immédiate. L'objectif était de créer assez d'élan pour qu'une adoption réelle émerge de façon organique.

Ce qui frappe, c'est qu'aucune de ces boîtes n'a commencé par une gouvernance rigide.

Elles ont commencé par la légitimité.

C'est seulement quand les gens se sont sentis libres d'expérimenter que les organisations ont commencé à se poser les questions plus difficiles : passage à l'échelle, modèles de fonctionnement et conception des workflows.

« C'était important de la légitimer. Des gens m'ont dit qu'ils pouvaient enfin utiliser l'IA officiellement et qu'ils n'avaient plus l'impression de faire quelque chose de mal », Justine Poggi

‍

Laisser les power users découvrir l'avenir avant que l'organisation ne le formalise

Beaucoup de transformations IA échouent parce que les leaders essaient de définir les bonnes pratiques avant que quiconque les ait vraiment trouvées.

Ici, c'est l'inverse qui s'est passé.

Chez Yousign, la première vague est venue d'ingénieurs et de product managers enthousiastes. Un petit groupe a commencé à automatiser la QA, la rédaction de specs, la documentation et de nombreuses tâches répétitives. Ces early adopters ont découvert ce qui marchait bien avant que le management ne formalise quoi que ce soit.

Weglot a observé le même phénomène.

En donnant aux équipes un large accès aux outils, la boîte a vite repéré ses power users naturels. Ces personnes ont découvert des cas d'usage très efficaces, qui sont ensuite devenus des exemples pour tous les autres. Weglot a même organisé des démos internes où les power users montraient leurs workflows au reste de la boîte.

Cegid a activement encouragé ce comportement.

‍

Transformer les gains de productivité individuels en systèmes d'organisation

Les power users créent de l'optimisation locale.

Les organisations AI-native demandent une optimisation de tout le système.

Cette distinction est revenue plusieurs fois pendant la discussion.

Chez Yousign, certains product managers ont obtenu des gains importants grâce à la QA et à la documentation assistées par l'IA. Le défi est devenu de faire en sorte que chaque squad profite de ces améliorations. La boîte a fini par intégrer les compétences IA dans les attentes de carrière, les programmes de formation et les standards de fonctionnement. La maîtrise de l'IA est devenue une partie du rôle lui-même.

Weglot a vécu une transition similaire.

Au départ, la boîte a réservé du temps d'exploration dans le Produit et l'Engineering. Plus tard, elle est passée à des sprints d'implémentation ciblés, en nommant des responsables sur des workflows précis et en industrialisant les pratiques qui marchaient dans toutes les équipes.

Cegid décrit cette étape comme la reconstruction du système d'exploitation du Produit et de la R&D.

Une fois que l'expérimentation a produit assez de preuves, la direction doit réintroduire une couche top-down. Les équipes ont déjà exploré les possibilités. Le rôle de l'organisation devient de décider quelles pratiques méritent de passer à l'échelle.

Christopher a décrit le danger clairement.

Certains salariés sont devenus experts des outils d'IA, alors que d'autres n'avaient toujours pas les workflows de base, pourtant déjà connus pour faire gagner du temps. L'écart entre les early adopters et tous les autres finit par devenir un problème de passage à l'échelle.

« On a sans doute attendu trop longtemps avant de passer à la phase de passage à l'échelle et de définir comment on voulait que l'organisation fonctionne », Christopher Parola

‍

S'attendre à ce que les goulots se déplacent, pas à ce qu'ils disparaissent

L'un des messages les plus forts de la discussion : l'IA élimine rarement les goulots d'étranglement.

Elle les déplace.

Chez Yousign, la productivité de l'engineering a fortement augmenté. Environ 80 % du code est maintenant généré par des agents IA. Pourtant, les gains de productivité globaux restent plutôt autour de 20 à 30 %. La raison est simple : les équipes réinvestissent ailleurs la capacité libérée. Certaines résolvent des problèmes utiles. D'autres optimisent des activités qui n'ont jamais été des priorités.

Résultat : les contraintes de l'organisation se déplacent, tout simplement.

Chez Yousign, le goulot s'est déplacé vers l'enablement et l'exécution go-to-market. Les équipes ont commencé à livrer des features plus vite que les équipes commerciales et en contact client ne pouvaient les absorber.

Christopher a partagé une phrase qu'il ne s'attendait jamais à entendre :

« Pour la première fois de ma vie, quelqu'un côté revenus m'a dit : vous livrez trop », Christopher Parola

Chez Weglot, le goulot s'est déplacé dans une autre direction.

Les développeurs ont gagné en vitesse plus vite que les équipes produit. Les product managers avaient du mal à générer assez d'opportunités validées pour suivre le rythme. La boîte a même accéléré le recrutement d'un PM au lieu de recruter des développeurs en plus, parce que le Produit était devenu le facteur limitant.

La conséquence est essentielle.

Mesurer le succès de l'IA uniquement avec des métriques de productivité individuelle peut être trompeur.

Ce qui compte, c'est que le système entier aille plus vite.

‍

Repenser les rôles autour des résultats plutôt que des frontières de postes

L'IA remet en cause l'une des plus vieilles hypothèses des organisations logicielles : l'ownership des rôles.

Tout au long de la discussion, les trois leaders ont décrit un chevauchement croissant entre les responsabilités traditionnelles.

Les product managers génèrent des prototypes. Les ingénieurs contribuent à la discovery. Les outils d'IA créent de la documentation, des analyses et des contenus d'enablement qui appartenaient avant à des fonctions spécialisées.

Ça crée de la friction.

Beaucoup d'organisations fonctionnent encore avec des modèles mentaux très ancrés autour de l'ownership.

Pour Christopher, les organisations AI-native demandent un autre état d'esprit. Les équipes doivent se concentrer sur les résultats plutôt que protéger leurs responsabilités. Si quelqu'un peut résoudre un problème efficacement, la valeur pour l'organisation compte plus que les frontières historiques.

Florian est allé encore plus loin.

Au lieu de partir des intitulés de postes existants, il propose de repenser les organisations autour des capacités nécessaires. Ses équipes cartographient de plus en plus d'abord les workflows, puis déterminent quelles responsabilités reviennent aux humains, aux agents ou à des combinaisons hybrides. Ce n'est qu'après qu'elles parlent d'intitulés de postes ou de lignes hiérarchiques.

Le changement est subtil, mais profond.

Les organisations traditionnelles demandent : qui est responsable de ça ?

Les organisations AI-native demandent de plus en plus : quelle est la façon la plus efficace d'obtenir ce résultat ?

‍

Construire des systèmes de connaissance avant de construire plus de workflows IA

Beaucoup d'équipes se concentrent sur les prompts. Le panel s'est concentré sur la connaissance.

Florian a mis en avant un problème qui ne devient visible qu'une fois que les équipes commencent à construire des workflows avancés : les systèmes d'IA sont limités par la qualité de la connaissance de l'organisation.

La veille concurrentielle, le contexte produit, l'expertise marché, la compréhension des clients et les décisions passées vivent souvent dans la tête des gens. Les humains savent naturellement combler ces trous. Les agents, non.

À mesure que les organisations utilisent plus l'IA, la gestion de la connaissance devient une capacité stratégique.

La documentation ne peut plus être pensée uniquement pour des lecteurs humains. Elle doit aussi pouvoir être exploitée par des agents.

Ça change la façon dont les équipes pensent la documentation produit, la veille concurrentielle, la recherche interne et la connaissance du marché.

Beaucoup de workflows IA donnent des résultats décevants parce que la connaissance de départ est incomplète, éparpillée ou mal structurée.

Les équipes concluent qu'un workflow ne marche pas, alors que le vrai problème vient d'une information incomplète ou mal structurée.

Les organisations qui règlent d'abord la gestion de la connaissance posent des fondations bien plus solides pour l'adoption de l'IA.

‍

Éviter de traiter l'IA comme une organisation à part

L'une des erreurs les plus claires évoquées pendant le panel vient de Cegid.

La boîte a testé des équipes dédiées à l'IA.

Le résultat a été décevant.

L'IA s'est retrouvée isolée au lieu d'être intégrée. Les équipes produit déléguaient la responsabilité au lieu d'apprendre elles-mêmes de nouvelles compétences. Au final, cette approche a créé de la distance entre les initiatives IA et le vrai développement produit.

La leçon est importante, parce que beaucoup de boîtes prennent en ce moment la même décision.

Créer une équipe IA donne l'impression d'avancer.

Ça crée de l'ownership, de la visibilité et de la structure.

Mais ça peut aussi faire passer, sans le vouloir, le message que l'IA appartient aux spécialistes plutôt qu'à tout le monde.

L'alternative proposée par Florian : construire des capacités d'enablement et de plateforme. Une infrastructure partagée, des composants réutilisables, des couches sémantiques communes et des mécanismes de soutien dans l'organisation créent un effet de levier dans toute la boîte, tout en laissant l'ownership aux équipes produit.

Une autre erreur qui revient souvent : courir après chaque nouvel outil.

Weglot et Yousign ont tous les deux mis en garde contre l'expérimentation sans fin. Les équipes ont besoin de périodes de stabilité où les workflows peuvent être mesurés, améliorés et passés à l'échelle. Les organisations qui changent d'outils en permanence créent rarement des changements de comportement durables.

Les organisations AI-native se construisent par la répétition et l'adoption.

Elles ne se construisent pas en explorant sans cesse de nouveaux outils.

‍

• Légitimer l'usage de l'IA dans l'organisation compte souvent plus que choisir la stack d'outils parfaite.
• Les power users devraient découvrir les workflows à forte valeur avant que la direction n'essaie de standardiser les pratiques IA dans les équipes.
• Les gains de productivité individuels ne comptent que s'ils se traduisent en systèmes de fonctionnement et en habitudes à l'échelle de toute l'organisation.
• L'IA ne supprime pas les goulots d'étranglement. Elle les déplace vers la stratégie produit, l'enablement, la discovery ou la coordination de l'organisation.
• Les organisations produit devraient repenser les responsabilités autour des résultats et des capacités, plutôt que des frontières historiques entre rôles.
• La gestion de la connaissance devient une infrastructure de base pour réussir l'adoption de l'IA et les workflows à base d'agents.
• Passer l'IA à l'échelle demande des périodes de standardisation et de discipline opérationnelle après la phase d'exploration initiale.
• Des équipes IA dédiées peuvent, sans le vouloir, isoler les efforts de transformation des équipes cœur de développement produit.
• La discovery prend plus de valeur quand l'implémentation devient plus rapide, parce que livrer la mauvaise chose devient aussi plus facile.
• Les boîtes qui avancent le plus vite combinent l'expérimentation bottom-up et l'alignement top-down de l'organisation.

‍