Découvrez comment notre nouvelle fonctionnalité IA a connu une adoption fulgurante de 5% dès sa première semaine !

La valeur réelle de l’IA dans les produits : se concentrer sur les besoins des utilisateurs

Depuis le lancement de ChatGPT, de nombreux dirigeants d’entreprises technologiques se sont lancés à la poursuite de cette tendance : partout où je regarde, une autre entreprise met en avant sa fonctionnalité pionnière en matière d’IA. Cependant, la véritable valeur commerciale réside dans la fourniture de fonctionnalités produit qui comptent pour les utilisateurs, et non pas seulement dans l’utilisation de technologies à la mode.

Nous avons obtenu un retour sur investissement 10 fois supérieur en matière d’ingénierie grâce à l’IA en commençant par des principes fondamentaux sur ce dont les utilisateurs ont besoin de votre produit, en construisant une fonctionnalité d’IA qui soutient cette vision, puis en mesurant l’adoption pour s’assurer qu’elle répond aux attentes.

Notre première fonctionnalité d’IA n’était pas alignée sur cette idée, et il a fallu un mois pour atteindre un taux d’adoption décevant de 0,5 % parmi les utilisateurs réguliers. Après avoir recentré nos principes fondamentaux sur les besoins de nos utilisateurs pour notre produit, nous avons développé une approche « IA en tant qu’agent » et lancé une nouvelle fonctionnalité d’IA qui a explosé avec un taux d’adoption de 5 % dès la première semaine. Cette formule de succès en matière d’IA peut être appliquée à presque tous les produits logiciels.

Le gaspillage de l’engouement précipité

De nombreuses startups, comme la nôtre, sont souvent tentées par l’attrait de l’intégration de la dernière technologie sans une stratégie claire. Ainsi, après la sortie révolutionnaire des différentes versions des modèles GPT (generative pretrained transformer) d’OpenAI, nous avons commencé à chercher un moyen d’utiliser la technologie d’IA basée sur les grands modèles de langage (LLM) dans notre produit. Très vite, nous avons réussi à nous faire une place dans le train de l’engouement avec un nouvel élément piloté par l’IA en production.

Cette première fonctionnalité d’IA était une petite fonction de résumé qui utilise GPT pour rédiger un court paragraphe décrivant chaque fichier que notre utilisateur télécharge dans notre produit. Cela nous a donné quelque chose à raconter et nous avons créé du contenu marketing, mais cela n’a pas eu un impact significatif sur l’expérience de nos utilisateurs.

Nous le savions car aucune de nos principales mesures ne montrait de changement appréciable. Seulement 0,5 % des utilisateurs réguliers interagissaient avec la description au cours du premier mois. De plus, il n’y avait aucune amélioration de l’activation des utilisateurs et aucun changement dans le rythme des inscriptions d’utilisateurs.

En y réfléchissant d’un point de vue plus large, il était clair que cette fonctionnalité n’allait jamais faire évoluer ces mesures. La proposition de valeur fondamentale de notre produit repose sur l’analyse des big data et l’utilisation des données pour comprendre le monde.

Générer quelques mots sur le fichier téléchargé ne va pas donner lieu à un aperçu analytique significatif, ce qui signifie que cela ne va pas beaucoup aider nos utilisateurs. Dans notre hâte de fournir quelque chose lié à l’IA, nous avons manqué de fournir une véritable valeur.

Réussite avec l’IA en tant qu’agent : un retour sur investissement 10 fois supérieur

L’approche en matière d’IA qui nous a donné du succès est un principe d' »IA en tant qu’agent » qui permet à nos utilisateurs d’interagir avec les données de notre produit via un langage naturel. Cette recette peut être appliquée à presque tous les produits logiciels qui reposent sur des appels d’API.

Après notre première fonctionnalité d’IA, nous avons coché la case, mais nous n’étions pas satisfaits car nous savions que nous pouvions faire mieux pour nos utilisateurs. Nous avons donc fait ce que les ingénieurs logiciels font depuis l’invention des langages de programmation, c’est-à-dire nous réunir pour un hackathon. À partir de ce hackathon, nous avons mis en place un agent d’IA qui agit au nom de l’utilisateur.

L’agent utilise notre propre produit en effectuant des appels d’API aux mêmes points de terminaison d’API que notre interface web. Il construit les appels d’API en fonction d’une conversation en langage naturel avec l’utilisateur, en essayant de répondre à ce que l’utilisateur lui demande de faire. Les actions de l’agent se manifestent dans notre interface utilisateur web comme le résultat des appels d’API, comme si l’utilisateur avait lui-même effectué les actions.