Steve Blank observe ses étudiants Stanford arriver en J1 avec des MVP complets. S&P Global chiffre à 42% les entreprises qui abandonnent la majorité de leurs initiatives IA. Les deux phénomènes cohabitent, et ce n’est pas un paradoxe. C’est une question de process.

Le 22 avril 2026, Steve Blank publie un texte court sur son blog pour ouvrir la seizième année d’enseignement du Stanford Lean LaunchPad. Il commence par une observation inhabituelle pour un professeur qui tient le même cursus depuis 2010. Dès la première heure du premier jour, les équipes étudiantes arrivent avec des MVP qui ressemblent à des produits finis, là où les classes précédentes mettaient des semaines ou des mois à construire l’équivalent. Blank conclut par une phrase rare chez un enseignant qui a vu passer tous les mouvements méthodologiques depuis le Customer Development : “It was both the end and beginning of a new era.”

Au même moment, IBM publie dans son rapport CEO 2025 que 25% seulement des initiatives IA en entreprise ont délivré le retour sur investissement attendu, et 16% seulement ont scalé à l’échelle enterprise. S&P Global Market Intelligence chiffre à 42% la part d’entreprises qui abandonnent la majorité de leurs initiatives IA avant production, contre 17% en 2024. Forrester annonce dans ses Predictions 2026 que 25% des budgets IA planifiés seront reportés à 2027, et dans son AI Pulse Survey que 73% des décideurs déclarent moins de 50% de retour sur investissement sur leurs investissements IA.

Deux phénomènes coexistent donc. Les outils permettent en avril 2026 de faire en heures ce qui prenait des semaines. Les organisations, elles, continuent d’abandonner la majorité de leurs projets avant production. Ce n’est pas un paradoxe. C’est une question de process.

Le diagnostic

Quatre signaux indépendants convergent sur la semaine du 17 au 24 avril 2026 pour documenter ce qui change sur la boucle discovery-delivery produit

Anthropic lance Claude Design le 17 avril. L’outil compresse le passage de l’idée au prototype interactif en une conversation, avec handoff direct vers Claude Code sans review de pull request. Anthropic rapporte dans son communiqué que Brilliant, acteur edtech, produit des pages en 2 prompts dans Claude Design là où il lui en fallait 20 dans d’autres outils. Anthropic rapporte aussi que Datadog, acteur observability coté en Bourse, a compressé une semaine de travail en une conversation.

OpenAI lance Workspace Agents le 22 avril. Agents persistants, mémoire long-terme, connexion Slack, Gmail, Salesforce, Notion, exécution de workflows 24 heures sur 24 sans intervention humaine quotidienne. OpenAI documente 4 millions de développeurs actifs en usage hebdomadaire sur Codex, base technique dont dérivent les Workspace Agents, avec un gain d’un million d’utilisateurs en deux semaines.

Marty Cagan publie AI Product Coaching et The Origin of Product Discovery sur SVPG en avril 2026. Le cadre que Cagan a posé depuis quinze ans tient face à l’IA, à condition de comprendre ce qu’elle accélère et ce qu’elle ne remplace pas. L’IA devient un coach pratique disponible en continu, mais le jugement humain reste essentiel sur les quatre risques produit que Cagan cartographie : valeur, utilisabilité, faisabilité, viabilité.

Steve Blank rejoint les trois autres signaux le 22 avril. Son texte nomme en creux ce qui se passe partout. Les étudiants Stanford ne maîtrisent pas la méthode Customer Development mieux que leurs prédécesseurs. Ils disposent simplement d’outils qui font en heures le travail que les promotions 2022 à 2024 mettaient des semaines à produire.

Sur la même période, les données de sur-restriction documentent le revers. Forrester chiffre à 25% les budgets IA 2026 reportés à 2027, non par perte de foi en la technologie mais par incapacité à démontrer un impact direct sur le compte de résultat. 73% des décideurs rapportent moins de 50% de ROI. S&P Global 451 Research chiffre à 42% les entreprises qui abandonnent la majorité de leurs initiatives IA (contre 17% en 2024), et 46% les POC abandonnés avant production. IBM chiffre à 25% seulement les initiatives qui ont livré le ROI attendu, et 16% seulement celles qui ont scalé enterprise-wide.

L’écart de vélocité entre une équipe équipée en avril 2026 et une équipe fonctionnant au rythme de 2024 est passé d’un facteur 2 à un facteur 100 en vingt-quatre mois. L’écart d’abandon est passé de 17% à 42% sur la même fenêtre. La compression des cycles discovery-delivery n’est pas la même chose que la traction marché. Une cellule innovation qui génère 200 variantes sans discipline produit tombe dans les 42% d’abandons. Une cellule qui compresse et cadre tombe dans les 25% qui atteignent le ROI.

Offre Early Bird — 100 premières places

Le framework “Compression Clock”

La boucle discovery-delivery en 2026 ne se mesure plus en semaines ni en sprints. Elle se mesure en heures. L’équipe innovation compétitive opère sur quatre quadrants distincts, chacun chronométré. Le Compression Clock identifie le quadrant le plus lent et pose un benchmark à 24 heures pour un tour complet.

Quadrant 1 Idée. De la détection d’un signal marché à la formulation d’une hypothèse testable. Benchmark 2 heures. Le fix quand le quadrant ralentit : agent de veille continu avec scoring automatique par pilier et par case d’innovation. L’hypothèse doit pouvoir émerger sans comité.

Quadrant 2 Prototype. De l’hypothèse à un artefact testable par un utilisateur, qu’il s’agisse d’une démo interactive, d’un MVP fonctionnel, ou d’une page mock. Benchmark 6 heures. Le fix : Claude Design et Claude Code pour le flux intégré, ou v0 et Cursor pour le flux no-code. Le designer cesse d’être un maillon bloquant pour devenir un éditeur du prototype généré.

Quadrant 3 Test. De l’artefact à un signal utilisateur exploitable, qu’il s’agisse de 5 interviews, 50 users sur MVP, 500 vues sur landing. Benchmark 10 heures. Le fix : agents workspace qui collectent le feedback en continu sur Slack, Notion, Gmail, et le scorent. Le test devient un flux, pas un événement.

Quadrant 4 Décision. Du signal utilisateur à un go ou no-go chiffré. Benchmark 6 heures, incompressible en-dessous. C’est le jugement humain sur les quatre risques produit que Cagan tient depuis quinze ans. Toute tentative de le compresser plus que ça produit ce que Cagan nomme le “vibe product management”. Le fix : kill criteria explicites chiffrés en amont, avec kill-switch automatique par seuil. Le comité mensuel devient une instance de révision des kill criteria, pas une instance de décision sur chaque projet.

La compression totale cible 24 heures pour un tour complet. Elle se joue sur les trois premiers quadrants, où l’IA apporte un gain direct de 10 à 100x. Elle ne se joue pas sur le quatrième, où le jugement produit reste humain. Mesurer le quadrant le plus lent, c’est identifier le bottleneck. Investir sur le quadrant le plus lent, c’est compresser la boucle complète. Investir sur un quadrant qui n’est pas le bottleneck, c’est produire de l’optimisation locale sans gain global.

En 2026, si ton prototype met plus de vingt-quatre heures à exister après l’hypothèse, c’est ton process qui ralentit, pas ta créativité.

Positionnement vs cinq cousins

Le Compression Clock a des cousins dans la littérature méthodologique, et la distinction mérite d’être posée honnêtement.

• L’Agile Cycle Time en SAFe et Lean Kanban mesure le temps d’un ticket du backlog au déployé. Il est mesuré en jours ou en sprints de deux semaines. Distinction : le Compression Clock mesure la boucle discovery-delivery complète, avant et après le ticket, et son unité est l’heure, pas le sprint.

• Le Build-Measure-Learn d’Eric Ries dans Lean Startup est la boucle canonique de l’entrepreneuriat agile. Il est mesuré en semaines ou en mois. Distinction : le Compression Clock est la version 2026 à l’ère agentique, avec des benchmarks horaires rendus possibles par Claude Design et Workspace Agents que Ries n’avait pas en 2011.

• Le Dual-Track Agile de Cagan sépare discovery et delivery en deux tracks parallèles. Distinction : le Compression Clock ne sépare pas les deux tracks, il les mesure sur le même cadran de 24 heures et identifie le quadrant ralentisseur. Les deux cadres sont compatibles, Dual-Track et Compression Clock se combinent plutôt qu’ils ne s’opposent.

• Le Foundation Sprint de Jake Knapp et John Zeratsky, publié le 13 juillet 2025 dans Lenny’s Newsletter, est un sprint unique de 2 jours pour valider une idée de startup. Distinction : c’est une méthode de validation initiale en un shot de 48 heures, pas un cadran continu de boucles 24h. Il peut servir d’input au quadrant Idée du Compression Clock, mais il ne couvre pas les trois autres quadrants.

• Le processus d’évaluation AI de Figma documenté par First Round dans The Art of Evals s’appuie sur quatre cercles concentriques de feedback utilisateur (équipe AI interne, équipes Product et Design, entreprise entière, groupe alpha de clients) et sur un decision tree de viabilité cité par David Kossnick, Head of Product AI chez Figma. Distinction avec le Compression Clock : le processus Figma structure la qualité des retours avant d’allouer des ressources lourdes, pas le temps de parcours de la boucle discovery-delivery. Les deux cadres sont complémentaires. Le processus Figma peut servir d’outil du quadrant Test dans le Compression Clock.

Les cas qui tiennent la thèse

Cinq cas documentés entre 2025 et 2026 illustrent des équipes qui ont compressé avec discipline, et les chiffres qui en sortent.

Stanford Lean LaunchPad 2026

Steve Blank observe dans son article du 22 avril 2026 que la seizième année du Lean LaunchPad marque un basculement. Les équipes étudiantes arrivent au premier jour avec des MVP qui ressemblent à des produits finis. Citation : “8 teams actually implementing AI was mind blowing. And not a single team thought they were doing anything extraordinary.” Pour un CIO ou un directeur innovation, c’est la preuve académique la plus solide disponible en 2026 que la compression est structurelle, pas une promesse vendor. Blank n’est pas un commentateur LinkedIn, c’est l’inventeur du Customer Development qui observe en direct l’effondrement du cycle qu’il enseigne depuis seize ans.

Anthropic Claude Design, avec Brilliant et Datadog comme cas clients

Claude Design est sorti le 17 avril 2026. Les cas clients documentés dans le communiqué Anthropic couvrent deux ordres de compression. Anthropic rapporte que Brilliant, acteur edtech, produit en 2 prompts dans Claude Design des pages qui demandaient 20 prompts dans d’autres outils. Anthropic rapporte aussi que Datadog, acteur observability coté en Bourse, a compressé une semaine de travail en une conversation. Les deux sont des entreprises enterprise avec des équipes produit structurées, pas des startups expérimentales. Ces chiffres viennent d'Anthropic elle-même, pas d'une mesure indépendante. À prendre comme ordre de grandeur, pas comme référence absolue.

OpenAI Workspace Agents

Les Workspace Agents sortis le 22 avril 2026 instrumentent le quadrant Test du Compression Clock. Un agent workspace collecte en continu le feedback produit sur Slack, Notion, Gmail, le priorise par impact utilisateur, et produit un rapport quotidien. L’équipe innovation est libérée du travail de scan feedback et peut consacrer son temps au quadrant Décision, où le jugement humain ne se délègue pas. OpenAI documente 4 millions de développeurs actifs en usage hebdomadaire sur Codex, base technique dont dérivent les Workspace Agents, avec un gain d’un million d’utilisateurs en deux semaines.

Notion, la discipline avant la compression

First Round Review publie en 2026 un cas Notion intitulé Context Before Code : How Notion Put an AI Engineer on the Sales Floor. Notion a intégré un ingénieur IA dans l’équipe sales pendant un mois d’immersion terrain avant de décider quoi construire. Le cas illustre une règle que le Compression Clock ne dit pas mais présuppose. On n’alimente pas le quadrant Idée par de l’intuition accélérée. On l’alimente par de la donnée terrain. Notion ne sprint pas dès le jour 1, Notion écoute pendant 30 jours. Ensuite seulement, les agents IA internes construisent vite.

Linktree, la gouvernance à 4-6 heures

First Round Review publie un second cas, Linktree, sous le titre Scale Smarter, Not Bigger : How Linktree is Using AI to Accelerate. Linktree impose 4 à 6 heures de revue IT et Security par outil IA avant adoption en équipe produit. La distinction entre outil prototype et outil production est stricte. Le cas instrumente le quadrant Décision du Compression Clock avec une porte de sécurité chiffrée. Ce n’est pas de la validation humaine sur chaque action de chaque agent, ce qui tuerait la vélocité. C’est une revue structurée à l’entrée de chaque nouvel outil, qui coûte 4 à 6 heures une fois et protège ensuite toute la chaîne.

Encadré Figma. First Round Review publie aussi en 2026 un cas Figma sous le titre The Art of Evals : How Figma Put People at the Center of Its AI Product. Le processus d’évaluation AI de Figma s’appuie sur quatre cercles concentriques de feedback utilisateur (équipe AI interne, équipes Product et Design, entreprise entière, groupe alpha de clients). David Kossnick, Head of Product AI chez Figma, cite aussi un decision tree de viabilité dans le processus. Le cadre est complémentaire au Compression Clock. Il est un outil du quadrant Test pour les équipes produit qui cherchent à ne pas compresser le jugement en même temps qu’elles compressent le build.

L’avertissement

Le piège symétrique existe, documenté par trois rapports publiés entre mai 2025 et octobre 2025.

IBM Institute for Business Value, dans son étude CEO 2025 publiée le 6 mai 2025, documente que 25% seulement des initiatives IA en entreprise ont délivré le retour sur investissement attendu, et 16% seulement ont scalé à l’échelle enterprise. 65% des CEO disent privilégier les cas d’usage IA selon le ROI, mais 68% seulement disent disposer de métriques claires pour le mesurer. Le gap entre intention et instrumentation est de 32 points.

S&P Global Market Intelligence, via 451 Research dans son rapport d’octobre 2025, chiffre à 42% les entreprises qui abandonnent la majorité de leurs initiatives IA avant production, contre 17% en 2024. 46% des POC sont abandonnés avant déploiement. 46% ne constatent aucun impact fort positif sur un objectif enterprise. Seuls 19% constatent un impact fort sur la majorité des objectifs mesurés.

Forrester, dans ses Predictions 2026 publiées le 28 octobre 2025, annonce que 25% des budgets IA planifiés seront reportés à 2027. L’AI Pulse Survey de Forrester chiffre à 73% les décideurs qui déclarent moins de 50% de ROI sur leurs investissements IA. Moins d’un tiers peuvent relier la valeur de l’IA à la croissance financière.

Ces données ne disent pas que l’IA ne marche pas. Elles disent que la compression brute des cycles, sans discipline produit, produit 42% d’abandons. La distinction que Cagan fait entre deux modèles de Product Management est directement opératoire. Le software-factory product owner (gestionnaire de backlog dans une manufacture logicielle) et le roadmap-driven feature-team PM (centré sur les fonctionnalités de la roadmap) sont vulnérables à l’automatisation, parce que leur travail est justement celui que les agents workspace absorbent en priorité. L’empowered product-model PM (centré sur les outcomes business, la discovery rapide, la viabilité stratégique) est résilient, parce que son travail est précisément le quadrant Décision du Compression Clock, qui ne se délègue pas.

Une équipe innovation qui compresse son cycle sans muscler sa discipline produit tombe dans les 42% d'abandons. Une équipe qui muscle sa discipline sans compresser son cycle tombe dans les 25% de budgets reportés

Cinq actions pour lundi matin

1. Cartographier le portefeuille d’agents et de projets sur les quatre quadrants dans les trente jours. Inventaire des projets en cours, scoring en heures sur chacun des quatre quadrants (Idée, Prototype, Test, Décision). Identifier le quadrant dominant du bottleneck sur chaque projet. Livrable : un tableau partagé entre DSI, équipe produit, et direction innovation. Le premier chiffre à obtenir est la répartition des bottlenecks dans le portefeuille.

2. Fixer une cible de 24 heures pour un tour complet sur au moins un projet pilote d’ici 30 jours. Pas 2 semaines, pas 2 jours. 24 heures. Si c’est impossible sur tous les projets actuels, un seul projet suffit pour démontrer la faisabilité et servir de référentiel interne. Le pilote devient le point d’appui pour l’extension.

3. Instrumenter le quadrant Prototype avec Claude Design et Claude Code, ou v0 et Cursor. Pour le projet pilote, supprimer Figma et le handoff dev front. Le PM ou le directeur innovation produit le prototype en 6 heures maximum, branche un backend minimal via Claude Code, et déploie en staging. Mesurer l’impact sur les trois autres quadrants en parallèle.

4. Déployer un agent workspace dédié au feedback utilisateur pour le projet pilote. Agent OpenAI Workspace ou équivalent Claude, connecté à Slack, Gmail, Notion. L’agent collecte le feedback en continu, priorise par impact utilisateur, produit un rapport quotidien lu chaque matin par l’équipe innovation. Le quadrant Test n’est plus un événement trimestriel, c’est un flux permanent.

5. Fixer quatre kill criteria chiffrés explicites avant de lancer le projet pilote. Pas “on verra au comité”. Quatre seuils quantitatifs alignés sur les quatre risques Cagan (valeur, utilisabilité, faisabilité, viabilité), chacun avec un chiffre précis et une date de check. Le projet s’arrête automatiquement si un des quatre seuils n’est pas atteint. Exemple chiffré utilisable en l’état : si moins de 5 interviews utilisateurs sur 10 confirment le pain point au jour 5, stop au jour 5. Reproduire le pattern Linktree (4-6 heures de revue sécurité par outil IA à l’entrée) pour la gouvernance des outils, pas pour la gouvernance de chaque action.

La prochaine génération d’équipes innovation

Le débat de 2024 portait sur l’autorisation ou l’interdiction des agents IA en entreprise. Le débat de 2025 portait sur la visibilité et l’inventaire. Le débat de 2026 porte sur la compression du cycle discovery-delivery et sur la discipline qui l’accompagne.

La preuve que l'approche disciplinée marche se lit dans les projets Notion, Linktree, Figma, et dans les 4 millions de développeurs déjà sur Codex. Le coût de l'approche sans discipline se lit dans les 16% d’IBM qui scalent seulement, dans les 46% de POC abandonnés de S&P Global, et dans les 73% de décideurs qui ne voient pas leur ROI chez Forrester.

Un prochain sujet en vue : une fois que le cycle individuel d’un projet est compressé, reste la question du portefeuille. Comment arbitre-t-on entre dix projets qui tournent tous à 24 heures par tour ? Comment ferme-t-on un projet avant d’en ouvrir le suivant ?

Research Note #1, Airparty, avril 2026.

Annexe téléchargeable, réservée aux abonnés Airparty Premium : Research Pack complet avec bibliographie Tier 1 et Tier 2 (15 pages PDF).

Télécharger le Research Pack :

Research Pack — Compression Clock

354KB ∙ PDF file

Download

Download

The Compression Clock

13.3MB ∙ PDF file

Download

Download

Airparty Premium — lancement cette semaine

Tu viens de lire la première Research Note Airparty. Elle est entièrement gratuite, Research Pack de 15 pages PDF inclus en annexe téléchargeable.

À partir de la semaine prochaine, chaque nouvelle Research Note et son Research Pack passent en Premium.

Les 100 premiers abonnés bénéficient de 50% de remise pendant 12 mois, soit 90 € au lieu de 180 € la première année. Offre valable jusqu’au vendredi 2 mai 2026.

Ce que tu débloques en Premium :

• Les Research Notes complètes (~3000 mots) avec paywall à 25% du scroll pour les non-abonnés.

• Les Research Packs sourcés Tier 1 et Tier 2 en annexe téléchargeable PDF (15 à 20 pages par Research Note).

• Les modèles opérables des frameworks Airparty (Compression Clock, Portfolio Hourglass, et suivants) en Excel et Notion.

• Les decks PDF 14 slides pour tes propres présentations COMEX.

• L’accès à l’archive des scans hebdo avec findings bruts.

Offre Early Bird — 100 premières places

🌍 For English readers: right-click → "Translate to English." Auto-translation handles this article well.

Le chiffre qui devrait te déranger

Gene Hall l’a lâché en février 2026, en earnings call. En 2025, Gartner a réduit de 75% le temps de production d’un Magic Quadrant par rapport à 2024.

Même Magic Quadrant. Même méthodologie. Même qualité de livrable. Un quart du temps.

On retrouve le même ordre de grandeur chez McKinsey. Lilli a fait gagner 30% de temps sur la recherche et la synthèse, 500 000 prompts par mois, 72% des consultants actifs dessus. Chez Forrester, Izola a généré 5 millions de dollars de bookings depuis septembre 2025 et raccourci les cycles de vente de 50%. Chez BCG, un travail d’intern stagiaire qui prenait deux semaines a été compressé à deux-trois jours.

Pendant ce temps, dans ta cellule inno, ta prochaine note de veille va prendre combien de temps ? Deux semaines ? Trois ?

Tu vas me dire : eux, ils ont 2 500 analystes, 500 000 interactions client par an, 27 000 vendor briefings documentés. Nous, on est 4 dans un open space.

Exact. Et c’est précisément pour ça qu’il faut regarder comment ils ont fait. Parce qu’ils ont un luxe que tu n’as pas. Eux ont mesuré. Eux savent ce que l’IA fait dans leur fonction scan, ce qu’elle ne fait pas, où ils gagnent, où ils perdent. Cette cartographie est transposable. Pas le volume. La méthode.

Cet article te donne la grille qu’ils ont construite. Et les 5 actions que tu peux déployer cette semaine pour arrêter de produire comme en 2022.

Pourquoi c’est ton sujet, même si tu n’es pas analyste

Que tu sois innovation manager, CIO, CISO, chief of staff transformation, une partie de ton métier ressemble à celui d’un analyste. Pas en volume, pas en méthode industrialisée, mais en nature.

Tu fais du scan. Veille marché, cartographie de solutions, benchmark vendors, détection de tendances, revue d’écosystème, analyse de risque émergent, préparation de notes pour ton comité. Une sous-partie de ton métier, rarement formalisée, souvent sous-traitée à un alternant ou à une heure de ChatGPT le mercredi soir.

Le framework Better, que j’utilise pour ranger les signaux, nomme cette étape Scanning. C’est la première étape de toute démarche sérieuse. C’est aussi celle où l’IA a fait le plus de chemin depuis deux ans.

Les analystes professionnels ont deux avantages sur toi. Ils scannent à temps plein. Et ils ont été forcés, par la pression concurrentielle, de décomposer leur propre méthode pour l’augmenter. Ils l’ont documentée. Tu peux l’emprunter.

La méthodologie en 5 étapes que Gartner utilise depuis 40 ans

Gideon Gartner a codifié la méthode dans les années 1980. Elle est publique, utilisée en interne par tous les analystes seniors, enseignée par Steinert et Leifer à Stanford. La voici, sans fioritures.

1. Scénarios. Cadrer les questions de recherche, explorer les disruptions possibles, définir les angles prioritaires.

2. Surveys. Collecte primaire, formelle et informelle, auprès d’utilisateurs, vendors, investisseurs, académiques.

3. Pattern recognition. Identifier les patterns émergents à travers les données, ajuster les hypothèses à mesure que les signaux arrivent.

4. Stalking horse. Concept signature de Gideon Gartner. Une position provisoire, délibérément incomplète, relâchée dans la communauté d’analystes pour être contestée, raffinée, parfois abandonnée. Des façades ou des paravents utilisés pour masquer un vrai propos, des outils pour approcher une cible insaisissable, écrit Gideon dans ses notes. C’est la confrontation qui produit la conviction, pas la réflexion solitaire.

5. Search and verify. Validation des résultats contre plusieurs sources internes et externes. Consensus ou abandon.

Cette méthode produit les 6 livrables signature que tu as déjà lus. Magic Quadrant, Hype Cycle, Market Guide, Critical Capabilities, Market Forecasts, Market Share Analysis.

Maintenant, regardons ce que l’IA a changé sur chaque étape.

The 5x3 Scan Augmentation Grid

Pour chaque étape, trois colonnes. Ce que l’IA accélère. Ce qui reste humain. Quel outil déployer chez toi.

Étape 1. Scénarios, cadrage des questions

Ce que l’IA fait. Elle synthétise des briefs existants, agrège ce qui a déjà été écrit sur un sujet, propose des angles. Gain de temps estimé, 30%.

Ce qui reste humain. Le choix des angles à retenir. La contestation des hypothèses. La décision de ne pas traiter un sujet. L’intention éditoriale. Gartner a une règle interne explicite, un Distinguished Analyst challenge les angles avant qu’ils partent en scénario. L’IA ne challenge pas. Elle aligne.

Outil concret à déployer. Claude Projects avec un brief structuré par sujet d’inno. Tu charges les notes existantes, les arbitrages passés, les questions du COMEX. Claude te propose 3 angles. Tu en retiens 1. Tu ajoutes celui qu’il n’a pas vu.

Étape 2. Surveys, collecte primaire

Ce que l’IA fait. Énormément. Extraction textuelle, codage sémantique, clustering de réponses ouvertes, synthèse multi-sources. Gain de temps, 80%. C’est l’étape la plus augmentée chez Gartner, McKinsey, Forrester.

Ce qui reste humain. Le design des questions. La lecture nuancée des réponses. La détection de ce qui n’est pas dit. Et surtout, le recrutement des répondants. Une cellule d’innovation a accès à des gens qu’un analyste externe ne verra jamais. C’est ta vraie valeur ajoutée sur cette étape. Pas la synthèse, le réseau.

Outil concret à déployer. NotebookLM connecté à ton Notion ou ton Confluence interne. Tu charges tes comptes rendus de rencontres vendor, tes notes de POC, tes retours d’équipe. Tu poses des questions de synthèse. Tu obtiens des patterns que personne n’avait formalisés.

Étape 3. Pattern recognition

Ce que l’IA fait. Détection de patterns transversaux sur des corpus que tu ne pourrais pas lire à la main. Clustering. Corrélation multi-sources. Forrester a montré en 2025 qu’Izola détecte des signaux faibles sur des centaines de briefings vendor simultanément. Gain de temps, 70%.

Ce qui reste humain. La distinction entre pattern réel et artefact statistique. Le choix éditorial. Savoir si un cluster de 12 vendors qui parlent tous d’agentic AI est un vrai signal ou du bruit marketing. Cette compétence se construit en temps long. Elle ne se prompte pas.

Outil concret à déployer. Claude Skills dans Chrome, avec des prompts sauvegardés et versionnés pour chaque type de pattern que ta cellule cherche à détecter. Tu cliques. Tu obtiens une analyse. Tu valides ou tu filtres.

Étape 4. Stalking horse

Ce que l’IA fait. Très peu. Elle peut faciliter la confrontation async en résumant les positions de chacun. Gain de temps, 10% au mieux.

Ce qui reste humain. Tout le reste. La conviction qui porte la position provisoire. La hiérarchie des experts dans la salle. La mémoire du domaine qui permet de dire ce scénario-là, on l’a vu en 2019, voilà comment il a évolué. La capacité à encaisser la contestation sans se replier.

C’est ici que le métier d’analyste senior résiste structurellement à l’IA. Gene Hall de Gartner le formule à sa façon en Q4 2025, ce que les clients demandent, c’est la confiance dans un jugement signé par quelqu’un qui engage sa réputation. Une IA ne signe pas. Elle propose.

Outil concret à déployer. Aucun. Organise un peer review humain entre pairs, interne ou externe. C’est dans cette étape que ton réseau prend sa vraie valeur.

Étape 5. Search and verify

Ce que l’IA fait. Recoupement automatique entre sources. Vérification de cohérence factuelle. Détection d’incohérences internes. Gain de temps, 60%.

Ce qui reste humain. La validation finale. La signature. La responsabilité légale si la note se trompe.

Les études HALoGEN publiées à ICLR 2025 montrent que les meilleurs LLM hallucinent entre 4 et 86% selon le domaine. L’étude Stanford RegLab 2024 montre que les outils RAG juridiques marketés hallucination-free hallucinent encore à 17%. Thomson Reuters Practical Law AI se trompait sur 82% des requêtes spécifiques. Personne ne signe une note en prod sans relecture humaine.

Outil concret à déployer. Un mini-process Fact-Checker intégré à ton workflow. Tu demandes à Claude de vérifier ses propres assertions contre 3 sources primaires. Tu valides manuellement les assertions à fort enjeu. Tu versionnes.

La règle du scan augmenté

Relis la phrase. Elle contient la critique la plus fréquente des déploiements IA qu’on voit en ce moment dans les grandes entreprises. Les cellules inno utilisent l’IA là où la question n’est pas cadrée, scénarios sans intention. Et évitent l’IA là où elle serait utile, collecte primaire, pattern recognition. Elles sont exactement à l’envers.

Les coûts cachés que les analystes ont documentés pour toi

Avant de te lancer, regarde ce que McKinsey, BCG et Bain ont découvert en cours de route. Ils ont 18 à 24 mois d’avance sur toi. Ils ont payé pour apprendre. Autant en profiter.

Premier coût, la prompt-engineering tax. Chez McKinsey, les juniors passent 15 à 20 heures par semaine à raffiner leurs prompts Lilli. Du temps qu’ils ne passent plus en interview terrain. Le gain sur la synthèse est partiellement repris par le temps passé à dire à la machine ce qu’elle doit faire.

Deuxième coût, le rework manuel. Chez BCG, 30% des decks auto-générés par GENE doivent être refaits pour aligner le ton et le contexte client. L’output brut n’est pas le livrable.

Troisième coût, l’hallucination en pilote aveugle. Lilli a cité un amendement réglementaire inexistant dans une mission santé, détecté uniquement parce qu’un senior a relu. BCG GENE a produit des market sizings plausibles mais faux, détectés en review partner. Tant que tu n’as pas de process Fact-Checker explicite, tu produis de la confiance fausse.

Quatrième coût, la licence. Lilli coûte environ 8 000 livres par utilisateur par an chez McKinsey. Le ROI net reste positif, mais pas magique. Pour ta cellule, fais le calcul avant de généraliser un outil à toute l’équipe.

Aucun de ces coûts n’est bloquant. Tous sont gérables si tu les connais en amont. Le problème, c’est quand tu les découvres après avoir promis un gain de 70% à ton sponsor.

Le piège Forrester à ne pas reproduire

Forrester a shippé Izola 22 mois avant AskGartner. Avantage technique clair. 5 millions de dollars de bookings, cycles raccourcis de 50%. Tout va bien sur cette ligne.

Sur la ligne d’à côté, Forrester a vu son chiffre d’affaires baisser de 10% en 2024 et de 8% en 2025. Capitalisation boursière divisée par plusieurs fois. 8% des effectifs coupés en février 2026. Forrester a mieux industrialisé l’IA que Gartner. Forrester se porte beaucoup moins bien que Gartner.

La leçon pour toi. La maîtrise technique de l’IA ne suffit pas. Ce qui fait la différence, c’est la donnée propriétaire que tu as et qu’aucun outil public ne pourra scraper. Dans le cas de Forrester, leur base IP est plus petite que celle de Gartner. Dans ton cas, c’est la mémoire de tes POC, tes arbitrages documentés, tes contacts experts internes, les comptes rendus de ton écosystème interne.

Carrie Johnson, CPO Forrester, le formule bien : dans un marché inondé de slop généré par IA, Forrester est clair, pas de slop. Forrester AI est entraîné exclusivement sur la IP Forrester, pas sur des idées recyclées scrapées du web.

C’est la même règle pour ta cellule. Ne laisse pas tes données dehors. Utilise des outils qui restent dans ton périmètre de sécurité. Claude Projects, NotebookLM connecté à tes sources internes, Notion AI entraîné sur ton workspace. Pas ChatGPT public avec des prompts qui partent on-ne-sait-où.

Les 5 actions à mettre en place cette semaine

Tu as lu la grille. Tu as vu les coûts cachés. Voilà la séquence activable lundi matin.

1. Cartographier. Prends une feuille. Liste les 5 étapes, Scénarios, Surveys, Pattern recognition, Stalking horse, Search and verify. Pour chacune, note le temps moyen que ta cellule y passe par mois, et les livrables produits. Tu vas découvrir que tu passes 70% de ton temps sur 1 ou 2 étapes, rarement celles que tu crois.

2. Identifier. Sur la grille 5x3, repère les étapes où tu es en sous-régime. Les signes sont simples, tu fais à la main ce que l’IA fait à 70 ou 80%. La plupart du temps, c’est l’étape 2, Surveys. Ou l’étape 3, Pattern recognition.

3. Choisir. Une seule étape à augmenter en priorité cette semaine. Pas deux. Pas trois. Une. Tu vas rater le ciblage, itérer, ajuster. Il vaut mieux le faire sur un seul cas d’usage que sur cinq en parallèle.

4. Déployer. Chaque étape a son outil dans la grille. Claude Projects pour Scénarios, NotebookLM pour Surveys, Claude Skills pour Pattern recognition. Déploie l’outil. Fais tourner pendant 10 jours sur un cas réel.

5. Mesurer. Deux métriques, pas plus. Temps passé, avant vs après. Et qualité du livrable, jugée par un pair senior, pas par toi. Sur 4 semaines, tu auras un chiffre à présenter au COMEX. Sans chiffre, tu as une impression. Et les impressions ne financent pas les projets.

Pourquoi ça marche maintenant et pas en 2023

Deux choses ont changé en 2025-2026 qui rendent cette grille applicable à ta cellule. Là où elle n’était utilisable qu’aux McKinsey il y a 24 mois.

La première. Les outils sont devenus utilisables par un non-dev. Claude Projects, NotebookLM, Claude Skills dans Chrome, Claude Cowork avec scheduled tasks. Il y a deux ans, il fallait un prompt engineer dans ton équipe. Aujourd’hui, il faut 2 heures de prise en main.

La deuxième. Les analystes ont publiquement documenté leurs méthodes. McKinsey a publié Rewiring the way McKinsey works with Lilli en 2024. Forrester a publié Izola Turns Two en 2025. Gartner a lâché ses chiffres de productivité en earnings call. HBR a écrit AI is Changing the Structure of Consulting Firms en septembre 2025. Le playbook n’est plus propriétaire.

Tu as l’outil accessible et la méthode publiée. Les deux barrières historiques sont tombées. Ce qui te sépare d’une cellule inno augmentée, c’est la décision de découper ta propre méthode et de la mapper à la grille.

Et donc?

Si Gartner a divisé par 4 le temps de production d’un Magic Quadrant en deux ans, la question n’est pas est-ce que l’IA va changer la veille stratégique. La question est, pourquoi ma cellule produit-elle encore comme en 2022.

La réponse n'est jamais "parce qu'on n'a pas les outils". C'est toujours "parce qu'on n'a pas découpé notre propre méthode". Cartographier les 5 étapes, c'est une demi-journée. Si tu ne la bloques pas ce vendredi, tu viens de répondre à la question.

Sources et notes

Données primaires Gartner

• Gartner Q4 2025 earnings call transcript, 3 février 2026 (chiffres Magic Quadrant -75%, AskGartner, CV growth) — fool.com/earnings/call-transcripts

• Gartner 2024 Annual Report (10-K), déposé février 2025 (segments revenue, AI risk factor, 505K interactions clients) — sec.gov/Archives/edgar/data/749251

• Gartner Q4 2024 Earnings Supplement (wallet retention, client counts) — investor.gartner.com

• AskGartner product page — gartner.com/en/products/ask-gartner

Données primaires Forrester

• Forrester Q4 2025 earnings press release (revenue -8.2%, guidance 2026) — finance.yahoo.com

• Forrester AI Access launch, septembre 2025 — forrester.com/press-newsroom/forrester-ai-access

• Forrester blog Izola Turns Two — forrester.com/blogs/izola-turns-two

• George Colony, Mi3 podcast, août 2025 (Seventh Wave sur les agents) — mi-3.com.au

Données primaires McKinsey et consulting

• McKinsey, Rewiring the way McKinsey works with Lilli, 2024 (72% adoption, 500K prompts/mois, 30% gain de temps) — mckinsey.com

• HBR, AI Is Changing the Structure of Consulting Firms, Duncan/Anderson/Saviano, septembre 2025 — hbr.org

• Northstar Consulting, revue critique GenAI dans le consulting, 2025 (coûts cachés, prompt tax 15-20h/semaine, 30% rework BCG)

Recherche sur les hallucinations LLM

• HALoGEN benchmark, Ravichander et al., ICLR 2025 (hallucination 4-86% selon domaine) — arxiv.org/pdf/2501.08292

• Stanford RegLab, Dahl et al., Hallucinating Law, Journal of Legal Analysis 2024 (58-88% sur LLM juridiques) — hai.stanford.edu

• Magesh et al., Stanford 2024, sur Thomson Reuters Practical Law AI (82% d’erreur)

Méthodologie Gartner (Gideon Gartner, 5 étapes)

• Steinert & Leifer, Scouting for technology opportunities, Stanford, 2010 (description académique de la méthode)

• Gartner methodology brochure, public

• Lydia Leong, Gartner VP Distinguished Analyst, blog A Day in the Life, 2021

Ressources complémentaires citées

• Benedict Evans, AI Eats the World, novembre 2025 — ben-evans.com/presentations

• Carrie Johnson (CPO Forrester), positionnement No slop (communication publique 2025-2026)

• Seeking Winners, thèse bull sur Gartner — seekingwinners.substack.com/p/gartner

• SaaStr, Gartner Down 71%, Forrester Worth $105M, février 2026 — saastr.com

Notes méthodologiques

• Le framework 5x3 Scan Augmentation Grid est un apport original Airparty. Les pourcentages de gain de temps indiqués (30% Scénarios, 80% Surveys, 70% Pattern recognition, 10% Stalking horse, 60% Search and verify) sont des estimations calibrées sur les données publiées Gartner / McKinsey / Forrester et retours d’expérience consulting. À valider sur votre propre baseline cellule.

• La méthodologie Gartner en 5 étapes est publique et enseignée à Stanford. Le stalking horse est un concept Gideon Gartner documenté historiquement.

• Les chiffres Forrester (revenue, capitalisation) proviennent des communiqués officiels Q4 2025 et du rapport SaaStr février 2026.

Airparty. Analyses indépendantes sur l’IA, les technologies émergentes et la transformation de l’innovation en entreprise.

J’ai décortiqué le dernier article de Lenny Rachitsky, Hamza Farooq et Jaya Rajwani pour vous en extr…

Read more

Read more

Oui, il y a des enjeux de sécurité.
Je vous propose de couvrir l’autre côté de la médaille.

Il y a un shift en train de se produire.

Discret. Pas encore mainstream. Mais réel.

Et il concerne tous ceux qui paient chaque mois pour des outils IA qu’ils utilisent à 20 % de leur capacité.

Voici ce que je vois venir.

Le problème qu’on ne nomme pas encore

Tu as combien d’abonnements IA actifs en ce moment ?

3 ? 5 ? 8 ?

Additionne.

29 + 49 + 19 + 39 + 29…

C’est ça, le millefeuille invisible.

Chaque outil résout un micro-besoin. Chaque micro-besoin coûte une ligne de budget. Chaque ligne s’accumule.

Et à la fin, tu loues des fonctionnalités que tu ne possèdes pas.

C’est le modèle dominant depuis 10 ans. Et il commence à craquer.

Le contexte : pourquoi maintenant ?

En novembre 2025, un développeur autrichien nommé Peter Steinberger lance un petit projet open-source appelé Clawdbot.

En 24 heures : 9 000 étoiles sur GitHub. En 8 semaines : plus de 100 000 étoiles. En février 2026 : 214 000 étoiles.

C’est OpenClaw.

Une croissance plus rapide que Docker, Kubernetes ou React à leurs débuts.

Pourquoi une telle viralité ?

Parce qu’OpenClaw fait une chose que les chatbots ne font pas.

Il agit. Pas juste répondre. Agir.

Qu’est-ce qu’OpenClaw, concrètement ?

OpenClaw est un agent IA open-source que tu installes sur ta propre machine.

Un Mac Mini. Un VPS. Un Raspberry Pi. N’importe quel système Linux.

Il tourne en permanence en arrière-plan. Il se connecte aux apps que tu utilises déjà : WhatsApp, Telegram, Slack, Discord. Il mémorise le contexte entre les sessions. Et il peut agir sans que tu sois là.

Un exemple qui circule dans la communauté : un développeur a demandé à son agent de négocier 4 200 dollars de remise sur un achat automobile par email.

Pendant qu’il dormait.

L’agent a négocié. Il a obtenu la remise.

Ce n’est pas de la science-fiction. C’est OpenClaw en production, aujourd’hui.

La différence fondamentale avec un chatbot classique :

• Un chatbot répond quand tu lui parles

• Un agent agit même quand tu ne lui parles pas

Le vrai intérêt ce que personne ne dit encore

L’intérêt d’OpenClaw ne se résume pas à “faire tourner un agent”.

C’est beaucoup plus radical.

C’est pouvoir faire tourner 1 app IA sans payer 1 abonnement de plus.

Puis 2. Puis 5. Puis 10.

Et d’un coup, ton Mac Mini devient une petite centrale électrique.

Pas une centrale à vapeur. Une centrale à SaaS killers.

Un utilisateur dans la communauté le résume mieux que moi :

“It will actually be the thing that nukes a ton of startups. The fact that it’s hackable and hostable on-prem will make sure tech like this dominates conventional SaaS.”

Le shift : de la location à la possession

Un nouveau modèle émerge.

Appelons-le la Blueprint Economy.

L’idée centrale : au lieu d’acheter l’accès à une app, tu achètes l’app elle-même — sous forme de blueprint exécutable que tu déploies sur ta propre infrastructure.

Un exemple concret.

Aujourd’hui, un AI browser comme Do Browser coûte 29 $/mois. Demain, tu pourrais acheter une fois le blueprint, le déployer sur ton propre stack, et supprimer cette ligne de coût définitivement.

Une app. Un paiement. Ton infra. Ton contrôle.

C’est une bascule de mentalité :

• On passe de “logiciel comme service” à “logiciel comme actif”

• On passe de louer des fonctionnalités à posséder des briques exécutables

• On passe de 12 abonnements empilés à 12 apps déployées

Les 4 couches du nouveau modèle

Le “one-time payment pur” est séduisant. Mais incomplet.

Voici comment le modèle tient vraiment debout.

🔲 Couche 1 — L’actif (one-time payment)

Tu achètes le blueprint.

C’est l’acquisition. C’est la porte d’entrée.

Prix typique : 49 € → 299 € selon la complexité.

Avantage : time-to-value immédiat, zéro abonnement pour exister.

Micro-action : identifie 1 outil que tu loues aujourd’hui et qui pourrait être remplacé par un blueprint local.

🔲 Couche 2 — La maintenance (optionnelle)

Les modèles évoluent. Les APIs changent. Les compatibilités bougent.

La maintenance annuelle n’est pas un abonnement déguisé. C’est le droit de continuer à évoluer facilement.

Ceux qui veulent figer leur usage : pas d’obligation. Ceux qui veulent rester à jour : un forfait annuel raisonnable.

Ce n’est pas “avoir accès”. C’est “continuer à progresser”.

Prix typique : 20–30 % du prix initial par an.

Micro-action : est-ce que tu paierais 59 €/an pour que ton outil le plus critique reste fonctionnel sans effort ?

🔲 Couche 3 — L’intégration (services premium)

Le blueprint brut, c’est bien. Le blueprint adapté à ton contexte, c’est mieux.

C’est là que les marges sont les plus solides.

ServicePrix indicatifInstallation guidée250 €Customisation900 €Connecteurs spécifiques1 500 €Support entreprise300 €/mois

C’est un pattern classique : quand un produit se commoditise, la mise en œuvre reste monétisable.

Micro-action : si tu vendais un blueprint demain, quel serait ton service premium évident derrière ?

🔲 Couche 4 — Le cloud managé (convenience)

Certains ne voudront jamais gérer d’infra.

Pour eux, une option “hébergé pour toi” reste légitime.

Amazon AWS propose déjà OpenClaw en déploiement one-click sur Lightsail.

Mais — et c’est essentiel — c’est un choix, pas une obligation.

Tu choisis ce que tu possèdes. Tu chooses ce que tu délègues. Tu choisis ce que tu loues.

Le vrai business model : le blueprint comme cheval de Troie

Le one-time payment n’est pas le modèle final.

C’est l’entrée.

Voici un funnel réaliste :

• 🎯 Blueprint solo : 49 € — acquisition, découverte, zéro risque

• 📦 Pack pro (3 apps) : 149 € — augmentation du panier

• 🔧 Installation + optimisation : 500 € — première conversion service

• 🏢 Version équipe : 1 500 € — expansion dans les organisations

• 🏷️ White label : 5 000 €+ — monétisation maximale

Ce n’est pas “one-time payment et basta”.

Le one-time payment est le cheval de Troie. L’argent sérieux est dans les couches suivantes.

Les limites à ne pas ignorer

Il serait malhonnête de ne pas les nommer.

Le setup reste technique. OpenClaw n’est pas une app qu’on installe en 30 secondes. Il faut de la curiosité, du temps, de la patience.

La maintenance existe. Un blueprint dépendant d’APIs ou de modèles IA évolutifs nécessite des mises à jour régulières.

Tous les SaaS ne seront pas tués. Les plateformes avec fort réseau, données propriétaires, conformité entreprise, intégrations profondes — elles sont beaucoup plus difficiles à remplacer. Ce sont les micro-SaaS mono-fonction à 19–49 €/mois qui sont en danger. Pas Salesforce.

Récapitulatif

La suite est réservée aux abonnés premium.

J’y détaille ce que ce shift change concrètement pour les entreprises : 5 use cases avec ROI calculé, le nouveau triangle de décision Build/Buy/Blueprint, et la thèse que personne ne formule encore — l’entreprise comme éditeur logiciel de ses propres processus.

Si tu veux voir les chiffres, les pièges, et les décisions à prendre maintenant — c’est juste en dessous.

🔒 PARTIE PREMIUM

Réservée aux abonnés Airparty · Si tu lis ceci, merci de ta confiance.

Ce que ce shift change vraiment — pour toi et ton organisation

Cas concrets, chiffres, décisions à prendre.

Jusqu’ici, on a posé le cadre.

Le shift est réel. Le modèle tient.

Mais la vraie question, c’est :

Qu’est-ce que ça change concrètement — pour toi, pour ton équipe, pour ton organisation ?

C’est ce qu’on explore maintenant.

Pas du framework de plus.

Des cas concrets, des chiffres, et les décisions que tu vas devoir prendre — certaines plus tôt que tu ne le penses.

Pourquoi les entreprises sont les premières concernées

On pense à tort que ce shift intéresse d’abord les solopreneurs et les geeks. C’est une erreur. Les solopreneurs voient le shift en premier. Mais c’est dans les entreprises que l’impact sera le plus structurant — et le plus violent. Parce qu’une entreprise de 50 personnes, c’est souvent :

• 30 à 80 abonnements SaaS actifs

• 15 à 25 outils IA en cours d’adoption

• Des milliers d’euros de licences par mois

• Et zéro propriété réelle sur aucun de ces actifs

L’éléphant dans la pièce : pourquoi ce n’est pas magique

Mais pour que ces comités vous écoutent, il faut être irréprochable sur la réalité technique.

Je ne suis pas là pour vous vendre une utopie où un Mac Mini à 600 € remplace toute votre DSI sans effort. Le déploiement d’agents autonomes en local a des limites physiques et sécuritaires qu’il faut regarder en face :

• L’illusion matérielle : Faire tourner un agent capable de raisonnement métier complexe (Legal, FinOps) demande une puissance de calcul colossale. La Blueprint Economy ne fait pas disparaître les coûts IT. Elle transforme des dépenses de location (Opex) en investissements d’infrastructure (Capex).

• L’enfer des APIs : La promesse du SaaS, c’est que quelqu’un d’autre répare le tuyau quand il fuit. Dans le monde réel, l’API de votre banque ou de votre ERP va évoluer. Un Blueprint n’est pas “Set-and-Forget”. Vous supprimez l’abonnement, mais vous assumez le Maintien en Conditions Opérationnelles (MCO).

• Le vertige probabiliste : Une IA générative est un système probabiliste. Elle peut halluciner. Donner des droits d’écriture à une IA (rembourser sur Stripe, modifier un contrat) est dangereux. Le “Human-in-the-loop” (l’humain qui valide l’action préparée par l’agent) est non-négociable au départ.

Ceci étant posé. La question n’est plus “Est-ce que c’est parfait ?” (ça ne l’est pas). La question est : “Sur quels processus suis-je prêt à assumer cette infrastructure pour reprendre le contrôle ?”

Voici comment ça se matérialise sur le terrain.

3 use cases “Cœur de métier” (La preuve par l’action), 7 autres en rafale.

Pour comprendre la puissance d’un Blueprint, il faut arrêter de penser “Chatbot qui répond” et commencer à penser “Agent qui agit”.

dans l’ordre :

Read more

Transcription vocale IA : le web de demain ne se clique pas, il s’explique

La fin du point and click n’est pas une métaphore. C’est une transition UX en cours, portée par la transcription vocale IA et…

Read more

Pendant un siècle, l’équation du conseil a tenu : Intelligence = temps d’expert × …

Read more

Votre équipe sait livrer. Elle l’a prouvé. Mais quand elle attaque un POC innovation avec les mêmes réflexes qu’une V1 classique, elle produit un bel objet technique que personne n’attendait.

Dans cet article :

• Pourquoi le même process d’idéation produit de la fiabilité en V1 et de l’aveuglement en POC innovation

• Les 5 lignes de fracture entre les deux modes (point de départ, risque, livrables, posture d’équipe, rapport au temps)

• Une grille de décision en 3 questions pour savoir dans quel mode vous êtes avant d’entrer en salle

• Les 4 erreurs récurrentes qui sabotent les POC, y compris celle dont personne ne parle : le storytelling des résultats vers le COMEX

• Un tableau de synthèse à garder sous le coude

Le degré d’incertitude change tout

Tim Herbig, praticien reconnu du Product Discovery, pose un principe limpide : c’est le degré d’incertitude qui détermine si vous devez explorer ou exécuter. Pas la taille du projet. Pas le budget.

Marty Cagan (Silicon Valley Product Group) martèle la même idée depuis 20 ans. Découvrir le bon produit et bien le construire sont deux activités distinctes. Deux logiques. Deux définitions du succès.

Tout le monde acquiesce en conférence. Presque personne ne change ses sessions d’idéation en conséquence.

Bon, concrètement, qu’est-ce qui change ?

Ce qu’on pose sur la table

En V1 classique, l’idéation démarre avec un périmètre fonctionnel. Le besoin est documenté. La demande est validée. La question : comment on va le construire ?

En POC innovation, l’idéation démarre avec un problème flou. On ne sait pas si ce problème est réel pour la cible. On ne sait pas si quelqu’un paierait pour la solution. La question : est-ce que ça vaut le coup de construire quoi que ce soit ?

En V1, on fait du story mapping. En POC, on fait du problem framing et du Jobs-to-Be-Done. Confondre les deux revient à répondre à “est-ce qu’on devrait creuser ici ?” par “voici le plan de la maison”.

Aristote faisait déjà une distinction utile dans l’Éthique à Nicomaque entre episteme (la connaissance de ce qui est stable) et phronesis (la sagesse pratique face à l’incertain). L’idéation V1 mobilise la première. L’idéation POC mobilise la seconde. Ce ne sont pas les mêmes facultés intellectuelles.

Le risque qu’on cherche à réduire

En V1, le risque dominant est technique. L’architecture tiendra-t-elle ? Peut-on livrer dans les temps ? L’idéation sert à anticiper les obstacles d’exécution.

En POC innovation, le risque dominant est un risque de valeur. Est-ce que quelqu’un veut cette chose ? Le problème est-il assez douloureux pour justifier un changement de comportement ?

Ash Maurya, créateur du Lean Canvas, le formule directement : le vrai job d’un innovateur, c’est de dé-risquer systématiquement un business model. Lister les croyances non vérifiées. Les hiérarchiser. Concevoir des expériences pour les tester. C’est de l’assumption mapping, ça n’a rien à voir avec du sprint planning.

La posture déstabilise les équipes habituées au Delivery. Le danger, ce n’est pas de mal construire. C’est d’investir trois mois sur un problème fictif.

Read more

J’observe quelque chose de fascinant dans les organisations depuis quelques années. Elles organisent des hackathons. Elles recrutent des profils « startup ». Elles parlent d’agilité, d’expérimentatio…

Read more

À propos d’Airparty

La GenAI ne transforme pas les entreprises. Elle transforme le travail. Airparty documente comment.

Read more

Vous uploadez une source sur NotebookLM. Vous demandez une slide ou une infographie. Le design est impressionnant.

Puis vous zoomez.

“Bonjoure.” “Strtegie.”

Les hallucinations graphiques et les fautes s…

Read more

Je vois ce commentaire partout.

Vous importez 50 PDF. Vous posez une question. La réponse est parfaite. Mais impossible d’éditer le prompt. Et si vous rafraîchissez la page... l’historique de chat a d…

Read more

L’innovation bifaciale : pourquoi 90% des entreprises ne scalent qu’à moitié

Vous avez un produit validé par vos utilisateurs.

Mais vous stagnez.

Voici pourquoi : vous n’utilisez qu’un seul moteur d’inn…

Read more

Mais seuls 3 collaborateurs l’utilisent vraiment.

Read more

🎁 Note aux lecteurs d’Airparty
Pour vous remercier de votre fidélité, nous offrons votre place à GenerationAI (9–10 décembre) avec le code exclusif AIRPARTYVIP

Read more

Read more

Le marteau prolongeait la main.

Le pinceau prolongeait l’œil.

Le stylo prolongeait la pensée.

Chaque innovation laissait le temps à notre ce…

Read more

Je lui ai répondu : « Non. L’IA ne change rien. Elle révèle ce que vous refusiez de voir depuis 10 ans. »

Silence gêné.

Voici la v…

Read more

Chaque semaine, on explore comment l’IA transforme la chaîne des contenus dans les organisations. Cette fois, on va s’intéresser à une industrie souvent oubliée dans cette transformation : le conseil.

Read more