AI Product Manager Advanced

Objectif :
Comprendre les grands types de produits IA, adopter une approche centrée utilisateur et définir une vision stratégique IA alignée avec les enjeux métier.

Points principaux :

• Identifier les différentes familles de produits IA
• Comprendre les enjeux autour de l’AI Act
• Comprendre l’impact du Design Thinking appliqué à l’IA
• Développer une vision IA alignée avec le business, les utilisateurs et la data
• Éviter les mauvaises pratiques qui mènent à des solutions inutilisées

Contenu du module :

• Panorama des produits IA et Data
• Approche centrée utilisateur appliquée à l’IA
• AI Fit Canvas by Wivoo : cadrer un cas d’usage IA
• Tendances actuelles : GenAI, agents IA et AI Act

Objectif :
Savoir identifier un bon cas d’usage IA, évaluer la qualité des données et prototyper rapidement des solutions.

Points principaux :

• Comprendre ce qui fait un « bon » problème IA
• Évaluer la faisabilité data : qualité, complétude et gouvernance
• Prototyper rapidement pour valider l’utilité avant la performance
• Comprendre le rôle clé de la discovery dans l’IA

Contenu du module :

• Phases de discovery adaptées aux projets IA
• Analyse des données : qualité, traçabilité et gouvernance
• Prototypage : démonstrateurs, maquettes IA et notebooks
• Introduction au concept de Data Drift

Objectif :
Savoir gérer simultanément l’exploration et le delivery, prioriser un backlog IA et aligner les cycles produit et les cycles modèle.

Points principaux :

• Comprendre la différence entre delivery produit classique et delivery IA
• Gérer un backlog IA : hypothèses, explorations et expérimentations
• Prioriser selon la valeur métier, la faisabilité data, le risque et l’effort
• Synchroniser l’agilité, le cycle modèle et l’incertitude

Contenu du module :

• Temporalité des cycles IA et des cycles produit
• Backlog IA : fonctionnement, structure et critères de priorisation
• Collaboration PM, Data, MLOps et UX
• Métriques produit et métriques modèle

Objectif :
Apprendre à sortir de la culture du POC, structurer l’adoption, identifier les bons projets IA et construire une organisation adaptée.

Points principaux :

• Comprendre les étapes de maturité IA en entreprise
• Identifier les bons projets
• Structurer l’adoption : champions IA et conduite du changement
• Construire un modèle organisationnel scalable

Contenu du module :

• Courbe de maturité IA et diagnostic d’organisation
• Identification des freins techniques, humains et légaux
• Rôle des champions IA et des communautés internes
• Gouvernance, sécurité et conformité : RGPD et AI Act

Objectif :
Savoir définir les bons KPIs pour mesurer la performance business, produit et modèle afin de piloter un produit IA dans le temps.

Points principaux :

• Différencier les métriques produit et modèle
• Choisir les bons KPIs selon le cas d’usage
• Comprendre la dérive, la robustesse, le monitoring et le ROI
• Mettre en place une approche measurement-driven

Contenu du module :

• Les trois familles de métriques : business, usage et modèle
• KPIs pour les modèles prédictifs, génératifs et les agents IA
• Mise en place d’un système de suivi et d’alertes
• Calcul du ROI d’un projet IA

Objectif :
Décider quand acheter une solution IA, quand construire en interne et comment évaluer les risques, les coûts et les dépendances.

Points principaux :

• Comprendre les critères clés du Make vs Buy
• Identifier quand le marché est suffisant ou quand la différenciation est stratégique
• Évaluer les coûts, le time-to-market, la gouvernance et la scalabilité
• Comprendre les risques côté Buy et côté Make

Contenu du module :

• Matrice décisionnelle différenciation / faisabilité
• Analyse des risques Make vs Buy
• Approche hybride : acheter des briques et construire la couche métier