AI-Native Product Engineering
Le code est devenu bon marché. Savoir quoi construire, non.
Les agents IA écrivent du code en quelques minutes. Comprendre le problème, spécifier le comportement, valider le résultat et le mettre en production demandent toujours du jugement humain. L'AI-Native Product Engineering, c'est la discipline qui consiste à porter tout ce chemin, du problème au produit puis à la production, avec des agents à chaque étape.
Depuis près de vingt ans, j'ai travaillé sur toute la chaîne : le code et l'automatisation, l'architecture et l'infrastructure, la mise en production, la création de produits, la direction d'équipes. Le fil rouge a toujours été le même : comprendre le problème avant de construire. J'explore maintenant, en public, jusqu'où un ingénieur peut porter le cycle de vie d'un produit quand l'exécution ne coûte presque plus rien.
Stop prompting. Start shipping.
01 / La thèse
Le goulot d'étranglement a changé de place
Écrire du code devient moins cher et plus rapide chaque mois. Ce qui ne s'accélère pas, c'est tout le reste : comprendre le vrai problème, découvrir le bon produit, donner le contexte, spécifier, choisir une architecture, décider, valider, tester, livrer, et apprendre de la production.
Les agents peuvent intervenir à chacune de ces étapes, pas seulement pour écrire le code. Aucune ne devient pour autant automatique : chacune demande encore qu'un humain décide et valide.
Un agent génère. Il n'endosse pas la responsabilité. Quand il livre trois mille lignes en dix minutes, la question n'est plus « comment coder », mais « comment garder le contrôle ». La réponse ne se trouve pas dans un meilleur prompt. Elle se trouve dans la façon dont on cadre le problème, dont on écrit le contrat de comportement, et dont on valide ce qui arrive.
L'ingénieur qui compte ne se contente plus d'écrire du code. Il porte le chemin du problème à la production. L'IA amplifie ce rôle. C'est ce que j'appelle l'AI-Native Product Engineering.
02 / Commencer ici
Trois articles pour entrer dans le sujet
-
Quand l'agent livre plus vite que je ne lis
Les agents de code ont réduit la construction à quelques minutes. Spécifier, valider et relire n'ont pas bougé. Pourquoi je relis désormais le comportement, pas le code.
-
Le dépôt AI-native
Les assistants de code IA échouent moins à cause du modèle qu'à cause du dépôt. Ce que doit contenir le contrat de contexte posé à la racine d'un repo.
-
La question qui contenait sa propre réponse
Une question orientée en séance de discovery a coûté deux mois d'automatisation que personne n'a utilisée. Les trois règles d'entretien que je suis depuis.
03 / Le labo
Des outils, pas des slides
Chaque idée défendue ici est mise à l'épreuve dans un outil open source : une grille qui interdit une recommandation sans insight, un modèle de dépôt où le contrat est le scénario exécutable, un gestionnaire de projet qui sépare ce qu'une machine peut prouver de ce qu'un humain doit décider.
04 / Pour qui
Deux points d'entrée, une seule discipline
Vous débutez
Savoir coder ne suffit plus. Ce qui fera la différence : prendre un vrai problème et le mener jusqu'à un produit en production, avec un workflow AI-native que vous savez expliquer et défendre.
Vous êtes dans une équipe
Vous intégrez des agents dans un vrai cycle de développement : contexte, spécification, revue, portes qualité. Le code arrive plus vite que votre capacité à le comprendre. C'est là que ça se joue.
05 / Suivre
Un carnet, pas un fil d'actualité
J'écris quand une expérience a produit quelque chose qui mérite d'être lu, y compris quand elle a échoué. Le Playbook rassemblera la méthode complète, de l'idée à la production.