AI Product Building · 21 octobre 2026
Intégrer l'IA dans un SaaS : le guide d'un product designer qui construit
Comment ajouter de l'IA à un produit SaaS sans produire un gadget : choisir le bon cas d'usage, le bon niveau de sophistication, et savoir ce que ça change pour l'expérience.
Depuis deux ans, la même conversation revient. Un fondateur ou un head of product me montre son produit, puis pose la question devenue inévitable : « on met de l'IA où ? »
La question est mal posée, et c'est normal. Elle part de la technologie au lieu de partir du produit. Ce guide propose l'inverse. Il décrit comment je choisis, conçois et construis une fonctionnalité d'IA dans un SaaS existant, en partant des usages réels plutôt que de la vitrine.
Il s'adresse aux équipes produit, aux fondateurs et aux designers qui veulent comprendre ce qui se joue vraiment derrière un bouton « générer avec l'IA ».
Pourquoi tant de fonctionnalités IA ne servent à rien
Le symptôme est toujours le même : la fonctionnalité est livrée, elle fonctionne techniquement, et personne ne l'utilise après la deuxième semaine.
Trois causes reviennent systématiquement.
Elle résout un problème que l'utilisateur n'a pas. Générer un texte, c'est spectaculaire en démonstration. Mais si vos utilisateurs ne passaient pas de temps à rédiger, vous venez d'accélérer une tâche qui ne coûtait rien.
Elle demande plus de travail qu'elle n'en économise. Une IA qui produit un brouillon que l'utilisateur doit entièrement relire et corriger ne fait pas gagner du temps. Elle déplace l'effort, de la rédaction vers la vérification. Parfois c'est un gain. Souvent non.
Elle casse la confiance au premier échec. Un produit classique qui se trompe est un bug. Une IA qui se trompe est perçue comme peu fiable, durablement. La différence est que l'utilisateur ne sait pas si l'erreur va se reproduire, donc il arrête de s'y fier.
Ces trois causes ont un point commun. Ce sont des problèmes de conception, pas de modèle.
Étape 1 : partir d'un moment de friction, pas d'une technologie
La bonne porte d'entrée n'est pas « quelle IA utiliser », mais « où mes utilisateurs perdent-ils du temps, hésitent-ils, ou abandonnent-ils ? »
Concrètement, je cherche trois signaux dans un produit existant :
- Les tâches répétitives à faible valeur. Classer, taguer, reformuler, résumer, extraire. L'IA est excellente là-dessus, et l'erreur y coûte peu.
- Les moments de blocage devant une page vide. Créer un premier élément, démarrer une configuration, écrire un premier message. L'IA ne remplace pas l'utilisateur, elle lui donne un point de départ.
- Les données que personne ne lit. Beaucoup de SaaS stockent une matière riche que les utilisateurs n'exploitent jamais parce qu'elle demande trop d'efforts d'analyse. C'est souvent le gisement le plus rentable.
La règle que j'applique : si je ne peux pas décrire la friction en une phrase, sans prononcer le mot « IA », le sujet n'est pas mûr.
Les trois endroits où chercher, avant de parler de technologie.
Étape 2 : choisir le niveau de sophistication le plus bas qui fonctionne
C'est le principe qui m'a fait gagner le plus de temps. Il existe quatre niveaux, par ordre croissant de coût et de complexité. Commencez toujours par le plus bas.
Niveau 1 — Pas d'IA du tout. Une règle métier, un modèle de texte, un tri intelligent. Beaucoup de besoins présentés comme des sujets d'IA se règlent par une bonne conception et trois lignes de logique. Ce niveau est gratuit, instantané et fiable à 100 %.
Niveau 2 — Un appel à un modèle, avec un bon prompt. Vous envoyez un texte, vous recevez un texte. Pas de mémoire, pas de données internes. C'est le niveau qui couvre la majorité des cas d'usage rentables : reformuler, résumer, classer, extraire des informations d'un document.
Niveau 3 — Le modèle branché sur vos données. C'est ce qu'on appelle le RAG. Avant de répondre, le système va chercher les documents pertinents dans votre base, puis les donne au modèle comme contexte. C'est ce qui permet à l'IA de répondre sur votre métier plutôt qu'en généralités. Le coût de construction monte nettement, parce que la qualité dépend entièrement de la qualité de la recherche en amont.
Niveau 4 — Un agent qui agit. Le modèle ne répond plus, il exécute. Il peut créer, modifier, envoyer. C'est le niveau où les enjeux de conception deviennent critiques, parce qu'une erreur ne produit plus un mauvais texte mais une mauvaise action.
La plupart des équipes veulent commencer au niveau 4 et sous-estiment ce que le niveau 2 permet déjà. L'écart de coût entre les deux est considérable, l'écart de valeur perçue beaucoup moins.
Étape 3 : concevoir l'incertitude
C'est le point que les guides techniques passent sous silence, et c'est pourtant le cœur du travail de design.
Un logiciel classique est déterministe. Vous cliquez, il se passe toujours la même chose. Une fonctionnalité d'IA est probabiliste. Elle a raison la plupart du temps, et tort parfois, sans prévenir.
Concevoir une fonctionnalité d'IA, c'est donc concevoir trois choses en même temps :
Le cas où ça marche. Facile, c'est celui qu'on montre en démonstration.
Le cas où c'est approximatif. L'utilisateur doit pouvoir corriger sans tout refaire. Un résultat modifiable bat un résultat parfait mais figé.
Le cas où c'est faux. L'utilisateur doit pouvoir s'en rendre compte. Cela suppose de montrer d'où vient la réponse, de ne pas affirmer avec le même aplomb une certitude et une supposition, et de laisser une sortie de secours.
Une même fonctionnalité de résumé, trois cas à concevoir. L'exemple est illustratif.
J'ai détaillé cette partie dans un article dédié : concevoir un onboarding IA qui inspire confiance.
Étape 4 : mesurer autre chose que l'adoption
L'indicateur piège, c'est le nombre de clics sur le bouton IA. Il monte toujours au lancement, par curiosité, puis redescend. Il mesure la curiosité, pas la valeur.
Les trois indicateurs qui disent la vérité :
- Le taux de conservation du résultat. Sur 100 propositions générées, combien sont gardées sans modification majeure ? C'est la mesure réelle de la qualité.
- Le temps réellement économisé. Mesuré sur la tâche complète, correction comprise, pas sur la génération seule.
- Le retour d'usage à 30 jours. Qui utilise encore la fonctionnalité un mois après l'avoir découverte ? C'est la seule preuve qu'elle a trouvé sa place dans une routine.
Un repère, sur un SaaS B2B que j'ai accompagné : 80 % des résultats générés conservés sans modification majeure, plusieurs heures économisées par semaine et par utilisateur, et 90 % des utilisateurs qui se servaient encore de la fonctionnalité un mois après l'avoir découverte.
La courbe des clics montre une allure typique, sans échelle. Les trois mesures viennent d'un SaaS B2B que j'ai accompagné.
Ces trois mesures ont un point commun : elles ne sont pas disponibles par défaut. Il faut décider de les instrumenter avant le lancement, sinon vous passerez les premières semaines à commenter un graphique de clics.
Ce que ça coûte
La question du budget arrive toujours, et presque toujours trop tard. Contrairement à une fonctionnalité classique, une fonctionnalité d'IA a un coût qui ne s'arrête pas à la livraison : chaque utilisation consomme.
C'est un changement de modèle économique suffisamment important pour mériter son propre article : combien coûte une fonctionnalité IA dans un SaaS, vraiment. On y trouve le calcul complet, et un écart de prix d'un facteur 70 entre deux choix de modèle pour un résultat comparable dans une bonne partie des cas.
Par où commencer concrètement
Si vous dirigez un SaaS et que vous voulez avancer sans y passer un trimestre :
- Listez les trois frictions les plus coûteuses pour vos utilisateurs. Sans parler d'IA.
- Pour chacune, demandez-vous si le niveau 1 ou 2 suffit. Dans la majorité des cas, la réponse est oui.
- Construisez une version jetable de la plus prometteuse, en une à deux semaines, et faites-la essayer à cinq utilisateurs réels.
- Regardez le taux de conservation, pas l'enthousiasme.
- Décidez ensuite d'industrialiser, de simplifier ou d'abandonner.
C'est la méthode que j'applique dans mes missions. Elle ne produit pas une annonce spectaculaire, elle produit une fonctionnalité que les gens gardent.
Pour aller plus loin
- Ajouter une fonctionnalité IA à un produit existant — la méthode détaillée, étape par étape.
- Combien coûte une fonctionnalité IA dans un SaaS, vraiment — le modèle de coût complet.
- Concevoir un onboarding IA qui inspire confiance — la partie design.
- Mes projets — les produits sur lesquels cette méthode a été appliquée.
Vous dirigez un SaaS et vous vous demandez par où commencer ? Je conçois et construis des fonctionnalités d'IA utiles, du premier brouillon à la mise en ligne. Parlons-en.