Lettre « Dear friends » d'Andrew Ng dans *The Batch* (DeepLearning.AI, n°359) sur le **loop engineering** appliqué au développement produit **0-to-1**. Ng partage ses **3 boucles clés** — boucle de codage agentique (~minutes), boucle de feedback développeur (~heures), boucle de feedback externe (~jours) — imbriquées par échelle de temps croissante, reliant *coding agent → product spec/evals → developer vision → external feedback*. Thèse centrale : les humains conservent un **avantage de contexte** (plutôt qu'un « goût ») qui rend le human-in-the-loop indispensable ; les ingénieurs endossent un rôle partiel de product management. Domaine : agents de codage, ingénierie produit, méthodologie agentique.
#Loop engineering#développement produit#boucle de codage agentique
Andrew Ng
Essai long format de **Shubham Saboo** (X/Twitter) posant une thèse sur le métier de **Product Manager** à l'ère des agents : la prochaine compétence clé n'est **pas le prompt engineering** mais le **Loop Engineering** — concevoir un *système qui s'améliore à chaque exécution* plutôt qu'écrire le prompt parfait à chaque fois. Une **boucle** = un cycle répété : on modifie ce qui façonne le comportement de l'agent → on exécute → on évalue la sortie → on garde le changement si la qualité monte, on revient en arrière sinon → on **capitalise l'apprentissage** pour que la version suivante démarre en avance. Pour un PM, le point d'entrée n'est pas le code mais les **artefacts durables** qui encodent son jugement : skill de revue de PRD, *summarizer* d'appels clients, rubrique d'évaluation, checklist de lancement, workflow de recherche, `CLAUDE.md`, template de prompt, framework de priorisation. Parce qu'ils sont réutilisés, ces artefacts **composent dans les deux sens** — et **dérivent** silencieusement (CLAUDE.md qui s'allonge, checklist ignorée…) : le modèle n'a pas régressé, les artefacts ont dérivé sans surveillance. Une boucle a **5 parties** : trigger, action, **preuve**, mémoire, **condition d'arrêt** (la plus critique). Les **evals** deviennent du travail de PM (tester l'artefact contre des exemples connus : 3 bons / 3 mauvais PRD, 5 appels compris, 2 lancements passés). La **mémoire** vit sur **GitHub** (le repo devient « mémoire produit » : commits, diffs, résultats d'éval, journal de décision, rollback). Premier loop conseillé : un **weekly product signal loop** (chaque vendredi). Le goût reste central — mais il lui faut désormais une **preuve**. Cite Boris (créateur de Claude Code) : « il n'écrit plus de prompts, il écrit des boucles ».
#Loop Engineering#product management#PM augmenté
Shubham Saboo (@Saboo_Shubham_)
Tribune d'**Olivier Rafal** (Consulting Director Strategy chez **WeNvision**) publiée le **23 février 2024** sur **CIO-Online** (rubrique *Tribune*), qui pose une thèse encore contre-intuitive à l'époque : **l'IA générative relève davantage du produit technologique que du projet d'IA / data science**. **Argument 1 — la data science n'est pas le cœur du sujet** : créer un *foundation model* de toute pièce demande *« plusieurs mois, des millions d'euros et l'accès à d'énormes quantités de données »* — réservé à des acteurs aux datasets spécifiques et monétisables (ex. **Bloomberg** et son **BloombergGPT** pour la finance). Pour la quasi-totalité des entreprises, le bon réflexe n'est donc pas de recruter des data scientists. **Argument 2 — décalage de compétences** : il faut surtout des **ingénieurs de développement et d'intégration** (back/front), de **fortes compétences cloud** et du **DevOps**. Citation client : *« On n'a pas forcément besoin d'être data scientist, mais il faut comprendre les concepts de base, avoir des compétences de développement back office et de fortes compétences cloud. »* **Argument 3 — architecture de plateforme (orchestrateurs + API)** : construire une **plateforme d'IA générative** d'entreprise via orchestrateurs et API permet *« de travailler avec les meilleurs LLM du marché et d'en changer au fur et à mesure de leurs évolutions respectives, sans retoucher aux applications »* (anti vendor lock-in). **Argument 4 — du projet au produit** : *« La plate-forme […] il faut la considérer elle-même comme un produit »* ; au lieu d'un investissement ponctuel, prévoir un **flux de financement mensuel** (itérations continues, innovation permanente). **Argument 5 — gouvernance & shadow AI** : la démocratisation inédite de la GenAI engendre *« tant du shadow AI que de fortes attentes vis-à-vis de la DSI »* → gouvernance pour capter les besoins métiers, **prioriser les produits par la valeur**, superviser le bon fonctionnement. **Changement de paradigme** annoncé : *« on passe d'une programmation algorithmique classique à des agents Langchain qui gèrent une partie des décisions »*. **Intérêt pour la veille** : texte **fondateur (J-2 ans)** de la doctrine WeNvision (produit > projet, plateforme/API, financement en flux, gouvernance, shadow AI) que prolongeront les fiches [[wenvision-ai-agents-enterprise-deployment-2025-10-01]], [[habert-ia-agentique-production-2025-10-29]] et [[rafal-wenvision-tokenomics-foundation-finops-ia-2026-06-04]] (FinOps/token, financement en flux → gouvernance financière). Préfigure aussi le *harness/plateforme autour du modèle* (Dropbox/Okumura : *systems around the model*) et l'**indépendance modèle** par couche d'orchestration.
#IA générative#produit technologique#produit vs projet
**Olivier Rafal** · *Consulting Director Strategy* chez **WeNvision** (cabinet de conseil FR). Tribune publiée dans la rubrique *Tribune* de **CIO-Online**. Auteur déjà présent dans la veille (cf. fiches WeNvision/Atlas/Tokenomics). Publié le **23 février 2024**.