The Product Builder Newsletter : les bonnes pratiques de Malt
🎓 Ce que tu vas apprendre aujourd’hui
Faciliter la communication produit avec tes parties prenantes en générant automatiquement ta documentation et en créant un agent IA qui va s’en servir comme base de connaissances pour répondre à leurs questions
Et si l’IA contribuait à faire tomber les barrières entre le produit et le reste d’une organisation ? C’est en tout cas ce que Marine Bourdel, senior product manager chez Malt, expérimente au quotidien grâce à la génération de sa documentation produit avec Cursor, qui alimente une base Notion servant de socle de connaissances à un agent Dust, pour répondre aux questions des parties prenantes.
📌 Un mot rapide sur Malt
● Plateforme de management des freelances créée en 2013
● +90 000 entreprises utilisatrices et 900 000 freelances
● Présent dans 9 pays
● Volume d’affaires : 1 Md€
Le problème vécu : personne ne lit la documentation… car les product managers ne la mettent pas à jour
Ah, la documentation ! L’une des tâches les plus détestées dans la tech. Qui n’a pas déjà traîné les pieds devant le temps et le caractère fastidieux de la rédaction de sa doc’ produit après la mise en production d’une nouvelle fonctionnalité ?
Au risque de laisser s’installer un cercle vicieux assez catastrophique :
- la documentation n’est pas faite avec assiduité
- personne ne la consulte puisqu’elle n’est pas mise à jour
- les product managers ne la font plus… puisque personne ne la consulte
Sauf que cette “dette” se paie : il y a toujours des parties prenantes internes (commerciaux, account managers, support client, dirigeants, etc.) qui vont avoir des questions sur le fonctionnement du produit. Leur répondre en continu peut vite se traduire par une perte de temps supérieure… à la durée qu’aurait prise l’écriture de cette documentation une bonne fois pour toutes.
La solution : automatiser la génération de la documentation et développer un agent qui va se servir de cette base pour répondre aux questions internes directement sur Slack
Pour répondre à cet enjeu vécu personnellement, Marine s’est appuyée sur Cursor, l’un des agents de code IA utilisés chez Malt (similaire à Claude Code, Codex, Copilot ou Gemini Code Assist).
En 10 minutes, grâce à une instruction très simple et les liens vers son modèle de documentation sur Notion, ses tickets Jira et des captures d’écran réalisées pendant sa recette, elle arrive à générer une documentation fidèle à ses standards.
Cette dernière vient alimenter la base de connaissances produit interne de Malt, dont se sert un agent développé sur l’outil Dust pour répondre à l’ensemble des questions des salariés.
Bilan : une meilleure communication produit envers les parties prenantes… en ne perdant pas de temps dans de multiples interactions.
Voyons la démo concrète, en 2 étapes 👇
Comment cela fonctionne concrètement ?
1re étape : création de la page de documentation pour une nouvelle fonctionnalité
Marine procède avec un prompt très simple. Sur l’outil Cursor, connecté à la codebase (qui prime en cas de conflit), elle fournit 3 éléments :
- 1er élément : le modèle de documentation d’une fonctionnalité chez Malt, via un lien Notion
- 2e élément : son epic avec les tickets implémentés, là encore, via un lien vers son board Jira
- 3e élément : une vingtaine de captures d’écran de la fonctionnalité, qu’elle a réalisées lors de la phase de QA
Puis Marine lui donne l’instruction de pré-remplir la page de documentation pour expliquer au reste de l’entreprise comment fonctionne cette fonctionnalité.
8’59 (très précisément) plus tard, Cursor lui envoie la page Notion en question, reprenant l’ensemble des informations, y compris les captures d’écran envoyées. Marine n’ayant plus qu’à ajouter une vidéo de démo qu’elle avait réalisée en parallèle.
Marine n’a quasiment rien à changer et le document s’insère donc dans la base de connaissances du produit de Malt, sur Notion.
2e étape : un agent IA qui répond aux questions des parties prenantes en se basant sur l’ensemble de la documentation existante
La 1re étape a résolu une partie du problème : la réticence des équipes produit à rédiger la documentation. Mais une partie seulement.
Comment faire en sorte en effet que les parties prenantes internes la consultent ? Réponse trouvée par Malt : en créant un agent sur l’outil Dust alimenté directement par cette base de connaissances produit.
Baptisé « MaltyAI – Product Specialist », cet agent déployé sur Dust a rejoint la famille d’assistants IA que Malt met à disposition via sa propre interface Slack. Le réflexe est désormais simple : avant de solliciter un Product Manager, les salariés de Malt posent d’abord leur question à MaltyAI. Au passage l’un des agents IA les plus utilisés dans l’entreprise avec près de 5 000 messages envoyés par mois !
Exemple concret ci-dessous avec une question posée par Marine sur la création d’un devis sur Malt. Généralement, l’agent renvoie même vers la bonne page de documentation si la personne souhaite aller plus loin.
Résultat : les parties prenantes sont autonomes et peuvent avoir des informations sur le produit… même si les personnes de l’équipe produit sont absentes.
“Un des grands intérêts de l’agent pour eux ? Ils peuvent poser leur question spécifique, sans avoir à lire des pages entières de documentation ni à essayer de trouver les bons articles pour avoir la réponse”, atteste Marine.
Plus pratique : c’est la documentation produit qui vient à leur rencontre et non l’inverse.
Comment construire une solution similaire au sein de ton organisation ?
Le grand avantage de ce cas d’usage ? Il apporte une plus-value très rapide pour l’ensemble de l’organisation… d’autant qu’il est relativement simple, techniquement parlant, à mettre en place.
1. Générer la documentation
Pour la première partie, il suffit d’utiliser un outil IA type Cursor ou Claude Code et de le connecter à ses outils de ticketing et de documentation (Jira et Notion dans le cas de Malt). Voire à la codebase, même si cela reste un plus non indispensable.
2. Créer un agent IA de partage de la documentation produit
Il est possible de créer cet agent avec de multiples outils (Cursor, Claude Code, Copilot…). Prenons ici l’exemple de Dust, cité dans l’article, mais sache que la mécanique est relativement identique selon la solution choisie :
- Connecte l’agent uniquement à la documentation produit (la page Notion dédiée dans le cas de Malt, ainsi que le site et la FAQ)
- (propre à Dust) Configure la recherche en ajoutant, dans l’Agent Builder, les outils de recherche sémantique limitée à cette base de connaissances, de recherche avancée si ta base est rangée par squad ou par périmètre (afin que l’agent puisse parcourir l’arborescence) et Table Query, qui permet de transformer chaque base de données en table interrogeable en SQL
- Soigne le prompt system en précisant à qui il va parler (et ainsi éviter potentiellement le jargon technique) mais aussi le format attendu (réponse courte, étapes numérotées si c’est un parcours utilisateur). Tu peux aussi imposer 2 règles importantes :
– toujours donner le lien vers la page de documentation source
– dire clairement quand l’information est absente ou incomplète plutôt que d’improviser (dans ce cas, indiquer le ou la PM responsable)
Exemple du prompt de l’agent Dust utilisé chez Malt :
Welcome! You are an internal product knowledge assistant, here to help our users with product inquiries. You answer, as accurately, factually, and politely as possible to the questions asked by the user about the product. You can use the context provided to you to ensure that the answer is well-sourced and truthful.
Your Goal: Answer user questions accurately and efficiently. If you don’t know the answer, guide the user to find the solution by asking clarifying questions or directing them to helpful resources.
How to Respond: When you know the answer: Provide a clear, concise, and informative response. When you don’t know the answer: Clarify the question: Use open-ended questions to understand the user’s specific situation. Here are some examples you can use: « As a freelancer in Spain, are you interested in the fees you pay as a user, or the fees your clients pay for your services? » « Are you inquiring about the ability to change fees for your own account, or for the entire company? » Direct to resources: If you can’t answer the question directly, suggest helpful resources like user guides, FAQs, or suggest contacting the support team. Always be transparent: If you’re unsure about something, let the user know. This builds trust and avoids providing inaccurate information.
Important Note: You are a product knowledge assistant, and your expertise is limited to our product. You may not have access to all company information or policies.
Examples of How to Ask Clarifying Questions: User: « Can I change the fees? » You: « Are you asking about changing the fees for your own account, or for the entire company? » User: « How much do fees cost? » You: « As a freelancer in Spain, are you interested in the fees you pay as a user, or the fees your clients pay for your services? » User: « Something about fees isn’t working. » You: « I understand you’re having trouble with fees. Can you tell me a little more about the specific issue you’re encountering? » By following these guidelines, you’ll be a valuable asset to our users and ensure they get the information they need.
How to Respond when you don’t know the answer, and the question is out of your scope: For Analytics Questions: Any questions related to analytics, meaning a user is asking a question about the number of opportunities in a specific date range, or the number of freelancers with a skill, please redirect to Looker: <paste here the looker link> For internal HR questions: A user asking for Malt internal policy, such as our internal travel policy, redirects the user to the HR team.
This is mandatory for each answer. After answering a question, always rate your confidence in the answer on a scale of 1-10 and briefly explain your rating. <do> – Use clear, concise language – Prioritize the most impactful element – Maintain objectivity in your answer </do> <don’t> Include any personally identifiable information Make assumptions beyond what’s directly stated in the transcript Overlook contradictions or inconsistencies in the user’s responses </don’t>
Your reply must not exceed 2700 characters Don’t mention the user in the response
- Déploie-le dans Slack en activant l’intégration. N’importe qui pourra alors appeler l’agent en tapant “@ + nom de l’agent”. Pour aller plus loin, comme le fait Malt d’ailleurs, tu peux insérer un formulaire de feedback en bas de chaque réponse de l’agent pour évaluer la qualité des réponses.
Tu as désormais toutes les clés en main pour déployer ce process dans ton organisation et l’adapter à tes problématiques !
