Calibrer l'endowed progress avec l'IA

Jusqu'ici, nous avons traité l'endowed progress comme un design statique : tous les utilisateurs reçoivent la même dotation (par exemple, 2/10 tampons offerts à l'inscription).

C'est déjà puissant. Mais c'est suboptimal. Car le bon montant de dotation, la bonne narration, le bon nombre d'étapes — tout cela varie selon le profil de l'utilisateur.

L'IA permet de passer d'un endowed progress statique à un endowed progress dynamique, personnalisé, et auto-ajusté en continu. Ce chapitre détaille les trois usages opérationnels.

Usage 1 — Détecter le bon montant de dotation par segment

Le bon nombre de tampons à offrir (2/10 ? 3/10 ? 4/12 ?) dépend de plusieurs variables que l'humain a du mal à pondérer :

• Le profil démographique (âge, géographie, plateforme d'arrivée)
• L'historique (nouveau client vs. ancien réactivé)
• Le canal d'acquisition (référent, ads payantes, organique)
• La fréquence d'usage attendue (B2B daily-use vs. B2C ponctuel)
• La complexité du parcours (1 action ou 8 ?)

Avec une IA bien entraînée, vous pouvez attribuer à chaque nouvel utilisateur une dotation calibrée qui maximise sa probabilité de complétion.

Prompt opérationnel — Recommandation de dotation

Tu es un expert en design d'onboarding produit. Voici les caractéristiques 
d'un nouvel utilisateur qui vient de s'inscrire :

- Plateforme : [SaaS B2B / app B2C / e-commerce / cours en ligne]
- Persona estimé : [Marketing manager, freelance, étudiant…]
- Canal d'acquisition : [organique / paid social / referral / direct]
- Pays / langue : [...]
- Action déjà réalisée à l'inscription : [...]
- Nombre total d'étapes du parcours d'activation : [N]
- Récompense finale promise : [...]

Recommande :
1. Le nombre d'étapes à présenter comme « offertes / déjà faites » 
   (entre 1 et 3 maximum)
2. Le texte narratif qui apparaîtra à l'utilisateur pour justifier 
   cette dotation (sans révéler la mécanique, sans tromper)
3. L'ordre optimal des étapes restantes (du plus facile au plus engageant, 
   pas le contraire)
4. La cible de complétion à J+7 attendue (en % réaliste)
5. Le signal de risque si l'utilisateur ne franchit pas une étape donnée 
   dans les 24h

Format de sortie : JSON.

L'IA va combiner :

• Les patterns observés sur les bases d'utilisateurs similaires
• Les principes psychologiques (auto-perception, goal-gradient, dopamine)
• La connaissance de votre type de produit

Ce que vous récupérez : une dotation sur mesure par segment, plutôt qu'un design unique pour tout le monde.

Usage 2 — Générer dynamiquement les étapes et leur narration

Le second usage va plus loin : générer le contenu lui-même des étapes en fonction du profil. Plus l'onboarding paraît personnalisé, plus l'auto-perception se déclenche fort.

Pattern : la checklist sur mesure

Pour un même produit, deux personas reçoivent des checklists différentes :

Marketing Manager B2B :

• ✓ Compte créé
• ✓ Industrie : SaaS sélectionnée
• ☐ Connecter votre source de leads (HubSpot, Salesforce…)
• ☐ Créer votre première campagne
• ☐ Inviter votre équipe marketing

Freelance solo :

• ✓ Compte créé
• ✓ Plan freelance sélectionné
• ☐ Importer vos premiers clients
• ☐ Créer votre première facture
• ☐ Configurer votre TVA

Prompt opérationnel — Génération de checklist

Génère une checklist d'onboarding personnalisée pour le profil suivant :

- Produit : [description du produit en 2 lignes]
- Persona : [détails du persona]
- Récompense finale visée : [ce que l'utilisateur va « débloquer »]
- Contraintes : [par exemple : doit inclure l'étape billing à la fin]

Règles de sortie :
- 5 à 6 étapes au total
- Les 1-2 premières doivent être marquées « ✓ déjà faites » avec une 
  justification narrative crédible (et honnête)
- Chaque étape ☐ doit comporter : un titre court (max 6 mots), 
  une phrase d'explication (max 15 mots), une CTA verbale
- L'ordre doit suivre une difficulté croissante mais avec un « pic » 
  de victoire facile à l'étape 3 (re-boost de dopamine)
- La langue de sortie : [FR ou EN]

Format : JSON avec champs title, description, cta, isPreChecked, justification.

Vous obtenez un onboarding vraiment personnalisé. Pas juste un prénom inséré dans un template.

Usage 3 — Détecter en temps réel les utilisateurs en train de décrocher

L'endowed progress n'est pas une garantie. Certains utilisateurs vont caler entre l'étape 3 et l'étape 4, malgré une dotation initiale bien calibrée. La question opérationnelle devient : comment les détecter, et intervenir au bon moment ?

C'est le territoire des agents IA d'engagement.

Pattern : le scoring de décrochage en temps réel

Pour chaque utilisateur, on calcule un score de risque (0-100) basé sur :

• Temps écoulé depuis la dernière étape
• Comparaison avec la médiane de sa cohorte
• Signaux comportementaux (clics, scroll depth, pages visitées)
• Signaux contextuels (date, heure, device)

Quand le score franchit un seuil (typiquement > 60), une action automatisée est déclenchée :

• Email récap (« Vous êtes à 60 %, plus que 2 étapes ! »)
• Notif push avec deep link sur l'étape suivante
• Proposition d'un call de 15 minutes (B2B)
• Réduction de la friction de l'étape qui bloque

Prompt opérationnel — Analyse de décrochage

Tu es un analyste d'engagement produit. Voici les données d'un utilisateur :

- Inscription : [date]
- Étapes complétées : [liste avec timestamps]
- Étape bloquante actuelle : [titre + temps depuis qu'il est dessus]
- Médiane de sa cohorte pour atteindre l'étape suivante : [durée]
- Signaux récents : [clics, sessions, pages]

Diagnostic attendu :
1. Probabilité estimée d'abandon dans les 7 prochains jours (en %)
2. Hypothèse la plus probable du blocage (friction technique, 
   manque de valeur perçue, distraction, autre)
3. Action d'intervention recommandée (et son canal optimal)
4. Wording exact du message d'intervention en moins de 50 mots, 
   qui ré-active la narration de progression et l'auto-perception, 
   sans culpabiliser, sans manipuler

Format : JSON.

L'IA fait ici trois choses qu'un humain ne peut pas faire à grande échelle :

• Scorer chaque utilisateur en continu
• Diagnostiquer la cause probable du blocage
• Écrire le bon message au bon moment, avec un vocabulaire adapté au persona

Usage 4 — A/B tester massivement les dotations

Dernière vague : utiliser l'IA non plus pour générer des prompts, mais pour piloter des bandits multi-bras ou des A/B tests à grande échelle. Le principe :

1. Vous testez en parallèle 5 variantes de dotation (1/10, 2/10, 3/10, 2/8, 3/12)
2. L'IA observe les complétions par segment
3. Elle réalloue automatiquement le trafic vers les variantes qui surperforment pour le segment donné

Résultat : au bout de quelques semaines, chaque segment a sa dotation optimale, sans intervention humaine. Une équipe produit qui aurait mis 6 mois à comparer manuellement obtient en 2 semaines une carte stratégique fine de l'effet par segment.

Prompt opérationnel — Synthèse hebdomadaire d'A/B test

Voici les résultats hebdomadaires d'un A/B test sur l'endowed progress :

[tableau de données : variante, segment, taux de complétion, 
volume échantillon, intervalle de confiance]

Synthèse attendue :
1. Variantes statistiquement significatives (p < 0.05) par segment
2. Recommandation : couper, garder, élargir, ou continuer le test
3. Hypothèse psychologique pour expliquer les écarts (Bem ? 
   goal-gradient ? Cialdini ?)
4. Prochain test à lancer la semaine suivante pour aller plus loin

Format : note structurée en markdown.

Garde-fous éthiques

L'IA appliquée à l'endowed progress est puissante. Comme toute technique de persuasion à grande échelle, elle exige des garde-fous.

Règle déontologique : l'endowed progress assisté par IA est légitime tant qu'il accélère un parcours que l'utilisateur veut sincèrement compléter. Il devient toxique dès qu'il pousse à terminer un parcours dont l'utilisateur sortirait gagnant en abandonnant.

En résumé

• Usage 1 : faire calibrer la dotation par l'IA selon le segment → dotation sur mesure plutôt qu'unique.
• Usage 2 : générer dynamiquement le contenu des étapes et leur narration → onboarding réellement personnalisé.
• Usage 3 : scorer en temps réel les utilisateurs en risque de décrochage et leur envoyer le bon message au bon moment.
• Usage 4 : piloter des A/B tests massifs et faire émerger automatiquement la dotation optimale par segment.

Au chapitre 6, nous prenons le point de vue entrepreneurial : comment concevoir un produit autour de l'endowed progress dès la première ligne de code, et quelles métriques business surveiller en priorité.