Comment analyser ses feedback utilisateurs avec l’IA pour enrichir sa discovery

Synthèse de la démo de Romain Dechamps, Freelance AI & Product Ops, lors du Grand Rattrapage, la semaine de talks sur l’IA co-organisée par Converteo et Le Ticket.

🎫 Les membres Premium du Ticket ont un accès intégral à cet article

---

🖥️ Retrouve l’ensemble des synthèses du Grand Rattrapage 2026 :  1️⃣ Je fais une veille complète générée par Claude Cowork, archivée dans Notion et diffusée sur Slack 2️⃣ Je crée mes premiers prototypes avec Claude Code et Lovable 3️⃣ J’analyse mes feedback utilisateurs avec l’IA pour enrichir sa discovery 4️⃣ J’orchestre mes 1ers agents dans Claude et Dust pour automatiser ma rédaction de tickets Jira 5️⃣ Je pose les bases de mon personal OS avec Claude Code

Le replay intégral de l’émission #3 du Grand Rattrapage 2026 (1h) :

⚡️ La synthèse en 5 min

📌 Ce que tu vas apprendre aujourd’hui : Analyser les feedbacks des utilisateurs et des commerciaux pour enrichir ta discovery avec Dust

Le contexte

Romain Dechamps est spécialisé dans la Discovery et la User Research, depuis une dizaine d’années. Pendant 3 ans au sein de la startup lyonnaise Agicap, il a par exemple créé un workflow pour agréger la connaissance client de la boîte et nourrir les pratiques de discovery des équipes produit.

Depuis 2024, il s’est lancé à son compte afin d’aider d'autres entreprises à créer ce type de flow agentique. Notamment chez Bpifrance, qu’il évoque en début d’intervention, où il a conçu un agent sur l’outil Dust pour analyser plus de 10 000 CES (Customer Effort Score) et CSAT (Customer Satisfaction) récupérés en continu tous les mois.

Il montre comment, avec le cas Mailflow, une entreprise fictive d’email marketing (type Brevo ou Mailchimp). Demo.

💡 Comprendre (simplement) la différence entre un LLM et un agent “Un LLM, c’est un cerveau. Un agent, c’est un LLM qui a des mains ! Il peut aller chercher de la donnée, prendre des actions, créer des documents etc.”

Le cas pratique Mailflow : Créer un agent sur Dust pour analyser les retours clients et commerciaux

Pour illustrer ce cas de la manière la plus réaliste possible, Romain commence par énumérer les éléments à sa disposition (et généralement présents dans toutes les entreprises) qui vont pouvoir être utilisés ensuite par le LLM.

Les éléments à disposition

• Les feedback détaillés des utilisateurs collectés par l’équipe support (via Notion)

• Le CRM (base clients sur Excel, mais peut aussi se trouver sur HubSpot ou Salesforce)

• Les CES (Customer Effort Score, note des utilisateurs de 1 à 5 sur la difficulté à réaliser une tâche sur le produit)

Comment exploiter cette donnée dans Dust ?

Voici pour les données à disposition. Difficilement exploitables en l’état. Voyons désormais comment se servir de l’outil IA (🇫🇷) Dust pour transformer cette matière brute en analyse actionnable.

Dust agit comme un orchestrateur d’agents IA disponibles par défaut sur étagère ou personnalisables.

Pour la démo, Romain a créé un agent nommé “Feedback_assistant”.

Voyons rapidement son prompt système (= ses instructions). Romain lui indique par exemple (liste non exhaustive, tu pourras le voir directement dans la vidéo) : 

---

Je découvre d'autres articles du Grand Rattrapage :