L'IA générative dans un workflow de design produit sert à cinq choses qui ont fait leurs preuves en production : synthétiser la recherche utilisateur, générer des variantes de parcours et de contenus, prototyper en code réaliste, documenter et vérifier un design system, et produire des visuels sous contrainte de budget. Elle ne remplace ni la compréhension du problème, ni l'arbitrage, ni la responsabilité du résultat.
Ce que j'ai testé, et sur quoi
Depuis 2023, j'utilise les modèles génératifs sur mes propres produits (WeeFizz, Reformer Society) et sur des missions clients (Climeet, sites et landing pages). Ce retour d'expérience distingue ce qui a tenu dans la durée de ce qui a fini abandonné.
Les cinq usages qui tiennent
1. Synthèse de recherche utilisateur
Transcriptions d'entretiens, tickets support, avis clients : le modèle regroupe, compte, cite. Une campagne de dix entretiens se synthétise en une journée au lieu d'une semaine. Condition : un prompt qui interdit d'inventer des verbatims et qui demande de signaler ce que les données ne permettent pas de conclure. Et une relecture complète, parce que le modèle lisse les contradictions.
2. Variantes de parcours et de contenus
Trois structures alternatives pour un onboarding, cinq formulations d'un message d'erreur, deux découpages d'un formulaire. L'IA excelle à produire des alternatives rapidement. Le designer choisit, et justifie. Le gain n'est pas la vitesse de production du choix final, c'est la largeur de l'exploration à budget constant.
3. Prototypage en code
C'est l'usage qui a le plus changé mon travail. Un agent de code produit en quelques heures un prototype front-end réaliste : données, états, responsive, interactions. Je le finis à la main. Le prototype se teste avec de vrais utilisateurs et se transmet aux développeurs comme référence. La frontière entre maquette et produit s'est déplacée. Voir front-end et intégration.
4. Design system : documentation et vérification
Rédiger la documentation de quarante composants à partir des composants réels, détecter les incohérences de nommage entre Figma et le code, générer les états manquants d'un composant en respectant les tokens : des tâches répétitives que le modèle fait bien, sous contrôle. Deux jours au lieu de deux semaines pour la documentation initiale.
5. Production visuelle sous contrainte
Visuels de campagne, illustrations, déclinaisons de formats, visuels de démonstration quand il n'y a pas de budget photo. Sur WeeFizz, douze sites de démonstration ont reçu leurs visuels par génération, avec un système de prompts figé qui garantit la cohérence. Condition : une direction artistique précise en amont, et une sélection sévère en aval.
Les trois usages qui ont déçu
- Générer des écrans finaux en image : jolis, incohérents, non intégrables. Utile pour un moodboard, pas pour un produit.
- Remplacer les tests utilisateurs par des personas synthétiques : le modèle confirme ce qu'on lui a dit. Il ne connaît pas vos utilisateurs.
- Automatiser la décision de priorisation : le modèle produit une matrice plausible, mais il ne connaît ni la politique interne, ni la dette technique, ni le client qui menace de partir.
Les garde-fous
- Un contexte précis : design system, tokens, références, interdits. Sans contexte, le modèle produit la moyenne du web.
- Des critères de qualité explicites dans chaque prompt, et une auto-vérification demandée au modèle.
- Une relecture humaine systématique de tout ce qui sort, surtout ce qui a l'air juste.
- Une charte d'usage : ce qu'on confie à l'IA, ce qu'on ne lui confie pas (données personnelles, décisions, engagements).
- Des prompts versionnés comme des composants : voir Prompt engineering pour designers.
Ce que ça change pour le métier
Le temps de production baisse ; le temps de décision ne baisse pas. Le designer qui prospère est celui qui sait cadrer, choisir et garantir. Celui qui ne faisait que produire est en concurrence avec un prompt. La compétence montante n'est pas de savoir utiliser l'IA : c'est de savoir ce qu'on veut avec assez de précision pour le lui dire. C'est pour cela que je décris le prompt engineering comme une pratique de design, et que je le propose comme expertise.
Un principe pour finir
La machine amplifie l'intention. Elle ne la remplace jamais.
Si l'intention est claire, l'IA la multiplie. Si elle est floue, l'IA produit du flou avec assurance. Le travail du designer commence et finit là : savoir ce qu'on veut, et pourquoi.
Les termes utilisés ici (prompt système, agent, token, hallucination, RAG) sont définis dans le glossaire.
