Table des matières
Ce qui est vraiment différent en 2024
Les outils de design génèrent. Les fonctionnalités IA de Figma et Uizard transforment un brief écrit en wireframe de départ en moins d'une minute. Le résultat est rarement le design final, mais ça saute la page blanche. Pour des designers qui ont passé leur carrière à fixer des frames Figma vides, ça vaut déjà l'abonnement.
La copie est rapide et contextuelle. ChatGPT et Jasper produisent des variantes de microcopie pour les boutons, les erreurs et les états vides en quelques secondes. Les équipes qui avancent le plus vite écrivent une ligne de contexte, récupèrent dix variantes, et en gardent une. Les équipes encore lentes sont celles qui écrivent la copie elles-mêmes entre deux revues de design.
Les personas peuvent être basés sur des données plutôt qu'imaginés. Les outils qui ingèrent de la vraie recherche utilisateur et génèrent des profils produisent quelque chose de moins fictif que le « Sarah, 35 ans, responsable marketing » classique. Les personas imaginés décrivent ce qu'on aurait voulu que les utilisateurs soient. Les personas data décrivent ce que les utilisateurs font réellement.
La vidéo ci-dessous couvre les angles morts. À regarder avant de surinvestir dans n'importe lequel de ces outils.
Ce que l'IA fait bien aujourd'hui
Détecter des patterns dans de gros jeux de données. Enregistrements de session, tickets de support, réponses de sondage se condensent en thèmes plus vite qu'un humain qui les lit à la main. La précision est correcte sur les patterns de surface. Les insights profonds réclament toujours quelqu'un capable de repérer le truc bizarre dans les données et de demander pourquoi. L'IA signale qu'il se passe quelque chose. Elle te dit rarement pourquoi.
Écrire de la bonne microcopie. L'exemple que tout le monde cite : « Votre panier vous attend » devient « Votre panier est prêt. Ne manquez pas vos articles favoris. » Les deux marchent. Le second crée plus d'urgence. À choisir selon le contexte. L'usage plus profond, c'est de générer dix variantes d'un message d'erreur en trois secondes et de garder celle qui colle à la voix de la marque. C'était un exercice de trente minutes. C'est maintenant un paragraphe de prompt et un café.
Brouiller des personas en quelques minutes. On donne de la vraie recherche utilisateur à un LLM, on demande trois personas avec citations. Le résultat prend une heure à éditer. Cette heure-là bat les quatre heures d'écriture from scratch. Le truc, c'est l'input : donne-lui de vraies notes de recherche, des transcripts, des tickets de support. Donne-lui rien et tu récupères un stéréotype recyclé. L'IA n'est utile qu'autant que les données que tu lui fournis.
Générer des wireframes de départ. Uizard et les fonctionnalités IA de Figma prennent une description et produisent une mise en page. C'est générique, mais le problème de la page blanche est réglé. Le wireframe sera faux sur des points importants. C'est OK. C'est plus rapide de réagir à un wireframe faux que de partir de rien.
Accélérer l'analyse des tests d'usabilité. Maze et UserTesting ont sorti des fonctionnalités qui repèrent les points de friction sur des centaines de sessions, en attrapant des patterns qu'un seul reviewer humain manquerait dans le volume. Le ratio insights par heure d'analyse est multiplié par cinq pour certaines équipes. Si l'analyse est correcte, c'est une autre question, et c'est là que les humains doivent encore regarder de près.
Ce que l'IA fait mal
Le jugement visuel manque. L'IA ne sait pas dire si une mise en page « sonne juste ». Un designer senior repère une UI générée en quelques secondes : un alignement presque-mais-pas-tout-à-fait cohérent, des espaces mathématiquement corrects mais visuellement faux, des couleurs qui touchent juste au minimum d'accessibilité et rien de plus. Le résultat est techniquement correct et émotionnellement plat. L'écart entre techniquement correct et vraiment bon, c'est l'essentiel du métier de design. Les modèles ne sont pas encore du bon côté de cet écart.
La recherche qui surprend. L'IA synthétise ce qui est déjà dans les données. Elle ne sait pas poser la question de relance inattendue. Elle ne lit pas le langage corporel. Les meilleurs moments de recherche sont ceux que personne n'a planifiés, et l'IA est l'inverse de l'imprévu. L'utilisateur qui hésite dix secondes avant de répondre te dit quelque chose que le transcript ne dira pas. L'utilisateur qui semble confus mais dit « oui, j'ai compris » signale un problème d'utilisabilité que les mots ne capturent pas. L'IA lit les mots, pas les silences.
Les cas limites et les états d'erreur. Les UIs générées tombent toujours sur le happy path. Elles oublient ce qui se passe quand l'API est down, quand l'utilisateur n'a pas encore de données, quand quelque chose charge lentement, quand les permissions manquent. Ce sont souvent ces états-là qui font la différence entre un produit qui semble fini ou cassé. L'état d'erreur d'un flow de paiement est plus important que l'état de succès, parce que l'état de succès, c'est quand tout marche, et l'état d'erreur, c'est quand l'utilisateur est déjà frustré et a besoin d'aide.
Le produit avec une personnalité. Les UIs générées sont médiocres avec assurance. Les produits mémorables sont un peu bizarres d'une certaine façon précise, et le bizarre demande quelqu'un qui l'a choisi exprès. L'interface keyboard-first de Linear, les blocs de Notion, le ton de la documentation Stripe. Aucun de ces choix ne sortirait d'un prompt IA. Ils sont sortis d'équipes qui ont fait des choix opinionés que le produit moyen n'aurait pas faits. L'IA est l'inverse de l'opinion. Elle produit la médiane.
La partie éthique dont personne ne veut parler
Deux vrais problèmes et un faux.
Le premier vrai, c'est la fuite de données. Si tu balances des données utilisateur dans un LLM hébergé, ces données peuvent entraîner les futurs modèles. La plupart des équipes s'en rendent compte quand le légal pose la question. Utilise des paliers entreprise avec accord no-training, ou fais tourner les modèles localement pour les données sensibles. La revue NN Group des outils IA pour le design couvre les bonnes questions à poser avant d'en adopter un. Précisément : où vont les données, qui y a accès, ce qui se passe si le vendeur pivote ou ferme, quelles sont tes obligations selon les contrats clients. Aucune de ces questions n'est hypothétique. Toutes ont causé de vrais incidents ces deux dernières années.
Le deuxième, c'est l'amplification des biais. L'IA entraînée sur des UIs existantes reproduit les patterns existants, y compris ceux qui excluent des utilisateurs : cibles tactiles trop petites, contrastes faibles, sélecteurs de langue manquants, copie qui suppose un contexte occidental, flux hostiles aux lecteurs d'écran. L'IA ne règle pas les problèmes d'accessibilité. Elle les approfondit souvent. Le modèle a vu un million de designs inaccessibles et zéro design accessible avec les bonnes métadonnées. Il produira plus de ce qu'il a vu. Le remède est simple et insatisfaisant : revoir chaque sortie IA pour l'accessibilité avant de livrer. Les outils pour auditer ça existent. La plupart des équipes ne les lancent pas.
Le faux problème, c'est la panique existentielle « l'IA va remplacer les designers ». L'IA remplace certaines tâches. Le travail de production, les brouillons de mise en page, les variantes de copie, l'analyse de patterns. Aucune de ces tâches n'était ce qui rendait un designer précieux. Les designers qui perdent leur job sont ceux qui ne faisaient rien d'autre. Les designers qui font du travail stratégique, construisent la confiance avec les équipes interfonctionnelles et exercent leur goût ne sont pas remplaçables par les modèles actuels, et les modèles ne sont sur aucune trajectoire pour les remplacer dans un horizon que je peux voir. La panique est plus forte chez les designers dont la carrière reposait sur le travail que l'IA automatise le mieux, ce qui n'est pas surprenant.
Quoi faire cette année
Utilise l'IA pour la couche de production. Wireframes, copie, brouillons de personas, analyse de tests. Évite-la pour les parties où il fallait être dans la pièce : conversations de recherche, critique de design, revue des cas limites, décision de ce qui sort. Les équipes qui font ça bien ont un modèle mental clair de quelles tâches sont « IA-first » et quelles sont « humain-first », et arrêtent de se débattre.
Mets en place un workflow. Le mien ressemble à ça : IA pour le premier brouillon de tout ce que j'écris, tout ce que je croque, tout ce que je résume. Revue humaine pour tout ce qui sort, tout ce qui implique du goût, tout ce qui implique de la confiance. La frontière bouge légèrement chaque trimestre à mesure que les outils s'améliorent. La structure reste.
« La seule façon de gagner, c'est d'apprendre plus vite que les autres. » — Eric Ries, The Lean Startup
Si tu n'apprends qu'un seul outil cette année, choisis celui que ton équipe adopte vraiment. L'écosystème IA change tous les trimestres. La maîtrise d'un outil vaut moins que le jugement pour bien utiliser n'importe lequel. Le designer qui connaît trois outils en profondeur livrera plus que celui qui en connaît dix superficiellement, à chaque fois.
Le jeu plus long : l'IA change ce pour quoi les designers devraient être recrutés. La question d'entretien n'est plus « montre-moi un beau fichier Figma ». C'est « montre-moi comment tu décides quoi construire ». La première deviendra plus facile à truquer chaque année. La seconde est plus dure à truquer que jamais, parce qu'elle demande de vraiment savoir ce que tu fais.
