Le design thinking confronté à la matière technique
Le design thinking classique part du problème de l'utilisateur, explore des solutions et prototypise vite. Sa force est de ne pas présupposer la technologie. Avec l'IA, cette liberté est trompeuse : la faisabilité d'un modèle dépend des données disponibles, de leur qualité et du comportement erratique d'un système qui ne se contente pas d'exécuter. Un produit qui paraît évident sur un tableau blanc peut se révéler impraticable une fois confronté aux données réelles. Le design thinking appliqué à l'IA doit donc intégrer très tôt une compréhension technique, sous peine de construire un concept séduisant que rien ne soutient solidement.
Cela ne signifie pas abandonner la démarche centrée utilisateur. Au contraire, comprendre ce que la technique permet éclaire le travail d'exploration : plutôt que d'imaginer un assistant omniscient, on cible une tâche précise où le modèle apporte une valeur réelle. Le design thinking IA produit se joue dans cet aller-retour entre un besoin observé et une capacité technique vérifiée. Réduire l'un à l'autre mène à l'échec : un produit parfaitement technologique mais inutile, ou un produit désirable mais impossible à tenir en production. Cette double contrainte n'est pas un frein créatif : elle oriente l'exploration vers des idées que l'organisation peut réellement servir.
Prototyper vite, mais quoi ?
Le prototypage rapide reste un pilier. Mais avec l'IA, le prototype ne peut plus être une simple maquette visuelle : il faut éprouver le comportement du système. On construit des démonstrations qui exécutent réellement la tâche visée, même rudimentaires, pour observer où le modèle se trompe et comment l'utilisateur réagit. Ce prototypage technique, mené tôt, coûte cher en apparence mais évite d'investir dans un concept que les données ne porteront jamais. Il faut accepter que la première version soit imparfaite, à condition qu'elle renseigne honnêtement sur la faisabilité. Ce qui compte, ce n'est pas la finition du prototype, mais la fiabilité de ce qu'il démontre.
Cette pratique exige une discipline particulière. Un prototype d'IA ne se juge pas sur sa capacité à impressionner, mais sur ce qu'il apprend à l'équipe. Les équipes expérimentées définissent à l'avance la question à laquelle le prototype doit répondre : le modèle tient-il sur des cas réels, l'utilisateur comprend-il ce qu'il peut attendre de la réponse, le coût est-il supportable ? Sans cette clarté, le prototypage devient une démonstration qui flatte sans décider. Le design thinking avec IA retrouve ici son exigence première : moins produire des objets séduisants que réduire l'incertitude avant d'engager les ressources de construction.
La recherche utilisateur à l'ère des modèles
La recherche utilisateur garde tout son sens. Observer, interroger, comprendre le contexte d'usage reste irremplaçable, et aucune performance de modèle n'en dispense. Ce qui change, c'est l'objet de la recherche : au-delà de la fonction attendue, il faut explorer la confiance. Comment l'utilisateur interprète-t-il une réponse incertaine, accepte-t-il une erreur, ajuste-t-il son usage ? Ces questions relèvent de l'enquête de terrain, pas du banc de test. Les équipes qui prennent le temps d'y répondre conçoivent des produits dont l'usage tient dans la durée. Une hypothèse de confiance mal vérifiée coûte plus cher à corriger après le lancement qu'à documenter avant.
La recherche aide aussi à cadrer le périmètre. Un besoin exprimé par les utilisateurs ne justifie pas toujours une solution d'IA : parfois une règle simple ou un formulaire bien fait suffit et coûte moins. Le design thinking garde ici sa fonction de garde-fou : distinguer le problème réel de l'attrait pour la nouveauté. Beaucoup de projets d'IA se sont éteints faute d'usage clair, non par manque de technique. La démarche centrée utilisateur sert précisément à éviter cette dérive, en vérifiant que la technologie répond à un besoin identifié plutôt qu'à une mode interne.
Du concept à un produit tenable
Passer du prototype au produit pose des questions nouvelles. Un système d'IA se dégrade : les données évoluent, les usages dérivent, la performance mesurée au lancement ne se maintient pas sans surveillance. Concevoir un produit tenable suppose de prévoir cette maintenance dès la conception : indicateurs de suivi, procédure de mise à jour du modèle, moyen de recueillir les retours. Un produit livré sans dispositif de veille technique et métier vieillit vite et trompe ses utilisateurs. La conception ne s'achève donc pas au lancement, elle se poursuit dans l'exploitation quotidienne.
Le cadre de gouvernance s'invite dans cette phase. La norme ISO/IEC 42001 propose d'organiser ces responsabilités dans un système de management, et le règlement européen sur l'intelligence artificielle impose, pour certains usages, une surveillance des risques échelonnée sur 2025 et 2026. Pour une entreprise, cela signifie documenter les choix, tracer les versions et savoir qui répond de quoi. Loin d'être un frein, cette structure aide un produit à durer : elle transforme une intuition de conception en engagement tenu. Le design thinking et l'IA se rejoignent finalement sur une même exigence — décider en connaissance de cause, puis assumer ce qui a été décidé.
Aller plus loin
Chez Cabinet MARA, notre formation au design thinking appliqué aux produits d'IA articule exploration centrée utilisateur, prototypage technique et gouvernance dans la durée. Le catalogue des 31 formations permet de compléter par les métiers de la conception et de la donnée.
Vous voulez maîtriser ce sujet en pratique ?
Cabinet MARA forme en ligne, sur des cas réels, avec des modules courts et un suivi de progression.
Voir la formation liée Les 31 formations