Quand l'IA transforme un brief désordonné en prototype exécutable
La première fois que notre équipe a utilisé un outil de prototypage IA en situation réelle, ce qui a frappé n'était pas l'interface qu'il nous fournissait. C'était la rapidité avec laquelle notre phase de conception a cessé de ressembler à une présentation et a commencé à se comporter comme un système.
Nous avons commencé là où nous commençons toujours : des notes éparses d'appels commerciaux, des captures d'écran des parcours concurrents, un tableau FigJam rempli d'idées à moitié mûres. Il y a quelques années, ce bazar aurait été transformé en wireframes, puis en écrans haute fidélité, puis en un fil de commentaires sans fin sur des cas limites que personne n'avait vraiment envisagés. Cette fois, nous avons fait autrement. Nous avons traité le désordre comme une entrée pour un ensemble d'agents dont le travail n'était pas de “make UI” mais de produire quelque chose que nous pourrions réellement essayer de casser.
En l'espace de quelques heures, nous avions un prototype exécutable : permissions, états de base, un parcours heureux fragile mais fonctionnel. Il semblait plus achevé que notre réflexion ne l'était réellement — ce qui, comme nous l'avons découvert, est à la fois la promesse et le piège de l'IA.
Des artefacts statiques à une boucle de conception exécutable
L'IA change la phase de conception, mais pas de la façon promise par les pitch decks. L'intéressant n'est pas que nous puissions produire plus d'écrans plus rapidement. L'intéressant, c'est que la phase de conception elle-même devient exécutable.
Dans les équipes SaaS et plateformes qui travaillent avec des agents plutôt qu'avec de simples outils, le design n'est plus une suite d'artefacts statiques — personas, cartes de parcours, wireframes, maquettes, transfert. C'est une boucle : recherche, hypothèses, prototypes exécutables, évaluation, contraintes du système, itération. La production du designer cesse d'être une pile de fichiers Figma pour ressembler davantage à un manuel d'exploitation décrivant comment le produit — et les agents qu'il contient — sont autorisés à se comporter.
Pourquoi la refonte des flux de travail compte plus que l'adoption de l'IA
La plupart des entreprises n'y sont pas encore. L'enquête McKinsey 2025 State of AI indique que 88 % des organisations utilisent désormais l'IA dans au moins une fonction métier, mais pour la plupart d'entre elles, l'IA reste une expérimentation greffée sur des flux de travail anciens. Les organisations les plus performantes ont presque trois fois plus de chances d'avoir refondu leurs flux de travail autour de l'IA et d'être plus avancées dans le déploiement d'agents IA.
Cette distinction est importante pour le design. Si le processus ne change pas, l'IA n'ajoute qu'une boîte de chat aux mêmes anciens goulots d'étranglement. Quand le processus change, la phase de conception elle-même est réécrite.
Cet article traite de cette réécriture — spécifiquement pour les personnes travaillant sur des produits SaaS et plateforme. Il parle de ce qui se passe lorsque les prototypes commencent à se comporter, lorsque les interfaces servent à la fois les humains et les agents IA, lorsque les systèmes de design deviennent lisibles par machine et lorsque la passation entre design et ingénierie se réduit à un artefact partagé et exécutable. Et il s'agit de ce que font réellement les designers senior comme Aliyeh lorsque l'IA « nettoie le bazar » et ne s'arrête pas là.
Les limites des artefacts de conception traditionnels
Dans le projet SaaS traditionnel, la phase de conception produisait des piles de preuves qu'il se passait quelque chose. Nous interviewions cinq ou dix utilisateurs et transformions leurs citations en personas. Nous cartographiions les parcours avec des post-it et des flèches. Nous esquissions des flux, des wireframes, des interfaces haute fidélité. Peut-être assemblions-nous un prototype pour apaiser les parties prenantes qui avaient besoin de « voir que ça fonctionne ».
Tous ces artefacts étaient utiles, jusqu'à un certain point. Ils aidaient les équipes à parler du produit. Mais ils étaient aussi incomplets par conception.
Une carte de parcours ne peut pas vous dire ce qui se passe lorsqu'une automatisation échoue silencieusement. Un diagramme de flux statique ne montre pas comment un assistant IA devrait répondre quand sa confiance est de 60 % au lieu de 95 %. Même un prototype élégant encode rarement les éléments ennuyeux mais dangereux : permissions, pistes d'audit, réversibilité, récupération après échec.
Outils natifs IA qui rendent le comportement visible
Les outils natifs IA ne règlent pas cela automatiquement, mais ils rapprochent les problèmes de la surface.
Quand un designer se met à travailler avec un système comme Figma Make, v0 ou Bolt, le résultat n'est pas une maquette plate. C'est un artefact que l'on peut réellement solliciter. Les boutons répondent, les formulaires se soumettent, les données s'écoulent dans une direction.
Dans un exemple interne partagé par Figma, une équipe a utilisé Make pour prototyper une interaction de grille complexe en environ une heure et demie — alors que cela aurait auparavant nécessité plusieurs jours de prototypage codé. L'essentiel n'est pas « grille en 1,5 heure ». C'est qu'un designer a pu tester la sensation d'un comportement produit avant que quiconque ne s'engage sur une architecture ou n'ouvre un ticket.
Comment les prototypes exécutables changent les conversations de design
Une fois que l'on peut percevoir le comportement, les approximations deviennent plus difficiles. Plutôt que de discuter pour savoir si la mise en page d'un tableau de bord « a l'air propre », on se demande si un résumé généré par l'IA est autorisé à mettre à jour l'enregistrement sous-jacent sans confirmation humaine. Au lieu de débattre de la couleur d'un bouton, on essaie de décider ce qu'il advient des données d'un client si un agent classe mal un ticket trois fois de suite.
L'IA aide ici, mais pas en tant que styliste. Elle aide en rendant peu coûteux l'obtention d'une première version du comportement visible par tous.
L'écart entre des écrans soignés et un comportement fragile
Il y a un piège. Un outil prompt-to-app peut vous donner quelque chose qui ressemble à un produit fini dans le temps qu'il fallait auparavant pour nommer une page Figma. Un récent benchmark centré sur l'humain de ces systèmes — testant 288 applications générées à partir de 96 prompts sur des outils comme Replit, Bolt et Firebase Studio — a trouvé un écart constant entre la finition visuelle et la fiabilité fonctionnelle. Les participants faisaient moins confiance à ce qu'ils voyaient une fois qu'ils essayaient de s'en servir. Les écrans étaient brillants ; le comportement était fragile.
Pour les équipes de design, c'est précisément dans cet écart que les choses deviennent intéressantes. L'IA facilite plus que jamais la création de quelque chose qui ressemble à un produit avant qu'il ne se comporte comme tel. Cela ne rend pas les designers moins nécessaires. Cela les rend plus responsables.
Quelqu'un doit décider si l'expérience est cohérente, si les états couvrent le désordre du monde réel, si un humain fera réellement suffisamment confiance à l'agent pour le laisser agir en son nom.
