Co-conception et intelligence artificielle : artefacts générés ne valent pas compréhension

Note refondue le 25 mai 2026. Article initialement publié en janvier 2026 — refonte intégrale.

L'apparition d'outils alimentés par modèles génératifs capables de produire des maquettes, des wireframes et des variantes d'interfaces en quelques instants pose une question apparemment simple : à quoi sert encore une démarche de co-conception coûteuse en temps et en ateliers, quand la production des artefacts s'est massivement accélérée ?

La réponse mérite d'être posée clairement. L'intelligence artificielle produit des artefacts. La co-conception construit la compréhension des besoins à partir desquels un produit ou un service peut être pertinent. Ces deux activités ne sont pas substituables. Confondre la vitesse de production avec la qualité de la conception est l'erreur opérationnelle la plus fréquente que les équipes design observent depuis deux ans.

Cette note expose la distinction, qualifie ce que les outils de génération absorbent réellement, identifie les zones où la pratique humaine reste structurante, et propose un cadre qui rend l'articulation opérationnelle.

Ce que les outils de génération absorbent effectivement

Les capacités des outils alimentés par modèles génératifs sur les activités de design sont réelles et méritent d'être reconnues clairement, plutôt que minimisées par défensive professionnelle.

La production rapide de wireframes d'abord. À partir d'une description textuelle, les outils produisent désormais des maquettes structurées et exploitables en très peu de temps. Cette capacité change la phase exploratoire d'un projet : ce qui demandait classiquement plusieurs jours de production manuelle peut désormais se traiter sur un horizon nettement plus court.

La génération de variantes ensuite. Là où une équipe produisait classiquement trois variantes pour un test A/B, les outils permettent désormais d'en produire facilement un nombre substantiellement plus élevé. Cette pluralité change la qualité de l'exploration : les équipes ne sont plus contraintes par leur capacité de production à n'envisager qu'un nombre restreint d'options.

L'analyse de référentiels complète la liste des forces. Examiner des centaines d'interfaces existantes pour identifier les patterns récurrents, les conventions sectorielles, les approches qui ont émergé sur un type de produit donné, demande désormais quelques minutes plutôt que plusieurs jours d'analyse manuelle. Cette accélération nourrit la phase d'inspiration sans la remplacer.

Le prototypage interactif ferme la liste. Les outils produisent désormais des interfaces interactives — pas seulement des images statiques — qui permettent de tester un parcours utilisateur dans des conditions proches du produit final. Cette capacité raccourcit substantiellement le délai entre l'idée et le premier test concret.

Pour une PME suisse avec un budget design contraint, ces capacités constituent un accélérateur réel. Elles ne dispensent cependant pas des activités qui suivent.

Trois zones où la pratique humaine reste structurante

Au-delà des artefacts produits, trois zones restent largement étrangères à ce que les outils génératifs absorbent, et c'est sur ces zones que la valeur durable de la co-conception se construit.

L'empathie et l'écoute active d'abord. La co-conception commence par une écoute qui dépasse le verbal. Un praticien expérimenté capte les hésitations, les contradictions, les émotions non verbalisées d'un utilisateur en situation. Il perçoit qu'un client dit « c'est bien » en fronçant légèrement les sourcils, et il creuse cette dissonance. Cette capacité d'observation incarnée n'est pas reproduite par les systèmes alimentés par modèles, qui travaillent à partir de données textuelles ou structurées, pas à partir du langage corporel ou du contexte émotionnel d'un échange.

Le contexte culturel local ensuite. Le marché suisse — et plus encore la Suisse romande dans ses spécificités — a des caractéristiques que les modèles entraînés majoritairement sur des données anglo-saxonnes ne saisissent pas par défaut. Le rapport à la discrétion, la valeur accordée à la qualité plutôt qu'au volume, la sensibilité au multilinguisme français-allemand-anglais, les attentes de conformité élevées sur les sujets de protection des données, façonnent les besoins des utilisateurs locaux. Un atelier de co-conception avec des clients à Genève et un atelier équivalent à Zurich révèlent des différences subtiles mais décisives dans les attentes d'expérience que les patterns visuels génériques ne capturent pas.

Les besoins non exprimés complètent la liste. Les besoins les plus structurants pour une démarche produit sont souvent ceux que les utilisateurs n'expriment pas — soit parce qu'ils les considèrent comme évidents, soit parce qu'ils ne savent pas qu'une solution existe. La co-conception fait émerger ces besoins latents par l'observation des pratiques réelles, par des exercices créatifs qui dépassent la formulation verbale, par la confrontation avec des prototypes qui révèlent des préférences que l'entretien direct ne fait pas apparaître. Les modèles génératifs travaillent sur les patterns présents dans leurs données d'entraînement ; ils ne révèlent pas ce qui n'y figure pas.

Une articulation en quatre phases

La pratique observable des équipes qui réussissent leur articulation entre co-conception humaine et accélération par modèles génératifs se déploie typiquement en quatre phases distinctes, chacune avec un dosage différent entre les deux.

La recherche utilisateur d'abord — phase entièrement humaine. Cette phase consiste à mener des entretiens, des observations terrain, des ateliers de co-conception avec les utilisateurs cibles, à documenter les insights, les frustrations, les besoins exprimés et non exprimés. Aucun outil alimenté par modèle ne remplace cette confrontation directe au réel. Les équipes qui tentent l'économie de cette phase produisent des artefacts visuellement convaincants qui ne résolvent pas les bons problèmes.

La génération de concepts ensuite — phase combinant humain et modèles. À partir des insights collectés en phase un, les outils accélèrent la production de variantes et de directions visuelles que l'équipe sélectionne, combine, détourne. Cette phase d'idéation tire un bénéfice tangible de l'accélération, sous condition que les insights de la première phase la nourrissent réellement.

Le test et l'itération complètent la séquence — phase à dominante humaine. Les concepts sont présentés aux utilisateurs dans des sessions de test où l'observation directe des réactions, des hésitations, des préférences inattendues, constitue le matériau de l'amélioration. Cette confrontation au réel ne se substitue à aucune métrique algorithmique, parce que les métriques quantifient ce qu'elles peuvent quantifier, pas nécessairement ce qui compte pour la pertinence du produit.

L'affinage ferme la séquence — phase combinant humain et modèles. Sur les concepts validés par le test, les outils permettent d'itérer rapidement sur les micro-interactions, les variations de parcours, les optimisations de détails. Le designer humain supervise et arbitre ; le modèle exécute les variations.

Le cadre de supervision humaine

Intégrer les outils génératifs dans une démarche de co-conception exige un cadre de gouvernance explicite, sans lequel les biais des modèles se propagent silencieusement dans les produits finaux. Trois principes structurent ce cadre.

La validation systématique avant exposition d'abord. Chaque livrable produit par un modèle — maquette, parcours, contenu visuel — passe par une revue humaine avant d'être présenté aux utilisateurs. L'outil propose, le designer dispose. Cette discipline n'est pas une formalité administrative ; elle constitue le mécanisme qui empêche les choix par défaut des modèles de devenir les choix de l'entreprise par négligence.

La traçabilité des décisions ensuite. Documenter quelles parties du design proviennent d'une génération automatisée et quelles parties résultent de la recherche utilisateur facilite le débogage ultérieur de l'expérience, et prépare l'organisation aux exigences de transparence qui se précisent dans le cadre réglementaire européen. Cette traçabilité ne demande pas une infrastructure lourde — quelques annotations méthodiques suffisent.

La primauté du retour utilisateur sur la recommandation algorithmique complète la liste. Lors des sessions de test, les retours des utilisateurs priment toujours sur les recommandations produites par les outils. Si un système suggère un parcours optimisé par des métriques d'engagement, mais que les testeurs trouvent ce parcours déroutant, c'est le ressenti humain qui l'emporte. Cette hiérarchie évite la dérive vers une optimisation des métriques au détriment de la satisfaction réelle.

Ce cadre est particulièrement pertinent dans le contexte suisse, où la Loi fédérale sur la protection des données^[1] impose une transparence accrue sur l'utilisation des systèmes automatisés dans les processus qui affectent les utilisateurs.

Ce que la pratique permet d'observer dans le marché suisse

Trois constats émergent de la pratique observable dans le marché suisse.

Les interfaces co-conçues avec les utilisateurs réels présentent une qualité d'usage que les interfaces produites exclusivement par modèles n'atteignent pas. Cette qualité ne se mesure pas seulement par les métriques d'engagement, qui peuvent être satisfaisantes dans les deux cas ; elle se mesure dans la durée par la rétention, par les recommandations spontanées, par la fidélité du client qui reconnaît dans l'interface une attention à son contexte.

La co-conception devient un avantage concurrentiel relatif dans un marché où la production d'artefacts visuels s'est démocratisée. Quand chaque concurrent peut produire des interfaces visuellement satisfaisantes en quelques jours, la différence se fait sur la qualité de la compréhension des besoins — précisément ce que la co-conception construit et que les outils ne reproduisent pas.

L'accessibilité de la pratique aux PME s'élargit grâce à l'accélération de la phase de production. Un sprint de co-conception court — typiquement quelques jours, articulant une phase de recherche terrain, une phase de génération assistée, et une phase de test et d'itération — devient désormais accessible à des organisations qui ne pouvaient pas, il y a peu, mobiliser une équipe design pendant plusieurs semaines. Cette démocratisation profite aux entreprises qui acceptent d'investir dans la phase de recherche utilisateur, et elle laisse de côté celles qui se contentent de la phase de production automatisée.

La discipline qui distingue la pratique sérieuse

L'intelligence artificielle générative ne remplace pas la co-conception. Elle modifie le dosage entre les phases de la démarche, en absorbant substantiellement la production des artefacts et en libérant du temps pour les activités où la valeur humaine reste irremplaçable.

Pour une entreprise suisse qui adopte cette articulation, trois orientations distinguent l'usage durable de l'effet de mode.

L'investissement dans la phase de recherche utilisateur d'abord. La tentation de raccourcir cette phase parce que les outils produisent désormais des artefacts si rapidement est la principale source d'échec observable. Cette phase reste la fondation de tout le reste, et son raccourcissement coûte plus cher que ce qu'il économise.

La formation à la supervision ensuite. Utiliser les outils de génération avec discernement demande une compétence qui se construit dans la pratique soutenue, pas dans la lecture de modes d'emploi. Cette montée en compétence mérite d'être intégrée dans le plan de développement des équipes design.

La mise en place du cadre de gouvernance complète la liste. Sans validation systématique, traçabilité des décisions et primauté du retour utilisateur, l'usage des outils dérive vers une homogénéisation que les clients perçoivent, parfois inconsciemment, et qui érode progressivement la différenciation que l'entreprise s'efforçait de construire.

La co-conception humaine et l'accélération par modèles génératifs ne s'opposent pas. Elles s'articulent. Cette articulation distingue, là encore, les organisations qui consolident leur capacité produit sur la durée de celles qui se laissent emporter par la facilité apparente des outils du moment.

Sources

[1] Loi fédérale sur la protection des données (LPD), révision du 25 septembre 2020, entrée en vigueur le 1ᵉʳ septembre 2023. www.fedlex.admin.ch/eli/cc/2022/491/fr [↩]

Jérôme Deshaie est CEO de MCVA Consulting SA, cabinet suisse de conseil stratégique en intelligence artificielle, basé en Valais.