Design et IA : du mockup à l’ensemble d’évaluation

Traiter l’IA comme un matériau impose d’exécuter les modèles, d’observer leur variabilité et d’enregistrer les échecs. Des pratiques concrètes émergent, appuyées par des outils sans ou avec peu de code et une participation accrue des designers au développement, tandis que des travaux et prises de position en clarifient les limites.

Des essais répétés pour capturer la variabilité des modèles

Le code d’échantillonnage peut servir de banc d’essai, permettant d’enregistrer les cas où un modèle brise un design. Contrairement au bois, qui garde son grain, un modèle peut changer après une mise à jour du fournisseur. Les ingénieurs appellent cet enregistrement un ensemble d’évaluation, et les designers sont bien placés pour le rédiger car ils identifient les échecs qui frappent d’abord les utilisateurs. Un design ajusté à un modèle le mois précédent peut échouer sans qu’aucune interface n’ait changé. Pour révéler ces écarts, il faut exécuter les systèmes à répétition : la variation, les erreurs et les délais ne se découvrent qu’en lançant le modèle, qui renvoie des réponses différentes à chaque fois. Un mockup n’est alors qu’un échantillon, tandis que le produit réel est une distribution de sorties. Certaines contraintes temporelles échappent aux maquettes statiques : un seuil conversationnel logiciel est fixé sous 400 millisecondes, et une attente de quatre secondes ne s’y voit pas.

Quatre habitudes pour transformer les sorties en pratique

Quatre habitudes sont proposées pour rendre ces constats opérationnels. D’abord, appeler le modèle directement en sollicitant un script via Claude Code ou Cursor qui envoie de vrais inputs produits et affiche les réponses à lire avant de dessiner les écrans. Ensuite, exécuter chaque prompt 50 fois, trier par longueur, ton et précision, puis concevoir pour la réponse la plus longue et la plus incorrecte. En revue, placer les deux pires des 50 sorties à côté du mockup pour décider collectivement de ce que l’interface doit encaisser. Enfin, enregistrer chaque échec comme cas de test dans un fichier partagé afin de le rejouer à chaque changement de modèle ou de prompt. Le code d’échantillonnage est jetable : il peut être abandonné dans la même journée, son rôle étant uniquement de révéler le matériau.

Outils IA et montée en puissance des designers

La distance entre designers et matériau se réduit. Selon Figma, la part de designers impliqués dans le développement a doublé en un an, passant de 21 % à 41 % en 2026. Des outils comme Claude Code, Cursor et Figma Make permettent de décrire un prototype, de le connecter à un modèle en direct et d’observer ce qui casse en une seule séance. Certaines études ont montré qu’il était possible d’outiller des praticiens sans code, tandis qu’aujourd’hui, pour des modèles linguistiques, quelques lignes suffisent pour accéder à la pratique. En 2023, Geoffrey Litt a soutenu que les modèles linguistiques permettraient à des utilisateurs ordinaires de créer de petits outils. L’auteur décrit la distance historique des designers vis-à-vis du matériau comme un goulet d’étranglement.

Positions contrastées sur le rôle du code en design

Des voix rappellent des limites à l’usage du code par les designers. En 2017, Alan Cooper a écrit que coder n’est pas nécessaire pour être un designer d’interaction de haut niveau. En 2025, Karri Saarinen, chez Linear, a averti que des habitudes centrées sur la production pouvaient affaiblir la réflexion qui soutient un design. Ces mises en garde visent le code destiné à être expédié, et non les scripts jetables employés pour explorer le comportement des modèles.

Des précédents : du Bauhaus aux éditeurs web

L’apprentissage par le matériau possède des jalons établis. Au Bauhaus, le manifeste d’avril 1919 de Walter Gropius orientait vers les métiers, avec des ateliers dédiés au bois, au métal, au verre ou au tissage, et des exercices élémentaires chez Josef Albers pour éprouver les propriétés. Marcel Breuer a dirigé la menuiserie et plié l’acier tubulaire en chaises, tandis que Herbert Bayer a encadré l’impression et la publicité. Avec le web des années 1990, l’outil était l’éditeur de texte et le cycle consistait à saisir des balises, enregistrer puis recharger. Les années suivantes ont vu paraître BBEdit, HoTMetaL, PageMill, FrontPage, HomeSite ou Dreamweaver. Les designers combinant éditeurs visuels et inspection du code validaient sur plusieurs navigateurs, l’éditeur présentant le meilleur cas quand le balisage exposait le reste. En 2000, John Allsopp a décrit la différence de contrôle propre à l’imprimé ; dix ans plus tard, ethan marcotte a démontré le responsive par grilles fluides, images flexibles et media queries ; Frank Chimero a ensuite défendu l’idée d’un « grain » du web. Ces références replacent l’IA dans une continuité d’apprentissage par la matière.

Études récentes : cadrer l’IA comme matériau

Plusieurs travaux ont cadré l’IA en tant que matériau. En 2017, Lars Erik Holmquist a proposé de considérer la technologie avec ses propres limites, et Graham Dove et ses collègues ont rapporté peu d’innovation en design pour le machine learning, attribuée à sa nouveauté et sa difficulté. En 2020, Qian Yang a relié les obstacles à l’incertitude sur les capacités des systèmes et à la complexité des sorties. Bret Victor, en 2012, a mis en avant le besoin d’une connexion immédiate avec ce que l’on crée. Josh Clark, en 2018, a rangé le machine learning aux côtés de HTML et CSS comme matériau de design. En 2023, une étude de K. J. Kevin Feng et David W. McDonald auprès de 27 praticiens a montré que l’expérimentation pratique aidait à aligner le comportement modèle-objectif, à inventer des mécanismes correctifs et à détecter des risques éthiques ; un participant a souligné qu’en l’absence de tests, la fréquence et la manière des erreurs restaient inconnues. Les auteurs ont identifié comme goulet d’étranglement la fabrication des modèles, souvent hors de portée des designers.