Prototypage par IA : tester plus tôt avec des cas concrets chez Ramp

Les équipes design s’appuient sur des outils d’IA pour générer des prototypes interactifs proches du produit final et les confronter rapidement à des utilisateurs. Des projets menés chez Ramp et une étude de cas à Purdue décrivent ce que ces approches rendent praticable et où restent les garde-fous, notamment en matière de méthode et de données.

Des limites méthodologiques et des précautions sur les données sont posées

Le cas documenté à l’université Purdue relève d’une étude séquentielle sur un projet unique, et non d’une expérience contrôlée. Il est présenté comme une illustration de ce qu’il devient possible de construire et de tester, sans constituer une preuve que le prototypage par IA produise de meilleures recherches. Les chercheurs rapportent au passage un approfondissement de la compréhension du problème lorsque l’équipe est passée à un prototype interactif généré par IA. Obtenir des résultats exploitables avec ces outils reste conditionné par le contexte et les directives de conception fournis. Lorsque des données réelles sont mobilisées, il est explicitement recommandé de respecter les politiques de données et d’exclure toute information personnellement identifiable, en vérifiant aussi les politiques de l’outil utilisé pour comprendre l’usage potentiel de ces données. Un test pilote rapide est conseillé avant une étude, pour valider le fonctionnement du prototype et prévenir des incompréhensions non prévues.

Ce que l’IA change: un prototype réaliste en une journée, testé plus tôt

Grâce aux outils d’IA, il devient possible de réaliser un prototype fonctionnel et crédible en l’espace d’une journée, la production s’en trouvant suffisamment accélérée. Ils permettent dès l’origine d’inclure des données de participants plausibles, une grande variété d’états, des filtres avancés et des réponses issues de modèles génératifs. Ce cumul autorise des tests plus précoces et plus fréquents, suivis d’itérations au fil de la progression de la recherche. Ces approches rendent praticable la production de prototypes interactifs de haute fidélité, très proches du produit réel, particulièrement utile pour des interfaces complexes comme des filtres, des tableaux de bord ou des agents conversationnels. Les prototypes statiques gardent leur utilité pour des interfaces moins complexes, mais sont limités dès lors que l’exploration de multiples états devient centrale. Là où, auparavant, beaucoup d’équipes se contentaient d’un parcours optimal minimal et attendaient la construction logicielle pour observer des usages réels, il est désormais possible d’anticiper ces observations au stade du prototype.

Chez Ramp, un éditeur de politiques refondu via Cursor et testé sur données assainies

Le prototypage par IA a été adopté par l’équipe design de Ramp dans ses méthodes de travail. Pavan Garidipuri, designer produit senior, s’est servi de Cursor afin de concevoir la nouvelle version d’un éditeur de politique de dépenses, un outil considéré comme difficile à utiliser historiquement. Il explique avoir choisi une solution d’IA en raison du caractère fastidieux d’une méthode manuelle face à la complexité du design d’interaction. La refonte a misé sur une édition via chat IA, avec des réponses d’interface dynamiques qui se prêtent mal aux écrans statiques. Pour les tests, un lien vers un prototype fonctionnel a été transmis à des participants, avec leurs données propres préalablement assainies. Le prototype se comportant comme le produit, les interactions ont été naturelles et les retours précis. L’équipe a repéré des cas particuliers qui auraient pu échapper à une autre approche, dont un point clé : la façon de suivre et d’afficher les modifications prêtait à confusion. Pavan Garidipuri rapporte que ce point n’aurait pas émergé sans un prototype interactif proche de l’interface réelle. Le projet est passé du concept à la démo en trois semaines, avec itérations continues pilotées par les retours clients, et a influencé la feuille de route pour le reste de l’année.

IA conversationnelle : gérer des réponses non déterministes avant le déploiement

Toujours chez Ramp, le designer produit Andrew Lucas a utilisé l’IA pour visualiser un flux de déclaration de dépenses au moyen d’une interface conversationnelle. Cette interface devait produire une réponse sensée à presque toute entrée et pouvait générer des sorties différentes pour une même requête, un comportement non déterministe que les outils de conception fondés sur des écrans fixes représentent mal. Il a employé Cursor pour relier l’interface à un agent générant des sorties non déterministes, de manière à tester un prototype interactif avant déploiement. Les participants pouvaient saisir librement leurs demandes, sans suivre un scénario imposé, ce qui a permis d’observer la manière dont l’agent traitait des requêtes inattendues. Ces types de problèmes émergent lors de tests d’une version quasi finale et peuvent rester invisibles lorsque seules des trajectoires idéales sont présentées.

Purdue : un filtre pour 27 attributs, des retours plus précis avec l’interactif

À l’université Purdue, des chercheurs ont créé une interface de filtrage destinée aux ingénieurs en circulation pour l’analyse de données de trafic complexes. Le jeu de données comptait 27 attributs par événement, dont certains avec des sous-attributs imbriqués. L’équipe a comparé des prototypes statiques construits à la main et des variantes interactives générées par IA. Une première phase, réalisée dans Figma sans assistance IA, a apporté des retours sur le visuel, mais n’a pas permis d’observer les interactions avec les filtres. Or la conception de filtres exige d’évaluer comment le système réagit à des actions telles qu’appliquer ou supprimer un critère, ce qui suppose de laisser les participants utiliser le système comme un produit réel. En phase deux, l’équipe a reconstruit l’interface avec v0 et Bolt, en fournissant des exigences de design et un jeu de données synthétiques, et a diffusé un lien vers un prototype fonctionnel. Les chercheurs rapportent des comportements différents selon les formats : les écrans statiques suscitaient des retours moins spécifiques et semblaient perçus comme trop préliminaires pour une critique approfondie, alors que le prototype interactif généré par IA a conduit à l’identification de problèmes concrets à corriger. La multiplicité des cas particuliers en filtrage est difficile à couvrir avec des maquettes statiques, et la construction manuelle d’un prototype interactif face à de nombreux attributs et sous-attributs est jugée irréaliste. L’apport de l’IA est ici la réduction du temps nécessaire pour produire un prototype qui se comporte comme un produit réel.

Une méthode en étapes et des outils : Cursor, v0, Figma Make

Une séquence d’actions est proposée pour cadrer ces pratiques. Elle débute par la définition de ce que doit accomplir le prototype pour répondre aux questions de recherche : interactions, états, données et types de réponses nécessaires. Viennent ensuite les décisions de conception sur la mise en page, la hiérarchie, les interactions et les cas particuliers, tels que les états vides et d’erreur. La rédaction d’une invite détaillée consolide ces choix : elle décrit l’interface attendue et inclut un fichier de données, avec la possibilité d’ajouter croquis, maquettes, mood boards ou designs existants. Un outil d’IA généraliste peut aider à formater l’invite, le markdown étant généralement le plus simple à traiter par des modèles de langage. Côté données, un jeu synthétique peut être généré via Claude, Gemini ou ChatGPT selon des critères fixés. Les informations ainsi rassemblées peuvent être transmises à des outils de prototypage par IA comme Cursor, v0 ou Figma Make, qui renvoient un prototype interactif fonctionnel. L’étape suivante consiste à modifier la sortie et itérer pour rapprocher le rendu de l’intention initiale. Ces pratiques peuvent soutenir diverses phases de la conception, avec ici un accent mis sur le prototypage rapide pour les tests d’utilisabilité. Pour des interfaces moins complexes, des formats statiques restent pertinents, alors que pour des ensembles d’états étendus, la capacité à approcher le comportement d’un produit réel est centrale.