Agence UX augmentée par l'IA : opportunité ou menace pour les designers ?
Figma, Lovable, V0, Midjourney… les outils IA transforment en profondeur le workflow des designers UX. Pas en les remplaçant : en leur permettant d'aller beaucoup plus loin, beaucoup plus vite, sur les phases d'exploration.
UX augmentée par l'IA : opportunité ou menace pour les designers ?
La question revient en boucle dans les conférences design, les forums Figma et les conversations d'agence : est-ce que l'IA va remplacer les designers UX ?
C'est une mauvaise question : pas parce qu'elle est naïve, mais parce qu'elle présuppose que le travail d'un designer UX est une liste fixe de tâches, dont certaines peuvent être prélevées et automatisées. La réalité est plus nuancée et plus intéressante : ce que l'IA fait au design, c'est moins supprimer des tâches qu'en redéfinir la vitesse et le périmètre.
En quelques années, une génération d'outils : Figma AI, Lovable, V0, Midjourney, Galileo AI, Relume : a émergé et s'est intégrée dans le quotidien de nombreuses équipes de conception. Ce qu'ils changent concrètement dans le workflow d'un designer UX mérite qu'on s'y arrête.
La phase d'exploration wireframe : de la journée à l'heure
Le wireframing a longtemps été l'étape la plus chronophage de la conception. Non pas parce qu'elle est complexe intellectuellement : mais parce qu'elle demandait un travail manuel important pour matérialiser chaque hypothèse. Produire trois variantes structurelles d'un même écran, c'était une demi-journée de travail. Explorer dix directions différentes pour un parcours complexe, c'était une semaine.
Les outils IA changent radicalement cette équation. À partir d'un brief textuel : description du contexte, des utilisateurs, des fonctionnalités clés : des outils comme Figma AI, Lovable ou V0 génèrent en quelques secondes des structures d'écrans exploitables. Pas des maquettes finales, mais des points de départ qui permettent de réagir plutôt que de créer de zéro.
Ce déplacement est plus profond qu'il n'y paraît. En conception, la qualité de la solution finale est souvent proportionnelle au nombre d'alternatives explorées avant de converger. Un designer qui peut explorer dix hypothèses de structuration dans le temps qu'il lui fallait pour en produire deux a mécaniquement plus de chances de trouver la meilleure solution : ou d'identifier plus tôt les directions qui ne fonctionnent pas.
L'IA ne pense pas à la place du designer. Elle réduit le coût de l'exploration : ce qui en augmente le volume, et donc la qualité du résultat final.
La direction artistique : moodboards et pistes graphiques en temps réel
La phase d'exploration de la direction artistique a toujours posé un problème pratique : comment montrer au client des orientations visuelles suffisamment concrètes pour qu'il puisse réagir, sans investir plusieurs jours dans des maquettes qui seront peut-être abandonnées ?
L'approche classique : assembler des moodboards à partir d'images de référence, de palettes typographiques, de captures de sites inspirants : est longue et souvent frustrante. Les références ne correspondent jamais exactement au contexte du projet, et le client peine à projeter son identité dans des images qui ne lui appartiennent pas.
Les outils de génération d'images IA (Midjourney, Adobe Firefly, DALL-E) changent ça en profondeur. À partir d'une description du territoire de marque et du registre visuel recherché, il est possible de générer en quelques minutes des visuels qui incarnent une direction artistique spécifique : avec les bonnes couleurs, le bon niveau de sophistication, le bon registre émotionnel. Le client peut réagir à quelque chose qui lui ressemble, pas à des références génériques.
Sur les interfaces elles-mêmes, des outils comme Galileo AI ou les fonctionnalités IA de Figma permettent de générer des premières maquettes avec un traitement visuel défini : pas seulement des wireframes gris, mais des écrans avec une direction artistique ébauché. L'exploration DA et l'exploration structurelle se rapprochent, ce qui réduit les allers-retours entre les deux phases.
Les variations et itérations : tester plus, décider mieux
Un des paradoxes du design traditionnel : les décisions les plus importantes : quel parcours retenir, quel pattern d'interaction adopter, quel niveau de guidage proposer : sont souvent prises sur la base d'un nombre limité de variantes. Non pas parce que l'équipe manque d'idées, mais parce que produire chaque variante a un coût.
L'IA réduit ce coût de façon significative. Une fois un composant ou un écran conçu, générer des variantes : différents niveaux de densité d'information, différentes hiérarchies visuelles, différents traitements d'un même contenu : prend quelques secondes plutôt que quelques heures.
Ce volume de variantes produit a un effet direct sur la qualité des tests utilisateurs : on peut soumettre aux participants plusieurs directions réelles plutôt qu'une seule, et les retours sont plus riches, les décisions mieux fondées. On peut aussi itérer plus rapidement après les tests : modifier une direction à la lumière des observations, produire une nouvelle variante, retester : sans que chaque cycle d'itération mobilise une semaine de production.
Le design system : documentation et cohérence accélérées
Le design system est l'un des investissements UX les plus rentables pour une équipe produit : et l'un des plus sous-utilisés, souvent parce que sa construction et sa documentation sont perçues comme un chantier long et fastidieux.
L'IA s'attaque directement à ce point de friction. Des outils comme Figma AI peuvent générer automatiquement des composants cohérents à partir d'un jeu de tokens définis, produire des variantes d'états (défaut, hover, actif, désactivé, erreur) sans manipulation manuelle, et détecter les incohérences entre composants existants. Ce qui prenait une journée pour un composant complexe prend maintenant une fraction de ce temps : avec une cohérence supérieure.
La documentation, traditionnellement la partie la plus négligée des design systems, bénéficie aussi de l'IA : description automatique des règles d'usage à partir des composants existants, génération des spécifications pour les développeurs, annotation des comportements et des états. Ce n'est pas parfait : le designer doit valider et enrichir : mais la base est générée, ce qui supprime la page blanche et réduit le temps de documentation de façon significative.
Les spécifications fonctionnelles : de la production à la vérification
Les spécifications fonctionnelles : la documentation qui décrit aux développeurs comment chaque composant se comporte, dans quels états, avec quelles règles de gestion : ont longtemps été une tâche de production pure : longue, nécessaire, peu créative, et souvent mal faite faute de temps.
Des outils comme Zeplin AI, les fonctionnalités d'annotation de Figma augmentées par l'IA, ou encore des assistants de rédaction de specs peuvent aujourd'hui générer un premier niveau de spécifications à partir des maquettes existantes. Le designer passe d'un rôle de producteur à un rôle de vérificateur et d'enrichisseur : ce qui est à la fois plus rapide et plus efficace.
L'impact sur la relation avec les équipes de développement est réel : des specs plus complètes, produites plus tôt dans le projet, réduisent les questions en cours de développement et les allers-retours liés à des comportements non spécifiés.
Ce qui ne change pas : et ne changera pas de sitôt
L'IA accélère la production, multiplie les variantes, réduit les tâches mécaniques. Ce qu'elle ne fait pas : comprendre les utilisateurs, arbitrer dans l'ambiguïté, défendre un choix de conception en réunion, construire une relation de confiance avec un client sur la durée.
La compréhension des utilisateurs : entretiens, observations, tests : reste entièrement humaine. L'IA peut synthétiser des verbatims, identifier des patterns dans des données de navigation, mais elle ne perçoit pas la frustration dans la voix d'un participant, ne détecte pas la contradiction entre ce qu'il dit et ce qu'il fait, ne saisit pas les nuances de contexte qui font la différence entre un insight pertinent et une fausse piste.
Et surtout : la capacité à évaluer la qualité de ce que l'IA produit reste une compétence humaine : et une compétence experte. Prompter efficacement Figma AI ou Lovable, reconnaître ce qui est exploitable dans un output généré, savoir ce qui manque et comment l'améliorer, ces compétences demandent une connaissance profonde des principes UX. L'IA au service d'un designer expérimenté produit des résultats excellents plus vite. L'IA au service de quelqu'un qui ne maîtrise pas les fondamentaux produit des résultats médiocres plus vite.
Ce que ça change pour Wex : et pour nos clients
Dans notre pratique, l'intégration de ces outils a déplacé l'énergie des phases de production vers les phases de jugement et de validation. Nous explorons plus de directions en phase amont, nous soumettons plus de variantes aux clients et aux utilisateurs tests, nous itérons plus vite entre les cycles de tests et de conception.
Le résultat pour les projets : une phase d'exploration plus riche, des décisions mieux fondées, et des livrables finaux plus aboutis : sans que les délais globaux s'allongent. Ce n'est pas un raccourci. C'est une façon de concentrer le temps humain là où il crée le plus de valeur : la compréhension, le jugement, et la conviction que ce qu'on conçoit correspond vraiment à ce dont les utilisateurs ont besoin.
Article publié par l'équipe de l'Agence Wex, qui conçoit et construit des produits digitaux : recherche utilisateur, UX et UI design, développement front et headless, accessibilité et maintenance applicative.
Publié par Équipe Wex