L’IA au service du design : exploration de notre P.O.C
Chez ekino, l’objectif de ce P.O.C. est simple : comprendre comment l’IA peut concrètement optimiser nos pratiques et celles de nos clients. Une démarche pragmatique pour tester et intégrer des solutions qui répondent à des besoins réels, sans parti pris technologique.
Pourquoi ce projet ?
Chez ekino, l’innovation est une pratique, pas un slogan. L’essor de l’intelligence artificielle s’impose comme un terrain d’exploration essentiel : au-delà des discours, il s’agit de mesurer son impact réel sur nos processus internes et ceux de nos clients. L’objectif est clair : identifier des usages concrets, capables d’améliorer l’efficacité, d’automatiser les tâches répétitives ou encore d’affiner l’analyse des données. Une approche pragmatique, où chaque avancée technologique est étudiée sous l’angle de sa valeur ajoutée, pour passer de la promesse à l’application.
Nous croyons à la transformation numérique, et nous nous engageons à guider nos client.e.s dans ce processus, de manière objective et pragmatique. Nous ne cherchons pas à imposer des technologies, mais à proposer les solutions les plus adaptées à chacun de nos client.e.s.
Mais expérimenter l’IA ne se résume pas à une simple curiosité technologique. Il s’agit d’un engagement stratégique qui doit à la fois renforcer notre expertise en interne et garantir des recommandations pertinentes pour nos client·e·s.
C’est dans cette logique que nous avons structuré notre réflexion autour de deux pôles :
Dimension interne
Avec pour objectifs :
- D’encourager les équipes à rester compétitives (en les amenant à mener des études approfondies utilisant l’I.A)
- D’anticiper les évolutions du marché, et s’y adapter rapidement
- De favoriser la collaboration pluridisciplinaire (encourager la synergie entre les équipes de data analystes & designers)
- De créer un environnement propice à l’échange de connaissances et de compétences
- De développer une approche holistique des projets d’I.A, combinant analyse de données et compréhension utilisateur
- De stimuler l’innovation en interne : en encourageant la création de nouvelles solutions IA, la mise en place de prototypes innovants, et la culture de l’expérimentation au sein des équipes.
Dimension externe
Avec pour objectifs :
- De démontrer l’expertise de l’entreprise dans l’utilisation de technologies IA avancées, et renforcer l’image de marque en tant que partenaire innovant et à la pointe de la technologie
- D’attirer de nouveaux clients, et fidéliser les clients existants grâce à des solutions IA de pointe
- D’illustrer concrètement comment l’IA peut optimiser les processus et réduire les délais
- De proposer des solutions permettant aux clients d’améliorer leur productivité et de quantifier les gains potentiels en termes de temps et de ressources
- De positionner ekino comme un catalyseur d’innovation pour ses clients
- De montrer la capacité à intégrer des technologies IA complexes dans des solutions pratiques
- D’inspirer les clients à explorer de nouvelles possibilités grâce à l’IA.
Notre hypothèse de travail
Notre preuve de concept s’est construite autour d’une problématique simple :
Comment les grands modèles de langage (LLM) peuvent-ils aider les User Researchers (ou chercheurs UX) à gagner du temps, en simplifiant certaines tâches, tout en préservant la qualité de leur travail ?
Cette preuve de concept explore donc l’hypothèse selon laquelle certaines tâches de la recherche utilisateur peuvent être optimisées par l’IA, sans nuire à la qualité de l’analyse. Elle vise à tester la synergie entre l’expertise humaine et l’IA : les chercheurs UX fournissent des données qualitatives et l’IA aide à les traiter rapidement. Le but est d’accélérer le processus tout en enrichissant les insights, sans remplacer les méthodes traditionnelles, mais en les combinant pour maximiser les résultats. Ce projet cherche donc à valider cette approche, en testant rigoureusement les outils d’IA sélectionnée, dans un cadre contrôlé, notre démarche étant pragmatique et objective.
L’intelligence artificielle ne se résume pas simplement à des outils comme ChatGPT. C’est une technologie complexe, qui peut faire bien plus, encore faut-il savoir la maîtriser. Chez ekino, nous avons des expert.e.s en mathématiques et en I.A, qui savent justement comment créer, analyser et exploiter ces outils. Nous comprenons donc en profondeur le fonctionnement des modèles d’IA, et nous avons la capacité de les vulgariser comme de les adapter à nos besoins. Cela nous permet de travailler sur des projets complexes, en ayant toujours une vision pragmatique et réaliste. Conscients que l’IA n’est pas une solution miracle, nous avons mis en place des garde-fous pour éviter les attentes irréalistes, et assurer des résultats concrets. Chaque outil est utilisé dans ses limites, avec une réflexion critique à chaque étape. C’est l’implication d’experts divers qui nous a permis d’établir des mesures de protection solides pour ce projet. Ces précautions nous ont aidés à :
- Comprendre les capacités et limites des outils d’IA
- Garder un regard objectif et critique
- Éviter un enthousiasme excessif pour l’IA
Cette approche minimise les risques, optimise les ressources et permet de valider rapidement la pertinence de la solution avant un déploiement à grande échelle.
Notre approche pour ce projet pilote : agilité et itération
Les étapes de notre projet ont été les suivantes :
- Définir les objectifs et la portée du POC : Identifier le problème, établir des KPI, et organiser une réunion de lancement avec le client.
- Adopter une approche agile : Utiliser la méthode “Fail Fast, Try Again”, avec des itérations courtes et des échanges réguliers.
- Créer une version simplifiée : Tester à petite échelle dans un environnement contrôlé.
- Préparer et explorer les données : Identifier et évaluer les données pertinentes.
- Tester la faisabilité technique : Vérifier la faisabilité avec les données disponibles.
- Évaluer performances et limites : Mesurer les résultats et identifier les défis.
- Impliquer les parties prenantes : Présenter les résultats et recueillir des retours pour ajuster le POC.
- Documenter les apprentissages : Consigner les découvertes, défis et solutions.
- Préparer la suite : Planifier les prochaines étapes et l’intégration à grande échelle.
Mettre en place, piloter et interpréter les résultats
Le périmètre du P.O.C : les données utilisées
Les données utilisées pour mener à bien notre projet sont issues d’un test utilisateur modéré réalisé avec 16 propriétaires d’animaux recrutés selon des critères spécifiques (âge, sexe, type d’animal, etc.). Ce test s’organise autour d’un document appelé « guide d’entretien », véritable feuille de route pour le chercheur UX.
Le sujet de l’étude utilisée
Le test utilisateur, basé sur des maquettes et un parcours à suivre, évaluait la compréhension, la lisibilité et la clarté des informations des personnes interrogées. L’objectif de ce test utilisateur était de fournir des réponses aux questions suivantes :
- Les utilisateurs comprennent-ils l’intérêt du nouveau parcours ?
- Perçoivent-ils son utilité ?
- Naviguent-ils aisément ?
- Quels points de friction subsistent ?
Synthèse du périmètre de ce P.O.C

Mettre en place la solution : transmettre les données issues de la recherche utilisateur aux outils d’I.A choisis
Un aspect clef de ce P.O.C était l’« harmonisation » entre les éléments fournis par le chercheur UX, et les modèles d’IA utilisés. Les méthodes traditionnelles des chercheurs UX, très structurées, nécessitent un cadrage précis que les modèles ne peuvent pas deviner.
Ce travail de cadrage visait à minimiser les erreurs dues à une mauvaise interprétation des données par les modèles. Plusieurs itérations ont été nécessaires pour aligner les pratiques des chercheurs UX avec les capacités des modèles d’IA, un processus appelé « effet d’entraînement ».
L’enjeu principal était d’adapter les informations collectées lors des tests (les artefacts verbaux) de manière simplifiée et contextualisée pour les Data Scientists. Un « effet papillon » se produit alors : plus le « contexte » donné aux modèles est précis, plus la qualité des résultats est augmentée. Une étape opérationnelle-clef a été la « catégorisation » des informations pour que les Data Scientists puissent les traiter de manière adéquate.

« Dans le cadre de ce test, deux versions de prototypes ont été vues et testées par les participants du test utilisateur.
Pendant celui-ci, les participants ont été amenés à naviguer, depuis la page d’accueil du site de notre client, sur des contenus relatifs à inivers des chiots et chatons. Leur attention était portée sur l’attrait du contenu, leur satisfaction à l’égard de celui-ci, et leur perception de la navigation faite sur ces différents prototypes.
Les participants ont commencé le test sur la page d’accueil sur site de notre client, à partir de laquelle ils ont ensuite dû identifier les accès à ces contenus d’univers chiots et chatons. Et parcourir différentes pages propres à ces contenus (d’une landing page à une category page) »

Les résultats
Pour interpréter la qualité des résultats livrés par les outils d’IA utilisé, nous avons choisi une mesure simple, énoncée sous forme d’une question : les réponses fournies aident-elles le chercheur UX dans son analyse ?
Le tableau ci-dessous résume les points positifs et axes d’améliorations concernant les résultats obtenus.

Cette preuve de concept montre que l’IA et les grands modèles de langage sont des outils précieux pour les chercheurs UX, notamment sur trois points clés :
1-L’accessibilité
Les outils et méthodes de recherche peuvent être complexes et difficiles d’accès. L’IA pourrait rendre les résultats de la recherche plus accessibles en simplifiant la communication des travaux, permettant à un public plus large de les comprendre et d’y accéder.
2-Massification des données
L’IA permet de traiter de grands volumes de données plus rapidement, offrant ainsi un gain de temps substantiel pour les chercheurs, et leur permettant de dégager des insights plus rapidement.
3-Suggestion d’enseignements et pistes d’analyse
L’IA pourrait devenir un “cerveau” supplémentaire pour proposer des pistes d’analyse, bien qu’il existe des limites évidentes à ses capacités. Elle restera un outil de facilitation, mais ne remplacera pas la finesse d’analyse et la capacité de réflexion d’un chercheur UX.
Le gain de temps est indéniable, mais il est important de garder en tête que l’I.A ne remplacera pas la capacité cognitive et l’intuition d’un chercheur UX. Et c’est là une des limites évidentes : les grands modèles de langage ne remplaceront pas certaines compétences uniques des chercheurs UX. Car dans notre métier, il y a deux paradigmes essentiels :
Les évidences : Hypothèses confirmées lors de l’analyse (par exemple, vérifier si un utilisateur remarque un C.T.A pendant le test).
Les impondérables : Signaux faibles difficiles à prévoir, mais riches en sens et en valeur. Ils nécessitent une interprétation fine de la part du chercheur.
Si l’intelligence artificielle devait alors permettre au chercheur de passer rapidement le premier point (les évidences), elle aura toutefois beaucoup de mal à appréhender et découvrir, par elle-même, ces impondérables.

Cette agilité d’esprit, cette flexibilité de raisonnement, est propre aux chercheurs UX, et ne pourrait être répliquée, ou mimée, par l’intelligence artificielle. Ces informations étant impossibles à « encoder » et préprogrammer, elles supposeront donc toujours une intervention humaine.
Aussi, la collaboration et l’équilibre entre l’expertise humaine et l’IA seront cruciaux. L’IA ne sera efficace que si elle est nourrie de données de qualité, comme le montre l’exemple d’une icône mal interprétée par les utilisateurs.
Les LLM, ne pouvant saisir le “signifié” d’une image sans contexte, ne peuvent remplacer l’interprétation des chercheurs UX face à ces feedbacks utilisateurs, difficilement anticipables ou mesurables.
Pourquoi ce P.O.C permet-il d’améliorer l’expérience client ?
Parce qu’il a un potentiel de réplicabilité fort. Ce P.O.C semble nous avoir démontré l’apport des LLM, et permis d’identifier des axes à forte valeur ajoutée pour les entreprises que nous conseillons. Pour celles-ci, ce dernier est la démonstration qu’il est tout à fait possible d’intégrer la User Knowledge, grâce à un accès simplifié et tangible, dans leur process.
Ce P.O.C démontre également l’importance de l’accompagnement aux changements (en rendant la donnée utilisateur accessible, davantage de end-value se dessine pour une entreprise – par exemple, un responsable produit qui n’aurait plus qu’à accéder, qu’en quelque clics, via les LLM, à de la connaissance sur des résultats issus de recherche UX, en questionnant directement le LLM).
Enfin, il est également imaginable de considérer que les résultats issus de ce P.O.C peuvent se voir enrichis de données business supplémentaires, et donc, contextualisés, dans un écosystème d’enjeux plus complexes (en incorporant à ces LLM une vision d’analyse sectorielle, de veille, etc.).
Conclusion : Un mélange d’expertise pour une valeur ajoutée forte en interne
Dans ce P.O.C, ekino a su créer une valeur ajoutée significative en combinant de manière fluide ses expertises en design et en data. Cette approche pluridisciplinaire a permis de relier de manière stratégique l’intuition créative des designers et l’analyse rigoureuse des data scientists, maximisant ainsi les résultats du projet. En réunissant ces deux compétences, nous avons non seulement optimisé le processus de recherche, mais également enrichi la qualité des insights produits.
L’expertise en design a permis de cadrer finement les données qualitatives recueillies lors des tests utilisateurs, en les rendant compréhensibles, accessibles et pertinentes. Les chercheurs UX ont ainsi pu identifier des éléments clés pour améliorer l’expérience utilisateur, tout en apportant une compréhension contextuelle essentielle que l’IA ne pouvait pas saisir. De l’autre côté, l’expertise en data a permis de traiter ces données avec une rapidité et une échelle que les méthodes traditionnelles ne permettaient pas, tout en utilisant l’IA pour extraire des patterns, identifier des tendances et générer des pistes d’analyse qui ont nourri la réflexion des chercheurs UX.
Ce mélange de compétences a également permis de surmonter les défis inhérents à l’intégration de l’IA dans un domaine aussi nuancé que la recherche utilisateur. Tandis que les data scientists ont alimenté les modèles avec des données brutes, les UX researchers ont assuré la contextualisation et l’interprétation de ces données, garantissant ainsi que l’IA génère des résultats vraiment exploitables. Ensemble, ces deux compétences ont créé une synergie qui a non seulement amélioré la vitesse d’analyse, mais aussi la profondeur et la qualité des recommandations générées, aboutissant à une expérience utilisateur optimisée et mieux adaptée aux besoins des clients.
En résumé, ekino a réussi à unir la créativité du design et la rigueur de la data pour offrir une approche de recherche plus agile, plus rapide et surtout plus riche, démontrant ainsi l’importance de combiner ces compétences pour répondre aux défis de plus en plus complexes de l’expérience utilisateur et de la transformation digitale.
Ce P.O.C, un bénéfice notable pour le client
Ce P.O.C a permis de dégager une valeur ajoutée considérable pour notre client en offrant une approche innovante et plus efficace de la recherche utilisateur.
A la suite de ce P.O.C, nous avons pu estimer que la méthode employée, permettait de gagner 15% de temps effectif de travail du chercheur UX (soit une journée de travail complète) au regard de son taux de staffing sur le projet.
En combinant l’expertise en design et en data, ekino a permis au client :
- D’accéder à des résultats plus rapides, plus précis et plus exploitables,
- Tout en enrichissant la compréhension des comportements utilisateurs.
- Grâce à l’intégration de l’intelligence artificielle, nous avons pu traiter des volumes importants de données de manière plus agile, permettant ainsi de dégager des insights clairs et actionnables en un temps record.
L’un des principaux bénéfices pour le client a été :
- La simplification de l’interprétation des résultats.
En utilisant l’IA pour automatiser certaines tâches d’analyse, nous avons offert à notre client la possibilité de se concentrer sur les éléments stratégiques de l’expérience utilisateur, tout en accélérant les délais de prise de décision.
Par ailleurs, l’approche combinée Design + data a permis de :
- Prioriser les insights les plus pertinents, en liant les données quantitatives générées par l’IA aux contextes qualitatifs riches fournis par les chercheurs UX.
Les LLM utilisés nous ont proposé plusieurs centaines de retours contextualisés sous forme d’insights. Ceux-ci ont ensuite été classé par ordre d’importance aux regards des objectifs que nous avions posés. Pour aboutir à une vingtaine d’insights de premier plan totalement exploitables.
Cela a assuré que les recommandations formulées soient non seulement basées sur des données solides, mais aussi adaptées aux besoins réels des utilisateurs.
En outre, l’I.A a aussi permis de :
- Massifier l’analyse des données tout en offrant des suggestions d’enseignements et de pistes d’amélioration qui ont été ensuite validées et affinées par les experts UX.
Cette synergie a donc permis au client de mieux comprendre les comportements des utilisateurs, de détecter rapidement les points d’achoppement et d’identifier les leviers à actionner pour améliorer l’expérience globale. Le gain de temps et d’efficacité obtenu grâce à cette approche a permis au client de prendre des décisions plus éclairées, plus rapidement, et de mettre en place des améliorations concrètes de son parcours utilisateur.
En résumé, ce P.O.C a apporté une véritable valeur ajoutée pour le client en rendant la recherche utilisateur plus accessible, plus rapide et plus précise, tout en permettant une meilleure prise de décision. L’intégration de l’IA avec l’expertise en design et data a non seulement amélioré la qualité des insights générés, mais a aussi permis de transformer ces insights en actions concrètes pour optimiser l’expérience utilisateur et, par extension, la satisfaction client.
En définitive, cette collaboration homme-machine, tel qu’elle a été expérimentée dans ce P.O.C, ouvre la voie à une optimisation des processus de recherche, tout en préservant la richesse de l’interprétation humaine. Le véritable potentiel de cette synergie réside dans la capacité à allier la rapidité et la puissance de l’IA avec la réflexion, l’intuition et la compréhension contextuelle des chercheurs UX. Ainsi, le P.O.C a permis non seulement de démontrer l’efficacité de l’IA dans le soutien au processus de recherche, mais aussi de souligner l’importance d’une approche équilibrée et collaborative pour maximiser les résultats et offrir une expérience client de qualité.
Lire plus d’articles
-
11 Minutes read
Quand l’IA se transforme en assistant pédagogique
Lire la suite -
11 Minutes read
Données et design : aller au-delà du data driven design
Lire la suite