Le goût est votre atout : comment l’IA et le design thinking façonnent le futur de la création de produits

Qu’est-ce que le goût dans le contexte du design produit ?

Le goût, dans le contexte du design et du produit, désigne la capacité cultivée à reconnaître la qualité, à faire des choix esthétiques intentionnels et à maintenir la cohérence à travers toute l’expérience d’un produit. Ce n’est pas une simple préférence subjective : c’est un jugement discipliné, nourri par la compréhension des principes de hiérarchie visuelle, de typographie, d’espacement, de théorie des couleurs, de psychologie de l’utilisateur et du contexte large de ce qui fait qu’un produit paraît abouti et intentionnel. Le goût, c’est ce qui sépare un produit qui semble soigneusement conçu d’un produit qui paraît simplement assemblé à partir de composants. C’est la différence entre un design qui fonctionne et un design qui enchante. Tout au long de l’histoire de la technologie, le goût a été une caractéristique distinctive des entreprises ayant connu un succès durable. L’attention obsessionnelle d’Apple au détail, l’élégance minimaliste des premières interfaces Google, ou les interactions réfléchies dans des produits comme Figma — toutes sont des expressions du goût à grande échelle. Le goût se manifeste dans des milliers de petites décisions : la teinte exacte du gris pour un texte secondaire, le timing précis d’une animation, l’espace autour d’un bouton, la hiérarchie de l’information sur une page. Chaque décision, prise avec intention et cohérence, contribue à une impression globale de qualité que l’utilisateur ne remarquera peut-être pas consciemment mais ressentira indéniablement. Voilà pourquoi le goût est important : c’est l’accumulation de choix intentionnels qui crée des produits que les gens aiment utiliser.

Pourquoi le goût devient plus précieux à mesure que l’IA progresse

L’idée reçue suggère qu’à mesure que l’IA s’améliore pour générer des designs, le besoin du goût humain diminue. C’est l’inverse qui se produit. À mesure que les outils IA deviennent plus capables de produire rapidement des options de design viables, le goulot d’étranglement se déplace de la génération vers la curation et l’affinement. Quand les designers devaient créer manuellement chaque maquette, chaque itération, chaque variation, la contrainte était la capacité de production. Désormais, alors que l’IA peut générer des dizaines d’options en quelques secondes, la contrainte devient le jugement : la capacité à reconnaître quelles options valent la peine d’être poursuivies, quelles directions s’alignent avec la vision du produit, et quels choix produiront l’expérience la plus cohérente et la plus agréable. Ce changement modifie fondamentalement le métier de designer. Au lieu de passer du temps sur la production mécanique, ils passent du temps à évaluer, affiner et orienter stratégiquement. C’est là que le goût devient inestimable. Un designer avec un goût affirmé peut examiner dix mises en page générées par l’IA et reconnaître immédiatement celle qui possède le bon équilibre, celle qui sert le mieux les besoins de l’utilisateur, et celle qui s’accorde avec le langage de design du produit. Il peut ensuite affiner cette option, la pousser plus loin et s’assurer qu’elle atteint les standards de qualité qui définissent leur produit. En ce sens, l’IA ne remplace pas le goût — elle l’amplifie. Elle donne au designer le levier d’appliquer son goût à une plus grande variété d’options, d’explorer plus loin qu’il ne pourrait le faire manuellement. Les entreprises qui gagneront à l’ère de l’IA sont celles qui comprennent cette dynamique : elles utilisent l’IA pour élargir l’espace des possibles, puis le goût pour naviguer dans cet espace avec intention et cohérence.

Comprendre le cheminement de l’IA : de l’apprentissage automatique classique aux lois de passage à l’échelle

Pour comprendre pourquoi l’IA peut aujourd’hui réellement aider au design, il est important de retracer le chemin qui y a mené. L’histoire de l’IA dans le développement produit s’étend sur des décennies, mais l’accélération récente repose sur une intuition précise : les lois de passage à l’échelle. Le concept de lois de passage à l’échelle — le principe selon lequel des modèles plus grands, entraînés sur plus de données avec plus de puissance de calcul, deviennent exponentiellement plus capables — représente un changement fondamental dans le fonctionnement des systèmes d’IA. Aux débuts du machine learning, l’accent était mis sur des algorithmes ingénieux et l’ingénierie des caractéristiques. Les équipes passaient des mois à concevoir les bons attributs à fournir au modèle, à optimiser chaque paramètre, dans l’espoir d’améliorations incrémentales. Cette approche avait ses limites : aussi ingénieux soit l’algorithme, il existait un plafond à ce qu’il pouvait accomplir. La percée est venue de la prise de conscience qu’il suffisait d’augmenter la taille des modèles, de les entraîner sur plus de données et de leur donner plus de puissance de calcul pour voir émerger des capacités inédites — des aptitudes non explicitement programmées, mais qui apparaissaient à grande échelle. Cette intuition, validée par la recherche d’OpenAI et d’autres, a tout changé. GPT-3, sorti en 2020, a marqué un tournant. Il a démontré qu’un modèle de langage entraîné à grande échelle pouvait accomplir des tâches pour lesquelles il n’avait jamais été explicitement entraîné : écrire du code, répondre à des questions, générer du contenu créatif, et bien plus encore. L’écart entre GPT-3 et les modèles précédents n’était pas incrémental, il était exponentiel. Cette prise de conscience d’un changement fondamental dans les capacités de l’IA a ouvert la porte à de nouvelles possibilités dans tous les domaines, y compris le design. Le principe des lois de passage à l’échelle signifie qu’à mesure que les modèles grandissent et que les données d’entraînement augmentent, les capacités ne progressent pas linéairement, mais exponentiellement. Cela a des implications profondes pour les outils de design. Cela signifie que l’IA peut désormais comprendre le contexte, déduire l’intention à partir du langage naturel, reconnaître des schémas dans les systèmes de design et générer des options cohérentes alignées avec le langage visuel d’un produit. Ces capacités étaient impossibles avec de petits modèles ou des approches classiques. Elles émergent à grande échelle.

L’évolution de l’approche de Figma envers l’IA : de l’imagination à la réalité

Le parcours de Figma avec l’IA s’étend sur plus d’une décennie, même si l’entreprise n’a pas commencé avec de l’IA générative. La mission d’origine — combler le fossé entre imagination et réalité — visait à aider les designers à traduire leurs idées dans le monde numérique. Au départ, cela s’est traduit par la création d’outils de design collaboratifs, de fonctionnalités temps réel en multi-utilisateur, et d’une plateforme sur laquelle les designers pouvaient travailler ensemble sans friction. Mais dès le début, les fondateurs réfléchissaient à la façon dont l’IA pourrait améliorer la création. Au début des années 2010, en explorant les approches de machine learning, l’équipe Figma s’intéressait à la recherche émergente en photographie computationnelle et en retouche d’images. Des articles étaient publiés sur l’utilisation de données à l’échelle d’Internet pour compléter des scènes, réalisant en quelque sorte un “remplissage conscient du contenu” alimenté par l’ensemble du web plutôt que par de simples algorithmes. D’autres recherches exploraient la conversion d’images 2D en scènes 3D grâce à des techniques comme la photogrammétrie et l’estimation de profondeur. Ces concepts étaient fascinants, mais pas encore prêts pour un usage courant : la technologie vous amenait à 85% du résultat, mais pas au bout. Ce n’est qu’avec la maturité du deep learning que ces approches sont devenues pratiques. L’intuition clé était qu’il devait y avoir un moyen de rendre la création plus aisée dans de nombreux domaines, pas seulement pour une tâche spécifique. Cela a mené à la vision “de l’idée à la réalité” — pas “de l’idée au design” ou “de l’idée au prototype”, mais la notion plus large que l’IA pouvait aider à passer de la conception à l’exécution dans toutes sortes de créations. Aujourd’hui, Figma Make représente la concrétisation de cette vision. Ce n’est pas seulement un générateur de design — c’est un outil qui comprend l’intention de design, sait déduire à partir de systèmes de design existants, et aide à explorer l’espace des possibles de manière plus efficace. Le chemin parcouru, des premières discussions sur les réseaux neuronaux et la photographie computationnelle à un produit utilisé quotidiennement par des millions de designers, illustre combien il faut de temps pour que les capacités de l’IA deviennent des outils pratiques et utiles.

Figma Make : relier design, spécification et code

L’un des aspects les plus intéressants de Figma Make est sa position à l’intersection de trois domaines traditionnellement séparés : le design, la spécification et le code. Dans le développement logiciel classique, ces phases étaient distinctes, avec des passages de relais clairs. Un chef de produit rédigeait une spécification, un designer réalisait des maquettes sur cette base, puis un développeur implémentait le design en code. Chaque étape avait ses propres outils, son propre langage, ses propres contraintes. Ce processus en cascade fonctionnait, mais il était lent et générait des frictions à chaque passage. La question que Figma explore aujourd’hui est : et si ces trois représentations de l’intention pouvaient être plus fluides ? Et si un design haute fidélité pouvait servir de spécification ? Si un prototype pouvait remplacer un cahier des charges ? Si le code pouvait être généré à partir du design ? La réponse est que ces trois éléments — spécification, design et code — sont différentes représentations d’une même intention fondamentale. Ce sont différentes façons d’exprimer ce que doit faire un produit et à quoi il doit ressembler. À mesure que l’IA s’améliore pour traduire entre ces représentations, les frontières s’effacent. Figma Make opère dans cet espace hybride. Vous pouvez décrire ce que vous voulez en langage naturel, et il génère un design. Ce design est suffisamment précis pour servir de spécification au développeur. Le design peut être relié au code grâce aux outils développeurs de Figma. Le code peut être analysé pour comprendre l’intention de design et suggérer des améliorations. Cette fluidité est puissante car elle permet à différentes équipes et projets de travailler selon la méthode qui leur convient le mieux. Certaines équipes commencent par un design détaillé. D’autres par un prototype. D’autres encore par le code et utilisent des outils de design pour visualiser et affiner. L’essentiel est que toutes ces approches sont désormais possibles sur une même plateforme, et que l’IA aide à faire le pont entre elles.

Le langage naturel comme interface vers l’espace latent

L’une des réflexions les plus marquantes de Dylan Field est que nous vivons actuellement “l’ère MS-DOS de l’IA” — que le prompt en langage naturel que tout le monde utilise aujourd’hui semblera bientôt aussi primitif que l’interface en ligne de commande. Cette perspective est importante car elle suggère que le langage naturel n’est pas l’aboutissement de notre interaction avec l’IA, mais le point de départ. Les prompts en langage naturel sont un moyen d’explorer ce que les chercheurs appellent “l’espace latent” — l’espace à hautes dimensions de possibilités qu’un modèle a appris. Lorsque vous prompez un modèle d’IA, vous le poussez dans différentes directions de cet espace, explorant divers territoires de possibilité. Le langage naturel est une façon pratique de le faire, car c’est ainsi que les humains expriment l’intention. Mais ce n’est pas la seule, ni forcément la meilleure pour chaque cas. À mesure que les outils d’IA mûrissent, on assistera probablement à une explosion de nouvelles interfaces pour explorer l’espace latent. Certaines seront plus visuelles — curseurs et contrôles pour ajuster les axes du design. D’autres plus structurées — des interfaces qui guident à travers des choix prédéfinis. D’autres encore plus ludiques — des interfaces propices à l’expérimentation et à la sérendipité. La clé, c’est que la contrainte peut libérer la créativité. Un designer qui travaille dans une interface contrainte peut découvrir des possibilités qu’il n’aurait pas trouvées via le prompt libre. C’est pourquoi le futur du design assisté par l’IA ne passe pas seulement par de meilleurs modèles de langage, mais par de meilleures interfaces pour explorer l’espace des possibles. Figma Make va déjà dans cette direction. Il gère les prompts en langage naturel, mais comprend aussi le contexte de vos designs existants, sait déduire votre intention à partir du système de design et suggère des options selon les motifs qu’il reconnaît. C’est plus sophistiqué qu’un simple prompt — il s’agit de comprendre l’intention du designer à un niveau plus profond et de l’aider à explorer l’espace du design de façon plus efficace.

Le rôle des systèmes de design dans le design assisté par IA

Les systèmes de design prennent une importance croissante dans le développement produit moderne. Ils codifient le langage visuel d’un produit, les motifs et principes qui assurent la cohérence sur tous les points de contact. Un système de design inclut des échelles de typographie, des palettes de couleurs, des règles d’espacement, des bibliothèques de composants, et les principes qui guident l’utilisation de ces éléments ensemble. Dans le contexte du design assisté par l’IA, les systèmes de design gagnent encore en valeur. Ils servent de garde-fous qui aident l’IA à comprendre à quoi doit ressembler votre produit. Quand Figma Make sait déduire à partir de votre système de design, il peut générer des options déjà alignées avec votre marque, vos règles d’espacement, votre typographie et votre bibliothèque de composants. Cela réduit drastiquement l’ajustement manuel nécessaire. Au lieu de générer un design totalement générique à personnaliser de fond en comble, l’IA peut produire des options prêtes à 80% pour la mise en production. C’est là que la combinaison IA + système de design est puissante : l’IA gère la génération et l’exploration d’options ; le système de design assure la cohérence ; le goût du designer sélectionne et affine les meilleures pistes. Ce système tripartite — IA pour la génération, systèmes de design pour la cohérence, goût humain pour la curation — incarne le futur des workflows de design. Il ne s’agit pas de remplacer les designers par l’IA, mais de leur donner de meilleurs outils pour explorer plus de possibilités tout en préservant la cohérence et l’intentionnalité qui font les grands produits.

Comment FlowHunt applique ces principes aux workflows de contenu et de design

Les principes que Dylan Field expose à propos du goût, de l’IA et des systèmes de design s’appliquent aussi bien à la création de contenu qu’à l’automatisation des workflows. FlowHunt est construit sur la même philosophie : utiliser l’IA pour élargir l’espace des possibles, mais préserver le jugement humain et le goût comme filtres de ce qui est effectivement livré. Dans les workflows de contenu, cela signifie utiliser l’IA pour générer plusieurs options — différents titres, angles, structures — puis appliquer le jugement humain pour sélectionner et affiner les meilleures. Dans les workflows de design, cela veut dire générer avec l’IA des mises en page et variations de composants, mais compter sur le designer pour les évaluer au regard du système de design et de la vision esthétique du produit. FlowHunt intègre ces capacités dans une plateforme unifiée où créateurs de contenu, designers et équipes produit collaborent sur des workflows assistés par l’IA. La plateforme comprend que le goût n’est pas automatisable — il doit être soutenu et amplifié. Grâce à des outils qui facilitent la génération, la comparaison, l’affinage et la cohérence à l’échelle d’un système de design ou d’une bibliothèque de contenus, FlowHunt aide les équipes à appliquer leur goût à grande échelle. C’est particulièrement précieux pour les équipes qui doivent produire de gros volumes de contenu ou de design : au lieu de tout créer manuellement, elles utilisent l’IA pour générer des options, puis appliquent leur goût pour sélectionner et affiner. Résultat : une production de meilleure qualité, plus rapide, et plus cohérente sur tous les points de contact.

L’effacement des rôles et la démocratisation de la création

L’un des effets majeurs des outils de design assistés par IA est l’effacement des rôles traditionnels. Historiquement, les frontières étaient claires : les chefs de produit écrivaient les specs, les designers faisaient les maquettes, les ingénieurs les implémentaient. Chacun avait ses compétences et ses outils. À mesure que les outils IA progressent, ces frontières s’estompent. Un chef de produit peut aujourd’hui créer un prototype sans être designer. Un designer peut générer du code sans être ingénieur. Un ingénieur peut créer des designs sans être designer. Cette démocratisation de la création est puissante, mais elle soulève des questions importantes. Si tout le monde peut générer un design avec l’IA, quelle est la valeur d’un designer ? La réponse : le goût. La valeur du designer ne réside pas dans la maîtrise des outils, mais dans la capacité à reconnaître la qualité, faire des choix intentionnels, et maintenir la cohérence. Ces compétences prennent de la valeur à mesure que l’IA rend la génération accessible à tous. Les designers qui prospéreront sont ceux qui comprennent que leur rôle évolue : de “faiseur de design” à “curateur et affineur de design”. Ils utiliseront l’IA pour explorer plus de possibilités, puis appliqueront leur goût pour sélectionner et affiner les meilleures options. C’est une compétence différente du design traditionnel, mais de plus en plus précieuse. De même, les chefs de produit qui comprennent les principes de design peuvent désormais créer des prototypes plus fidèles pour exprimer leur vision. Les ingénieurs qui comprennent le design peuvent contribuer plus significativement aux choix esthétiques. Résultat : plus de collaboration, plus d’itérations, et au final de meilleurs produits. L’essentiel est que le goût — la capacité à reconnaître la qualité et à faire des choix intentionnels — reste précieux quel que soit le rôle. Ce n’est pas une question de titre, mais de jugement et de vision.

Les lois de passage à l’échelle et l’amélioration exponentielle des capacités de l’IA

Comprendre les lois de passage à l’échelle est essentiel pour saisir pourquoi l’IA est aujourd’hui capable d’aider réellement au design. Pendant des décennies, la recherche en IA avançait par paliers incrémentaux : nouveaux algorithmes, nouvelles techniques, nouveaux procédés — chaque fois, de modestes progrès. L’avancée majeure est venue de l’idée que simplement agrandir les modèles — les entraîner sur plus de données avec plus de puissance — pouvait générer des améliorations exponentielles. Cette découverte, formalisée dans la recherche sur les lois de passage à l’échelle, a changé la trajectoire de l’IA. Les implications sont profondes : à mesure que l’on augmente la taille des modèles et des jeux de données, il faut s’attendre à des gains exponentiels continus. Cela signifie aussi que les équipes qui accèdent au plus de données et de puissance de calcul auront un avantage. Pour les outils de design, cela veut dire que, à mesure que les modèles de langage et les modèles multimodaux s’agrandissent, ils comprendront mieux l’intention de design, déduiront mieux les motifs des systèmes de design, et généreront des options plus cohérentes. Les capacités de Figma Make aujourd’hui sembleront rudimentaires face à ce qui sera possible dans quelques années. C’est à la fois excitant et humble. Excitant, car le champ des possibles est loin d’être épuisé. Humble, car les avantages concurrentiels d’aujourd’hui ne dureront pas s’ils reposent seulement sur la technologie. Le vrai différenciateur, c’est le goût : la capacité à utiliser ces outils au service d’une vision et d’une esthétique claires. Les entreprises qui combineront outils d’IA puissants, goût affirmé et principes de design clairs créeront les produits que les gens aimeront.

Le futur de la création : élargir l’espace des options

La vision ultime de Dylan Field est celle où l’IA aide à explorer un espace d’options bien plus vaste que ce qu’un designer ou une équipe pourraient couvrir seuls. Au lieu d’être limité par ce qu’un individu peut produire, on peut explorer des centaines ou des milliers de possibilités. Le rôle du designer évolue : il s’agit moins de créer que de naviguer dans cet espace élargi — reconnaître quelles directions valent la peine, lesquelles s’alignent avec la vision, et quels choix créeront l’expérience la plus cohérente et la plus agréable. Ce changement bouleverse la façon de construire les produits : plus d’itérations, plus d’exploration, et au final des produits plus intentionnels. Au lieu de s’arrêter à la première solution qui marche, l’équipe peut explorer plusieurs directions et choisir celle qui sert le mieux l’utilisateur et la vision. Le goût devient la variable limitante, non la capacité de production. Les équipes qui gagneront seront celles au goût sûr, capables de l’appliquer avec discipline. Voilà pourquoi Figma Make est si important : ce n’est pas qu’un outil pour générer plus vite, c’est un outil pour élargir l’espace des possibles et aider les designers à le parcourir avec intention. Un outil qui reconnaît que le goût est le vrai avantage, et que l’IA sert à amplifier ce goût en permettant d’explorer et de raffiner davantage de pistes. Le futur de la création n’est pas de remplacer le jugement humain par l’IA, mais d’utiliser l’IA pour élargir l’espace des possibles, puis le jugement humain pour naviguer dans cet espace avec intention et cohérence. C’est la promesse d’outils comme Figma Make, et la raison pour laquelle le goût restera l’atout ultime dans un monde augmenté par l’IA.

Conclusion

La convergence des capacités de l’IA et des outils de design marque une révolution dans la façon de créer des produits. Comme le dit Dylan Field, le goût — cette capacité cultivée à reconnaître la qualité, à faire des choix intentionnels et à maintenir la cohérence — devient le véritable atout concurrentiel précisément parce que l’IA excelle de plus en plus dans les aspects mécaniques du design. Le parcours, des premières expérimentations en machine learning à Figma Make, montre combien il faut de temps pour que l’IA devienne vraiment utile, et combien il est crucial de garder une vision claire des problèmes à résoudre. L’effacement des rôles entre designers, chefs de produit et ingénieurs, permis par les outils d’IA, démocratise la création tout en rendant le goût plus précieux. Les systèmes de design servent de garde-fous pour aider l’IA à générer des options cohérentes et alignées avec la vision d’un produit. Le langage naturel n’est qu’un début : les interfaces de demain permettront d’explorer l’espace du design de manière bien plus sophistiquée. Les lois de passage à l’échelle qui propulsent l’IA moderne laissent présager des progrès exponentiels, mais l’avantage concurrentiel viendra non pas d’avoir la meilleure IA, mais d’avoir le goût et la vision pour l’utiliser au service d’une esthétique claire. Les équipes qui combineront outils d’IA puissants, principes de design solides, vision nette et goût discipliné créeront des produits remarquables. L’avenir de la création n’est pas de remplacer le jugement humain, mais de l’amplifier, d’élargir l’espace des possibles et de donner aux créateurs les moyens d’explorer plus en profondeur et de raffiner plus intentionnellement que jamais.