Concevoir un produit qui intègre de l’IA, ce n’est pas ajouter un écran de plus. Le passage des règles déterministes aux modèles probabilistes déplace le travail du designer : on ne dessine plus des interfaces figées, mais des règles de comportement face à l’incertitude, à la variabilité et à l’erreur.
Microsoft, Google, IBM, Apple et Salesforce ont chacun formalisé un cadre pour baliser ce travail. Ces frameworks convergent sur l’essentiel : transparence, contrôle, feedback, échec gracieux. Ils partagent aussi des angles morts (équité, environnement, sycophancie) que ce guide met en lumière. Bien utilisés, ils servent de grille de réflexion. Réduits à une checklist cochée en fin de projet, ils ne protègent de rien.
Pourquoi concevoir un produit IA change la donne
Du déterministe au probabiliste : on conçoit des comportements, pas des écrans
L’informatique traditionnelle obéit à des règles déterministes : une même entrée produit toujours la même sortie. Un produit IA repose sur des modèles probabilistes : le même prompt ne renvoie pas deux fois la même réponse, et l’erreur fait partie du fonctionnement normal. Ce socle technique change la nature même de l’objet à concevoir.
Le travail de conception se déplace en conséquence. Il ne s’agit plus de dessiner des écrans statiques, mais de définir des règles systémiques de comportement et de dialogue entre l’utilisateur et la machine. L’UX d’un produit IA ne se pense donc pas comme celle d’un produit numérique classique : l’interface n’en est qu’une partie. Les données, le modèle, les résultats générés et le rôle laissé à l’utilisateur en sont des composants à part entière. C’est ce qui sépare le product design appliqué à l’IA d’un projet d’interface ordinaire.
Le paradoxe de l’adoption : beaucoup de déploiement, peu d’usage réel
Les chiffres de 2026 racontent une histoire à deux vitesses. Selon l’enquête Enterprise AI Adoption de Writer, 97 % des dirigeants déclarent avoir déployé des agents IA, mais 48 % qualifient l’adoption de « déception massive » et 29 % seulement constatent un ROI significatif sur la GenAI. Pire pour la sincérité des démarches : 75 % des cadres admettent que la charte IA de leur entreprise sert surtout « pour la forme », et 29 % des salariés (44 % chez la génération Z) reconnaissent contourner ou saboter la stratégie IA interne.
Ce « mirage du déploiement » a une cause largement sous-estimée : une mauvaise expérience utilisateur. On intègre des fonctionnalités IA pour rassurer les marchés, pas parce qu’elles s’insèrent dans les flux de travail réels. Or c’est exactement là que se joue la valeur d’un produit, dans l’usage quotidien et non dans l’annonce. La lecture est claire : le déficit d’adoption n’est pas un problème de modèle, c’est un problème de conception. Concevoir des produits IA utiles suppose de partir des applications métier et de leurs contraintes réelles, pas d’une case « IA » à cocher dans une roadmap.
Cartographie des frameworks de référence
Cinq acteurs structurent aujourd’hui la discipline. Les connaître évite de réinventer des principes déjà éprouvés, à condition de garder un regard critique sur ce que chacun couvre, et ignore.
Microsoft HAX Toolkit : l’ergonomie temporelle et la confiance calibrée
Issu de Microsoft Research (Amershi et al., CHI 2019), le HAX Toolkit propose 18 directives réparties sur quatre moments du cycle d’interaction : la période initiale (poser des attentes réalistes sur ce que le système sait faire), pendant l’interaction (contextualiser les réponses), en cas d’erreur (faciliter la correction et le rejet), puis dans la durée (mémoriser, apprendre, notifier les évolutions). Cette lecture temporelle est son apport le plus utile : elle rappelle qu’une interaction IA se joue sur un fil, pas sur un écran.
Le concept central est la confiance calibrée (appropriate reliance). L’objectif tient en une idée : donner à l’utilisateur les moyens d’évaluer une proposition, au lieu de lui réclamer une confiance aveugle. Deux écueils à éviter en même temps, la surconfiance (accepter une réponse fausse) et la sous-confiance (rejeter un système pourtant performant). Atout opérationnel : une bibliothèque de design patterns filtrable par catégorie de produit, type d’IA et objectif (transparence, personnalisation, fiabilité, équité), qui transforme les principes en exemples réutilisables plutôt qu’en slogans.
Google PAIR Guidebook : centralité humaine et bascule générative
Le People + AI Guidebook de Google réunit environ 23 design patterns organisés en six chapitres : besoins utilisateurs, données et modèles, modèles mentaux, explications et confiance, feedback et contrôle, erreurs et dégradation gracieuse. Son principe directeur mérite d’être encadré au mur de toute équipe produit : « expliquer pour la compréhension, pas pour l’exhaustivité ». Plutôt que de noyer l’utilisateur sous la complexité du modèle, on lui offre des explications contextuelles et actionnables.
La troisième édition ajoute cinq principes propres à la GenAI : autonomie de l’utilisateur, alignement données et modèles, sécurité évolutive, adaptation par le feedback, et une IA « utile » qui augmente les capacités créatives plutôt que la seule vitesse d’exécution. C’est le cadre le plus ancré dans la pratique de la recherche utilisateur, puisqu’il fait des besoins réels le point de départ, avant toute considération de modèle.
IBM : piliers éthiques et principes pour la GenAI
IBM articule cinq piliers de confiance (explicabilité, équité, robustesse, transparence, confidentialité) appliqués à travers cinq catégories opérationnelles : intention, données, compréhension, raisonnement, connaissances. L’ensemble s’ancre dans une éthique « du quotidien » (Everyday Ethics for AI, 2018) et dans un modèle relationnel entre l’utilisateur et la machine, signe que la conception IA y est traitée comme un enjeu de gouvernance autant que d’interface.
Les six principes GenAI présentés à CHI 2024 apportent trois idées réellement neuves. Le design pour la variabilité générative aide l’utilisateur à comparer et trier des propositions multiples au lieu de subir un résultat unique. Le design de co-création organise les prompts assistés et la co-édition. Le design de l’imperfection rend l’incertitude explicite et fournit les outils pour la corriger. Trois manières d’assumer que la sortie d’un modèle est un brouillon négociable, pas un verdict.
Apple HIG et Salesforce Agentforce : discrétion et systèmes agentiques
Les Human Interface Guidelines d’Apple privilégient le machine learning embarqué (on-device) et une forme de discrétion interactionnelle : priorité au feedback implicite, anticipation des erreurs (proposer une alternative plutôt qu’un échec), et indépendance fonctionnelle. Ce dernier point est un garde-fou précieux : le produit doit rester utilisable sans l’IA, via des solutions de repli non algorithmiques. Concrètement, si une tâche est impossible sur l’appareil, le système réoriente vers une tâche proche réalisable au lieu d’afficher un échec sec.
Salesforce Agentforce (2024-2025) vise les systèmes multi-agents et impose des composants d’interface obligatoires : message d’accueil, déclaration de transparence sur la nature non humaine de l’agent, limites explicites, et chemin visible vers un humain. S’y ajoutent des heuristiques d’audit (cohérence, tolérance à l’erreur, teachability) et une accessibilité systématique. Le point commun avec Apple est net : préserver une porte de sortie humaine et refuser l’illusion anthropomorphique. Salesforce va jusqu’à limiter le nom d’un agent à dix caractères pour ne pas survendre son « humanité ».
Les principes transversaux qui marchent vraiment
Au-delà des cinq cadres, quelques principes reviennent partout parce qu’ils résistent au terrain.
Transparence des capacités, et surtout des limites
L’interface doit casser les faux modèles mentaux dès l’onboarding. Présenter ce que le système ne sait pas faire compte davantage, pour la confiance à long terme, que d’exhiber ses capacités « magiques ». C’est un travail d’écriture autant que d’interface : dire honnêtement le périmètre relève du même métier que l’UX writing, là où chaque mot d’interface ajuste l’attente de l’utilisateur.
Corollaire maison : « boosté par l’IA » n’est pas une promesse. L’IA en elle-même n’apporte rien si l’interface ne traduit pas sa valeur et ses limites concrètes. Les chiffres confirment ce bon sens. Les gains spectaculaires annoncés en 2023 (productivité de plus de 66 % selon le Nielsen Norman Group) se sont largement effondrés en conditions réelles (Forrester, 2026), faute d’acculturation et de confiance, deux variables qui se jouent d’abord à l’interface.
Contrôle, correction et boucles de feedback bidirectionnelles
L’utilisateur doit conserver la décision finale : options simples de modification, retour en arrière, reprise manuelle des données générées. Le principe n’a rien d’accessoire, c’est la condition pour que la délégation reste choisie et non subie.
La bonne pratique va plus loin que le bouton « annuler ». Il s’agit de concevoir des boucles où les corrections de l’utilisateur réajustent le modèle en temps réel, créant une dynamique d’apprentissage mutuel (PAIR, HAX G15). Apple pousse la logique du moindre effort dans l’autre sens : ne solliciter un feedback explicite que lorsque c’est strictement nécessaire, et s’appuyer d’abord sur des signaux implicites pour réduire le coût d’interaction. Deux stratégies opposées en apparence, un même objectif : garder l’utilisateur aux commandes sans l’épuiser.
Dégradation gracieuse et affichage de l’incertitude
Face à l’erreur, éviter le blocage de service. Un repli cohérent (suggestion simplifiée, formulaire manuel) vaut toujours mieux qu’un échec sec. Il faut aussi traduire visuellement le caractère non absolu des résultats : niveaux de confiance, sources et probabilités d’erreur rendus intelligibles, sans pour autant surcharger l’interface ni alourdir la charge cognitive de l’utilisateur.
La formalisation la plus aboutie vient d’Apple : si une tâche est impossible sur l’appareil, le système réoriente vers une tâche proche réalisable, au lieu de laisser l’utilisateur face à un mur. La dégradation gracieuse se décide à froid, en amont, pas dans l’urgence d’un incident en production.
Les défis spécifiques à l’IA générative et au non-déterminisme
Ici, les frameworks classiques atteignent leur limite. L’intelligence artificielle générative introduit trois difficultés que la conception d’interfaces déterministes n’avait jamais eu à traiter.
La variabilité des sorties : guider l’affinage, pas le « prompt magique »
Une même instruction produit des résultats différents d’une fois sur l’autre. L’utilisateur peine alors à stabiliser son modèle mental, ce qui crée une désorientation cognitive bien réelle. La tentation est de promettre le « prompt parfait », comme s’il existait une formule qui figerait la sortie. C’est une impasse, y compris sur le plan technique : même réglée à température zéro, l’inférence des modèles ne redevient pas déterministe, à cause de la façon dont les calculs sont regroupés sur les processeurs graphiques. Le design doit composer avec l’instabilité, pas espérer la supprimer.
La réponse ergonomique consiste à outiller le processus plutôt que le résultat : instruments d’orientation, de comparaison et de guidage progressif, pour accompagner un travail itératif de sculptage. C’est l’esprit du design pour la variabilité générative d’IBM : transformer l’instabilité en fonctionnalité, en aidant l’utilisateur à comparer, filtrer et trier plusieurs propositions générées simultanément, au lieu de lui livrer une seule réponse à prendre ou à laisser.
La sycophancie : le piège du consensus dégénératif
Les LLM tendent à s’aligner sur l’opinion et le ton de l’utilisateur au détriment de l’exactitude, un effet de bord de leur entraînement par renforcement (RLHF). Une étude de Stanford (Cheng et al., 2026, publiée dans Science, 2 405 participants) chiffre le biais : les modèles approuvent les actions de l’utilisateur 49 % plus souvent que ne le feraient des humains, y compris quand ces actions sont problématiques ou scientifiquement fausses. Cette flatterie a un coût mesurable : elle réduit les intentions prosociales de l’utilisateur et sa disposition à réparer un conflit. Le Nielsen Norman Group a documenté le même travers côté expérience.
Le risque a un nom : la « spirale délirante » (MIT, Chandra et al., 2026). À force de complaire, l’IA peut enfermer même un utilisateur parfaitement rationnel dans une bulle de croyances fausses, sans jamais mentir : une présentation sélective de faits vrais suffit. Les garde-fous relèvent de l’interface autant que du modèle : imposer des contre-arguments systématiques (exiger la thèse opposée la plus robuste) et amener l’utilisateur à déclarer sa conviction pour ordonner à l’IA de la réfuter. Concevoir contre la sycophancie, c’est assumer qu’un bon produit IA vise la qualité de la décision de l’utilisateur, pas son approbation.
Les fonctions de forçage cognitif : ralentir pour mieux décider
Une fonction de forçage cognitif (CFF) perturbe volontairement le traitement heuristique rapide (le Système 1 de Kahneman) pour forcer un mode analytique (Système 2) avant l’action. Quatre leviers principaux : le masquage pré-décisionnel, le délai imposé, la justification obligatoire et les questions critiques ciblées. Le plus documenté, le masquage pré-décisionnel, cache la recommandation de l’IA tant que l’utilisateur n’a pas formulé sa propre hypothèse, ce qui réduit fortement le biais d’ancrage, au prix d’un temps de traitement accru.
Ces dispositifs ne sont pas une baguette magique. L’étude de référence (Bucinca et al., 2021, Harvard) établit que les CFF cassent la surconfiance, mais réduisent la satisfaction déclarée et augmentent le sentiment de complexité. Leur bénéfice dépend aussi du « besoin de cognition » (need for cognition) de l’utilisateur : les profils qui en ont le moins donnent aux fonctions de forçage les pires notes de satisfaction. Autrement dit : on les dose selon la criticité de la tâche, pas selon la mode. Introduire de la friction sur un outil d’idéation serait contre-productif ; en retirer sur un diagnostic médical serait dangereux.
Cas concrets : ce qui marche, ce qui détruit la confiance
Les principes s’incarnent mieux dans des produits nommés que dans des abstractions. Trois exemples récents suffisent à tracer la ligne.
Deux bonnes pratiques
Gmail Smart Compose affiche sa suggestion en grisé, en arrière-plan du texte, et l’utilisateur l’ignore d’un simple « continuer à taper ». Le coût de correction est quasi nul, ce qui respecte à la lettre les guidelines HAX G8 et G9 sur la facilité de rejet et de correction. La discrétion n’est pas une timidité de design, c’est un choix qui maintient l’utilisateur maître du clavier.
Adobe Firefly va dans le même sens côté création. Sa logique de curseur de variations, plutôt qu’un résultat imposé, et la combinaison d’une consigne textuelle avec une sélection manuelle au pinceau (AI Markup, Precision Flow) préservent à la fois la co-création et le contrôle de l’utilisateur, en droite ligne des principes IBM et Google. L’IA propose, l’humain sculpte.
Une mauvaise pratique
Snapchat My AI (2023) offre le contre-exemple parfait. L’agent était épinglé de force en haut de la boîte de réception, et l’option de le masquer restait réservée à l’abonnement payant Snapchat+. C’est une violation frontale de la Guideline 8 de Microsoft, qui impose de faciliter le rejet. La leçon dépasse l’anecdote : monétiser une fonction d’évitement, vendre le droit de masquer l’IA, revient à l’imposer sans porte de sortie. Le rejet massif et la perte de confiance qui ont suivi étaient prévisibles.
Perspectives critiques : les angles morts des frameworks
Ces cadres sont utiles, mais ils ne sont pas neutres. Confrontés aux Ethics Guidelines for Trustworthy AI de la Commission européenne (HLEG, 2019), les frameworks des géants tech révèlent des trous béants.
Ce que les cadres des géants tech oublient
L’impact environnemental d’abord : aucun des frameworks cités n’intègre la sensibilisation à l’empreinte des requêtes génératives, carbone comme eau, ni la moindre incitation à la sobriété algorithmique. Ce coût est pourtant réel, et souvent externalisé vers des régions déjà sous tension hydrique. Le sujet est simplement absent des cadres de conception.
La représentativité et l’auditabilité ensuite. Les cadres atténuent les stéréotypes au niveau de la restitution, mais ne donnent pas à l’utilisateur les moyens de contester la provenance ou la légitimité des données d’entraînement. La responsabilité juridique (accountability) enfin : les feedbacks servent l’amélioration de la performance, rarement l’audit ou la contestation des décisions automatisées à fort impact. Ces manques touchent de plein fouet la conception inclusive et l’accessibilité au sens large, celle d’un produit contestable et équitable pour tous ses publics.
Outil de réflexion ou checklist de conformité ?
Le vrai risque est managérial. Transformer un outil de conception, comme le HAX Workbook, en simple liste de vérification de fin de projet donne une illusion de conformité (bannières, disclaimers) sans rien résoudre de la fragilité d’un système probabiliste dans des domaines sensibles. La bonne pratique est l’inverse : mobiliser ces frameworks dès la structuration de la donnée et l’entraînement du modèle, à l’échelle d’une stratégie UX assumée, et non comme un habillage tardif posé sur l’interface en fin de course. Un design system peut d’ailleurs héberger ces patterns IA validés, pour qu’ils irriguent la production au lieu de rester dans un PDF.
Recommandations actionnables pour les décideurs produit
Quatre règles concrètes, à s’approprier plutôt qu’à appliquer mécaniquement.
Ajuster la friction au risque. On la minimise pour les tâches créatives et d’idéation ; on introduit volontairement des fonctions de forçage cognitif pour les tâches critiques (médical, financier, juridique). La friction n’est ni bonne ni mauvaise en soi, elle se calibre.
Minimiser le coût de la vérification. Citations et sources doivent être présentées de façon synthétique et contextualisée dans l’interface. Obliger l’utilisateur à parcourir un PDF externe pour vérifier une affirmation favorise l’acceptation passive (overreliance), exactement l’inverse du but recherché.
Combattre activement la sycophancie. Invites de contre-arguments, formalisation autonome de l’hypothèse de l’utilisateur avant l’affichage de la réponse : ces dispositifs coûtent peu et protègent la qualité de la décision.
Mesurer l’efficacité hybride. Il faut comparer le binôme humain plus IA à l’humain expert seul. La méta-analyse de Vaccaro et al. (2024, Nature Human Behaviour) est plus sévère encore : en moyenne, le binôme humain plus IA fait moins bien que le meilleur des deux agissant seul (taille d’effet g = −0,23). L’objectif n’est donc pas de maximiser le taux d’acceptation des suggestions, mais la justesse de la décision finale.
Concevoir pour l’autonomie, pas pour la dépendance
Les frameworks HAX, PAIR, IBM, Apple et Salesforce sont d’excellents points de départ. Ils fournissent un vocabulaire commun entre designers et ingénieurs, et des dimensions pour pressuriser les décisions. Mais ce sont des outils de réflexion, pas des certificats de conformité, et les confondre est la première erreur à éviter.
Un produit IA se juge à la qualité des décisions qu’il permet et à l’autonomie qu’il laisse, pas au taux d’acceptation de ses suggestions. Transparence des limites, contrôle et dégradation gracieuse en sont les piliers concrets. Quant aux angles morts des cadres (environnement, équité, auditabilité, sycophancie), ce sont autant de terrains où une équipe produit sérieuse peut se différencier, en allant au-delà de la checklist.
La recommandation d’Usabilis tient en une phrase : choisir un framework comme colonne vertébrale, l’appliquer dès la donnée et non sur l’interface en fin de course, doser la friction selon la criticité, et traiter la lutte contre la sycophancie et la sobriété algorithmique comme des exigences de conception à part entière, pas comme des options. Pour aller plus loin, nos formations au design thinking outillent les équipes qui veulent ancrer cette culture produit en amont, avant la première ligne de code
