Aurélien Debacq
Co-fondateur d'ALLOHOUSTON
Une captation du besoin plus complète, des itérations plus rapides, et la possibilité de continuer à concevoir pendant le delivery.
NB : dans cet article, nous parlons d’IA générative, et nous nous concentrons sur un moment précis de la vie d’un produit numérique : sa conception.
Chez ALLOHOUSTON, nous concevons et construisons des produits numériques sur-mesure pour des PME. Des outils métiers qui génèrent de la performance et de la croissance chez nos clients, pas des gadgets.
Ce positionnement impose un rythme particulier, très différent de celui d’une équipe produit interne qui travaille toute l’année sur un seul et même produit :
Point important : nous nous engageons au forfait sur le delivery de la V1 dès la fin du cadrage. Et le cadrage produit deux livrables structurants : la conception fine (fonctionnelle et technique) de cette V1, et la roadmap des évolutions ultérieures.
Cette mécanique crée une contrainte forte. Tout ce qui n’est pas capté, compris ou anticipé pendant les 2 semaines de cadrage devient un risque en delivery — sur un budget déjà engagé. Un cas particulier qui remonte trop tard, une règle métier implicite qu’on n’avait pas vue, un utilisateur qu’on n’avait pas assez écouté : autant de surprises qui, historiquement, coûtaient cher.
C’est précisément sur cette contrainte que l’IA a le plus d’impact. Et pas de la façon dont on l’entend habituellement.
On lit partout que l’IA « fait gagner du temps ». C’est vrai. Mais s’arrêter là, c’est passer à côté de l’essentiel.
Oui, l’IA rend la conception plus rapide. Mais les gains qui en découlent sont de deux ordres, et aucun des deux n’est « livrer plus vite au même prix » :
Une année d’expérimentations R&D intensives nous a permis d’identifier trois leviers concrets, qui s’articulent plutôt qu’ils ne s’additionnent :
Détaillons.
Historiquement, un atelier de cadrage, c’est un consultant qui écoute et qui prend des notes et qui note les prochaines actions et qui liste les documents à demander au client et qui essaie de réfléchir en même temps. Résultat : une attention partagée, et une prise de notes forcément sélective. Ce qui n’est pas noté est perdu.
Nos expérimentations sur les méthodes structurées de collecte d’informations ont changé cette donne. En généralisant l’enregistrement des échanges et en outillant leur traitement (transcription puis synthèse assistée), tout ce qui se dit est capturé. Le consultant-développeur ne prend plus de notes, ne traque plus les next steps, ne tient plus la liste des documents à récupérer. Il se concentre à 100 % sur ce qui compte vraiment : écouter, comprendre et réfléchir en temps réel, pendant qu’il a la personne en face de lui.
L’IA s’occupe du reste, et le consultant retraite ensuite une matière bien plus riche et exhaustive qu’une page de notes.
Les cas particuliers, les exceptions, les règles de gestion implicites, les détails métier qu’on captait autrefois « à l’oreille » — et qui, trop souvent, ne remontaient qu’en cours de delivery sous forme de mauvaise surprise — sont désormais présents dès le cadrage. C’est-à-dire au moment où ils peuvent encore être pris en compte sans casser un engagement au forfait.
C’est ici qu’il faut être clair sur la hiérarchie des gains : le temps gagné sur la restitution est réel, mais il est secondaire. Le vrai gain, c’est la qualité de l’écoute pendant l’échange et la complétude de l’analyse qui en résulte. Un détail capté à temps évite un retard, une réécriture, ou une confiance client entamée. Ce gain-là, à l’échelle du projet entier, pèse bien plus lourd que quelques heures économisées sur un compte-rendu.
Notre travail sur un référentiel de tâches standardisées pour l’estimation va dans le même sens : un chiffrage qui s’appuie sur des briques déjà réfléchies couvre mieux le périmètre réel, et laisse moins de zones grises se transformer en dépassements — des dépassements qui, puisque nous sommes engagés au forfait, sont à notre charge et non à celle du client.
Ce temps libéré, nous ne le rendons pas sous forme de « on facture moins d’heures pour le même livrable ». Nous le réinvestissons de deux manières :
Voici le scénario que nos expérimentations ont rendu possible, et qui aurait été impensable il y a peu.
En début de matinée, on discute avec le client d’un parcours utilisateur : comment ses équipes enchaînent telles étapes, quelles informations elles manipulent, quels sont les cas qui sortent du cadre. Une heure plus tard, dans le même atelier, on lui présente un prototype navigable de ce parcours. On l’ajuste devant lui. Il réagit, on modifie, il valide — ou il corrige.
Le client ne réagit plus sur un compte-rendu écrit reçu trois jours après, quand le fil de la discussion s’est déjà distendu. Il réagit immédiatement, sur du concret, à un moment où le contexte est encore frais pour tout le monde. Les ajustements et les validations se font pendant la séance, pas dans un aller-retour différé.
L’intérêt n’est pas seulement le confort. En raccourcissant la boucle compréhension → matérialisation → validation à l’échelle de l’atelier lui-même, on renforce directement le premier levier : plus on valide vite un sujet, plus on peut en creuser d’autres dans le même temps imparti. Et quand on ne dispose que de 2 semaines pour cadrer, chaque boucle raccourcie compte.
Un point d’honnêteté, que notre R&D a aussi mis en évidence : ces prototypes servent à comprendre et à décider vite, pas à produire directement le code de la V1. Leur valeur est d’aligner et de valider, tôt. C’est déjà énorme.
C’est sans doute le changement le plus profond, et le moins visible de l’extérieur.
Dans une équipe produit qui travaille toute l’année sur un seul produit, la conception continue est un réflexe naturel : enrichissement du backlog, sprint refinement, ateliers de roadmap réguliers. Le produit vit, on l’affine en permanence.
Sur un projet de 2 semaines de cadrage et 6 semaines de delivery, ce luxe n’existait pas. Le temps de conception était concentré en amont, puis on exécutait.
L’accélération du delivery permise par l’IA rebat les cartes. Pour donner un ordre de grandeur : on peut aujourd’hui livrer en production, en 6 semaines, autant de fonctionnalités nouvelles qu’une équipe produit classique en livrait en 6 mois. Cette compression des cycles de réalisation ouvre une fenêtre qui n’existait pas.
Concrètement, cela signifie qu’on peut poursuivre le travail de conception fine pendant le delivery : prototypage détaillé des écrans à venir, nouvelles itérations avec les utilisateurs à mesure qu’ils voient le produit prendre forme, revue du backlog et de la définition précise des fonctionnalités — tout en restant engagés au forfait sur le budget global de la V1, dès la fin du cadrage.
C’est un renversement important. Jusqu’ici, il fallait choisir : soit on s’engageait sur un budget ferme (et on figeait globalement le périmètre, en essayant de rester flexibles au maximum, ce qui représentait des coûts supplémentaires non prévus à absorber dans le forfait initial), soit on gardait de la flexibilité (et on renonçait à l’engagement). Ces deux exigences deviennent compatibles. On tient l’engagement forfaitaire tout en continuant à concevoir, à ajuster, à affiner pendant la construction.
Et pour lever toute ambiguïté : l’IA ne conçoit pas à la place du consultant-développeur. La réflexion de fond, les arbitrages, la compréhension du métier restent profondément humains. Ce que l’IA change, c’est qu’elle rend possible de concevoir plus, plus souvent, et plus tard dans le cycle — sans exploser le budget ni les délais.
Notre enthousiasme est raisonné. Utiliser l’IA de manière pertinente suppose de garder plusieurs garde-fous en tête, en permanence.
La confidentialité, d’abord. Nous manipulons dès le cadrage des données clients parfois sensibles : processus internes, données d’activité, éléments stratégiques. Toute utilisation de l’IA suppose de savoir précisément quelles données sont envoyées, où, et avec quelles précautions. Ce n’est pas négociable, et cela conditionne le choix des outils.
La sobriété, ensuite. Chaque requête a un coût, financier et énergétique. Limiter les tokens consommés, ce n’est pas seulement maîtriser une facture : c’est limiter l’énergie mobilisée. Nous privilégions un usage ciblé, là où il apporte une vraie valeur, plutôt qu’un réflexe d’IA « par défaut » sur toutes les tâches, et nous mettons en œuvre des techniques d’optimisation de la consommation de tokens.
L’incertitude sur les coûts et la disponibilité, enfin. Le marché des modèles et des outils évolue très vite. Les prix bougent, les conditions d’accès changent, un outil disponible aujourd’hui peut ne plus l’être demain. Nous en tenons compte dans une logique de gestion du risque : nous privilégions des outils qui évitent l’enfermement chez un fournisseur unique et qui permettent de changer de modèle ou de prestataire sans tout reconstruire — de type Cursor, agents Figma, Perplexity, et autres. Ce n’est pas une posture idéologique, c’est du pragmatisme : le changement de tarif, la coupure de l’accès à un modèle ou la disparition d’un fournisseur ne doit jamais mettre à l’arrêt le projet d’un de nos clients.
Le premier bénéfice de l’IA dans la conception n’est pas la vitesse. C’est la complétude de l’analyse — on comprend mieux, on capte plus, on rate moins de choses — et la flexibilité que cette maîtrise rend possible tout au long du projet, du cadrage jusqu’au delivery.
Le temps que l’IA nous fait gagner, nous ne le transformons pas en marge cachée. Nous le réinvestissons dans ce qui crée réellement de la valeur pour nos clients : une compréhension fine de leur métier, et un produit sur-mesure enfin accessible aux PME.
L’IA accélère l’exécution. C’est l’humain qui comprend le métier qui transforme cette accélération en valeur.
Vous préparez un projet de produit numérique sur-mesure ?
Parlons de votre métier avant de parler d’outils.
