Spécialité
L’IA produit. Le jugement reste humain.
Pas de slide sur « l’avenir de l’IA » ici : un pipeline qui tourne en production, des tokens générés puis vérifiés à la main, et des habitudes de travail qui passent par la donnée avant l’interface.
01
L’IA comme moteur de produit
Deux pipelines en production : l’ingestion (la ville maillée en hexagones H3, balayée via Google Places) et le scanner de mentions, qui a digéré 40 000+ mentions éditoriales : GPT-5 classe chaque mention, Claude Haiku génère tags et résumés. Au-dessus de la base, deux systèmes multi-agents : rédaction éditoriale à partir des données, et découverte de nouveaux lieux. Et le produit lui-même est construit à 100 % avec Claude Code : je n’ai pas tapé une ligne de code, je décide, je teste, je corrige. Un arbitrage précision/rappel assumé : les lieux sous 4,3 sur Google ne sont pas scannés.
Choisir ce qu’on ne couvre pas, c’est protéger la qualité de ce qu’on montre.
Lire l’étude de cas : Gatto02
Un multi-agents pour produire du DSFR conforme
Chaque service d’État impose le même socle : DSFR strict, RGAA. Le reproduire à la main à chaque écran, c’est du temps perdu et des occasions d’écarts. J’ai construit un boilerplate React qui embarque les guidelines DSFR, couplé à un flow de génération piloté par des agents spécialisés (UX research, UI design, revue de code) qui interviennent à chaque itération. Le designer décrit un parcours ; le système produit des écrans conformes, prêts à être affinés. React plutôt que la génération via MCP Figma : sur des parcours complets, générer dans le code raccourcit la boucle entre l’intention et l’écran manipulable. Socle 100 % DSFR pur, versionné sur Git, pensé pour être repris. Utilisé sur un PoC réel, puis repris par mes collègues : passation sans documentation, en direct au bureau (installation, fonctionnement, premiers écrans). Sur un avant-vente d’État, le boilerplate a généré des dizaines d’écrans conformes en deux semaines, repris tels quels. Un parcours passe de plusieurs jours à quelques heures.
La vraie preuve d’un outil : il passe de main en main sans moi. La conformité s’adosse au socle DSFR, pas à une vérification de dernière minute.
Lire l’étude de cas : Boilerplate DSFR, missions ANS03
L’IA comme outil de système
Générer des dizaines de variantes de design tokens JSON compatibles DSFR (la partie combinatoire et répétitive), puis tout vérifier à la main : contraste (seuils RGAA), fidélité à la marque, cohérence entre composants, non-régression d’accessibilité.
L’IA fait le combinatoire, l’humain garde le jugement. Jamais l’inverse.
Lire l’étude de cas : Design System ANS × DSFR04
L’IA comme studio de production
Une vidéo promotionnelle pour un projet interne, CeSaR : le script écrit avec l’IA, les écrans calibrés sur le script, la voix off générée avec ElevenLabs. Montée dans DaVinci Resolve, appris pour l’occasion.
L’IA n’a pas remplacé le monteur : elle m’a appris à en devenir un.
Voir la vidéo sur YouTube05
L’IA comme façon de travailler
Interroger la base Gatto en conversationnel via MCP pour valider une hypothèse avant de dessiner l’UI. Générer les storyboards de contenu social à partir de requêtes SQL vérifiées, pas d’intuitions. Utiliser la génération d’images comme support d’exploration, pas comme livrable. Et ce portfolio lui-même est construit en collaboration avec l’IA : relu, arbitré et corrigé par un humain qui la contredit souvent.
Database-first : valider une idée contre la donnée réelle avant de construire l’interface.
Ce que l’expérience m’a appris
- Deux modèles, deux jobs : on choisit un modèle pour une tâche, pas pour sa réputation.
- Se méfier du succès silencieux : un pipeline qui ne renvoie pas d’erreur n’a pas forcément marché.
- La validation humaine n’est pas une étape de contrôle, c’est là que vit le jugement : contraste, marque, sens.
- L’IA n’est jamais le message : ce qui sort du pipeline doit se défendre sans dire comment il a été produit.