Un projet de recherche sur l'irrigation de précision chez LiteFarm, couvrant capteurs de sol IoT, systèmes à débit variable et pivots automatisés. Les preuves ont renversé un brief qui réclamait plus de technologie. Mené en solo, de la recherche à la livraison.
Le projet Smart Irrigation de LiteFarm est arrivé avec une hypothèse intégrée : les agriculteurs avaient besoin de plus de technologie. Capteurs d'humidité du sol IoT, irrigation à débit variable, pivots automatisés qui dosent l'eau au mètre carré. Mon brief était de concevoir pour cet avenir.
Les preuves l'ont renversé. Les agriculteurs interrogés voulaient une technologie qui leur demande moins.
LiteFarm est une plateforme open-source de gestion agricole qui, selon le projet lui-même, est utilisée dans plus de 160 pays. J'étais le seul designer, couvrant recherche, stratégie, UI et livraison à moi seul. Ce qui signifiait aussi devenir à l'aise, vite, dans un domaine d'agriculture de précision que personne dans l'équipe ne connaissait assez pour tester le brief des parties prenantes. Voici comment je l'ai fait, et ce que ça a changé.
Avant de pouvoir optimiser quoi que ce soit, j'ai dû comprendre ce qu'était réellement le poste, au-delà de la fiche de poste.
Dans une organisation design au complet, ce travail serait réparti entre un chercheur UX, un product designer, un UI designer, un stratège design, et quelqu'un pour gérer le design system et la présence web. Chez LiteFarm, cette personne, c'était moi.
Le périmètre complet incluait la recherche utilisateur et sa synthèse sur plusieurs segments d'agriculteurs ; la recherche marché et domaine sur les technologies agricoles émergentes ; l'apport stratégique UX et la direction produit ; le journey mapping, le wireframing et le prototypage ; la conception UI au pixel près et sa livraison ; la conception du site web et des supports marketing ; et une collaboration étroite avec les développeurs, les product managers et les parties prenantes externes.
Le vrai risque, c'était de mal faire tout ça, d'aller si vite que ce qui compte, la recherche, les vrais besoins utilisateurs, la réflexion, disparaisse au profit de livrables qui ont l'air d'avancer.
Je n'ai pas accepté ce compromis. À la place, j'ai reconstruit le processus.
Avant de me tourner vers un quelconque outil, IA ou autre, j'ai cartographié où se trouvait le vrai frottement.
Trois schémas sont apparus immédiatement.
Du temps perdu dans la traduction. Les données de recherche brutes, des heures d'enregistrements d'entretiens, des pages de notes, restaient trop éloignées des décisions prises. L'écart entre « on a parlé à des agriculteurs » et « voici ce dont ils ont besoin » était trop large et trop lent.
Des lacunes de connaissance du domaine créant des goulots d'étranglement. Smart Irrigation impliquait d'évaluer des capteurs de sol IoT, l'irrigation à débit variable et des pivots automatisés, et personne dans l'équipe n'avait le bagage technique pour juger ce qui était faisable, ce qui avait du sens, et ce qui n'était que de la technologie pour la technologie. Cet écart ralentissait tout.
La fragmentation cognitive. Basculer constamment entre mode recherche, mode stratégie et mode réalisation coûte cher. Chaque changement de contexte coûte du temps et de la profondeur. Sans système, le travail était réactif.
La réponse a été de déterminer quelles parties du processus exigeaient vraiment le jugement humain, et lesquelles pouvaient être accélérées sans perte de qualité.
Les outils comptent moins que la méthode.
Le pipeline que j'ai construit compte cinq étapes. Chacune est une décision délibérée sur où l'IA amplifie le travail, et où je garde le contrôle total.
Quand le projet Smart Irrigation est arrivé, le brief contenait une hypothèse intégrée : les agriculteurs avaient besoin de plus de technologie, des capteurs d'humidité du sol IoT et de l'irrigation à débit variable aux pivots automatisés qui dosent l'eau au mètre carré.
Le problème était que personne dans l'équipe, moi y compris, n'en savait assez sur le domaine pour tester cette hypothèse. Et la pression des parties prenantes pour aller vers une technologie d'agriculture de précision avancée était forte.
J'ai commencé par une immersion dans le domaine. Gemini Deep Research m'a donné une compréhension rapide et structurée de l'irrigation de précision : le matériel de capteurs, les systèmes à débit variable et à pivot, les axes de recherche, les schémas d'adoption. NotebookLM m'a aidé à interroger des articles techniques et des recherches sur les capteurs d'une manière qui a fait émerger les vraies questions sous les questions évidentes.
Puis je suis allé sur le terrain, de façon structurée.
D'abord, j'ai interviewé des chercheurs et ingénieurs travaillant sur les capteurs intelligents et l'irrigation de précision, pour comprendre pourquoi le domaine poussait toujours vers plus de technologie, ce qu'ils cherchaient à résoudre, et ce qu'ils supposaient des agriculteurs pour qui ils concevaient.
Puis j'ai mené des entretiens structurés avec six agriculteurs, que j'ai traduits et transformés en un diagramme d'affinité à grande échelle et une carte d'empathie détaillée.
Les agriculteurs ne demandaient pas plus de technologie. Ils en demandaient moins. Plus précisément : des systèmes qui n'ajoutaient pas à leur charge cognitive, qui fonctionnaient dans des environnements à faible connectivité, qui ne les obligeaient pas à apprendre une nouvelle interface chaque saison, et qui ne présupposaient pas un niveau de littératie technique que la plupart d'entre eux n'avaient pas et ne voulaient pas.
La recherche a changé ce qui a été construit.
Des fonctionnalités priorisées sur la base de leur possibilité technique ont été déclassées. La direction produit est passée de « comment donner plus de données aux agriculteurs » à « comment leur donner des décisions plus claires ». Ce brief a mené à un autre produit.
Ce basculement s'est produit parce que le processus de recherche était assez rigoureux pour tenir face à la pression des parties prenantes. Le diagramme d'affinité et la carte d'empathie servaient de preuves.
L'IA est réellement utile pour la reconnaissance de motifs à grande échelle, pour une première synthèse, pour des briefings de domaine, pour rédiger de la documentation, et pour réduire la distance entre données brutes et analyse structurée.
L'IA n'est pas utile pour décider de ce qui compte, pour lire le registre émotionnel d'un agriculteur frustré mais poli, pour savoir quand un pattern de design est techniquement correct mais humainement faux, ni pour ce moment en réunion avec les parties prenantes où les données disent une chose et la salle en veut une autre, et où quelqu'un doit tenir bon.
Ces moments sont des problèmes de jugement, et le jugement n'est pas une fonctionnalité qu'on ajoute à un pipeline.
La pratique que j'ai construite chez LiteFarm protège la réflexion en automatisant ce qui l'entoure.
Recherche, stratégie, UX, UI et livraison, couvertes seul, sans effectif supplémentaire.
20 heures d'entretiens de l'étude sur l'élevage, transformées en enseignements structurés. En solo.
Des entretiens structurés pour la recherche sur l'irrigation.
La recherche Smart Irrigation a directement changé ce qui a été construit. Le brief est passé de « donner plus de données aux agriculteurs » à « leur donner des décisions plus claires ». Pas un design plus rapide, de meilleures décisions.
Recherche, stratégie, UX, UI et livraison ont tous été couverts sans jamais déléguer la responsabilité de la qualité.
20 heures d'entretiens de l'étude sur l'élevage, transformées en enseignements exploitables en moins de 5 jours, avec un processus reproductible.
L'irrigation de précision, les capteurs IoT et les systèmes à débit variable exigeaient une connaissance approfondie, vite. Le processus d'immersion assisté par IA a permis des entretiens crédibles avec des chercheurs du domaine quelques jours après l'avoir découvert.
La recherche Smart Irrigation a directement réorienté le brief produit.
L'IA doit gérer les parties du processus qui n'exigent pas de jugement humain, mise en forme, rédaction, premier regroupement, documentation. Les moments qui exigent interprétation, empathie et argumentation vous appartiennent. Gardez-les ainsi.
L'immersion dans le domaine avant les entretiens n'est pas optionnelle. Les briefings de recherche assistés par IA compressent des semaines de travail de fond en quelques jours. Présentez-vous assez à l'aise pour poser les questions qui comptent.
La différence entre une recherche qui change des décisions et une recherche qu'on classe, c'est la structure. Les diagrammes d'affinité, les cartes d'empathie et les hiérarchies d'enseignements sont des arguments. Construisez-les avec l'intention de gagner.
Le prototypage rapide, la nuance émotionnelle, la gestion des parties prenantes et le jugement visuel final ne sont pas des problèmes d'IA. Traitez-les comme tels, et vous livrerez les mauvaises choses plus vite.
Jusqu'ici, le pipeline a tourné avec un seul designer, et le transposer à une équipe de deux, cinq ou vingt personnes reste à tester.
Mon travail est guidé par la recherche et ancré dans la pratique. Je pense au niveau stratégique et je reste dans le métier. Si vous construisez quelque chose qui a besoin des deux, parlons-en.