Case StudyÉtude de cas·LiteFarm·2024·9 min read9 min de lecture
The farmers didn't want smarter sensors.Les agriculteurs ne voulaient pas de capteurs plus intelligents.
A precision-irrigation research project at LiteFarm — IoT soil sensors, variable-rate systems, automated pivots — where the evidence overturned the "more tech" brief. Led solo, research to delivery.Un projet de recherche sur l'irrigation de précision chez LiteFarm — capteurs de sol IoT, systèmes à débit variable, pivots automatisés — où les preuves ont renversé le brief « plus de tech ». Mené en solo, de la recherche à la livraison.
The brief assumed smarter irrigation. The research proved the opposite.
LiteFarm's Smart Irrigation project arrived with an assumption baked in: farmers needed more technology — IoT soil-moisture sensors, variable-rate irrigation, automated pivots that dose water by the square metre. My brief was to design for that future.
The evidence overturned it. The farmers weren't asking for more technology. They were asking for less.
LiteFarm is an open-source farm management platform used across 160+ countries. I was the sole designer, covering research, strategy, UI, and delivery alone. Which meant I also had to get fluent, fast, in a precision-agriculture domain no one on the team knew well enough to pressure-test a stakeholder brief against. This is how I did that, and what it changed.
Le brief supposait une irrigation plus intelligente. La recherche a prouvé l'inverse.
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 ne demandaient pas plus de technologie. Ils en demandaient moins.
LiteFarm est une plateforme open-source de gestion agricole 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 fluent, 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.
Before I could optimise anything, I had to understand what the job actually was. Not the job description. The real job.
In a fully staffed design org, this work would be distributed across a UX researcher, a product designer, a UI designer, a design strategist, and someone managing the design system and web presence. At LiteFarm, that someone was me.
The full scope included user research and synthesis across multiple farmer segments; market and domain research on emerging agricultural technology; UX strategy and product direction input; journey mapping, wireframing, and prototyping; pixel-perfect UI design and delivery; website design and marketing materials; and close collaboration with developers, product managers, and external stakeholders.
The risk wasn't burning out. The risk was doing all of it poorly, moving so fast that the things that matter, the research, the real user needs, the thinking, got skipped in favour of outputs that looked like progress.
I didn't accept that trade-off. Instead, I rebuilt the process.
Avant de pouvoir optimiser quoi que ce soit, j'ai dû comprendre ce qu'était réellement le poste. Pas la fiche de poste. Le vrai travail.
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 risque n'était pas l'épuisement. Le 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.
Overview of LiteFarm design workspace in FigmaVue d'ensemble de l'espace de travail design LiteFarm dans Figma
Before reaching for any tool, AI or otherwise, I mapped where the real friction was.
Three patterns showed up immediately.
Time lost in translation. Raw research data, hours of interview recordings, pages of notes, was sitting too far from the decisions being made. The gap between "we talked to farmers" and "here's what they need" was too wide and too slow.
Domain knowledge gaps creating bottlenecks. Smart Irrigation meant evaluating IoT soil sensors, variable-rate irrigation, and automated pivots, and no one on the team had the technical background to judge what was feasible, what was meaningful, and what was just tech for tech's sake. That gap was slowing everything down.
Cognitive fragmentation. Constantly switching between research mode, strategy mode, and craft mode is expensive. Every context switch costs time and depth. Without a system, the work was reactive, not deliberate.
The solution wasn't to work harder across all three. It was to figure out which parts of the process genuinely required human judgment, and which parts could be accelerated without losing quality. That distinction became the foundation of everything that followed.
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 artisanat coûte cher. Chaque changement de contexte coûte du temps et de la profondeur. Sans système, le travail était réactif, pas délibéré.
La solution n'était pas de travailler plus dur sur les trois fronts. C'était de déterminer quelles parties du processus exigeaient vraiment le jugement humain, et lesquelles pouvaient être accélérées sans perte de qualité. Cette distinction est devenue le fondement de tout ce qui a suivi.
The AI-enhanced pipelineLe pipeline amélioré par l'IA
This is not a tools list. The tools are secondary. What matters is the method.
The pipeline I built has five stages. Each one is a deliberate decision about where AI amplifies the work, and where I stay fully in control.
Ce n'est pas une liste d'outils. Les outils sont secondaires. Ce qui compte, c'est 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.
Stage 01Étape 01
Domain immersionImmersion domaine
Specialised projects require background knowledge that takes weeks to build through traditional desk research.Les projets spécialisés exigent des connaissances de fond qui prennent des semaines à construire via la recherche documentaire traditionnelle.
AI handlesL'IA gère
Synthesising research papers, industry reports, and technical documentation into structured summariesSynthétiser des articles de recherche, des rapports sectoriels et de la documentation technique en résumés structurés
Building a domain briefing that gets me to informed quicklyConstruire un briefing de domaine qui m'amène rapidement à un niveau informé
Gemini Deep ResearchNotebookLM
I ownJe maîtrise
Deciding what is relevantDécider ce qui est pertinent
Identifying where literature diverges from lived realityIdentifier où la littérature diverge de la réalité vécue
Formulating interview questions that test assumptions rather than confirm themFormuler des questions d'entretien qui testent les hypothèses plutôt que de les confirmer
Result:Résultat :From knowing nothing about a domain to conducting credible expert interviews in days, not weeks.Passer de ne rien connaître d'un domaine à mener des entretiens experts crédibles en quelques jours, pas en semaines.
Stage 02Étape 02
Research synthesisSynthèse de recherche
20 hours of recordings is not insight. It's raw material. Turning it into something usable is where most teams take too long or go too shallow.20 heures d'enregistrements, ce n'est pas de l'insight. C'est de la matière première. La transformer en quelque chose d'exploitable, c'est là que la plupart des équipes prennent trop de temps ou restent trop en surface.
AI handlesL'IA gère
Transcript processing and initial taggingTraitement des transcriptions et tagging initial
Surfacing recurring language and themes across sessionsMise en évidence du langage et des thèmes récurrents entre les sessions
Flagging tensions and contradictionsSignalement des tensions et contradictions
Google MeetClaudeZoom
I ownJe maîtrise
Deciding which patterns matterDécider quels motifs comptent
Understanding the emotional context behind the wordsComprendre le contexte émotionnel derrière les mots
Distinguishing between what farmers say and what they meanDistinguer ce que les agriculteurs disent de ce qu'ils veulent dire
Result:Résultat :20 hours of recorded farmer interviews processed into structured insight in under 5 days. Solo. A typical research team takes 2–3 weeks.20 heures d'entretiens agriculteurs enregistrés, transformées en insight structuré en moins de 5 jours. En solo. Une équipe de recherche classique prend 2 à 3 semaines.
Stage 03Étape 03
Insight to decisionDe l'insight à la décision
Research that doesn't change decisions is decoration. The hardest part is not gathering insight, it's getting it to land.Une recherche qui ne change pas les décisions n'est que de la décoration. La partie la plus difficile n'est pas de recueillir l'insight, c'est de le faire atterrir.
AI handlesL'IA gère
Formatting, structuring, and drafting supporting documentationMise en forme, structuration et rédaction de documentation de support
Initial clustering of affinity dataClustering initial des données d'affinité
First-pass UX copyPremier jet de copy UX
ClaudeFigJam
I ownJe maîtrise
The argument and the framingL'argumentation et le cadrage
Which findings go at the top of the page and whyQuels résultats vont en haut de la page et pourquoi
The conversation that turns a document into a decisionLa conversation qui transforme un document en décision
Stage 04Étape 04
Design and prototypingDesign et prototypage
Moving from insight to interface requires both systems thinking and visual craft. AI helps switch between modes without losing momentum.Passer de l'insight à l'interface exige à la fois une pensée systémique et un savoir-faire visuel. L'IA aide à passer d'un mode à l'autre sans perdre l'élan.
AI handlesL'IA gère
Generating annotation copyGénérer du texte d'annotation
Checking consistency against the design systemVérifier la cohérence avec le design system
Drafting component documentation and design decision summariesRédiger la documentation des composants et les résumés de décisions de design
The craft, this is where I stay fully human, on purposeLe savoir-faire, c'est là que je reste pleinement humain, délibérément
Honest note:Note honnête :This is also where AI currently falls shortest. Rapid AI-generated prototypes still require significant human rework to reach production quality. The craft doesn't get outsourced.C'est aussi là où l'IA est aujourd'hui la plus limitée. Les prototypes générés rapidement par IA nécessitent encore un travail humain conséquent pour atteindre une qualité de production. Le savoir-faire n'est pas externalisé.
Stage 05Étape 05
Delivery and documentationLivraison et documentation
Pixel-perfect delivery requires more than good files. It requires context, why decisions were made, what edge cases were considered, what the developer needs to know.Une livraison au pixel près exige plus que de bons fichiers. Elle exige du contexte, pourquoi les décisions ont été prises, quels cas limites ont été considérés, ce que le développeur a besoin de savoir.
AI handlesL'IA gère
First drafts of handoff documentationPremiers jets de documentation de passation
Accessibility notes and component specsNotes d'accessibilité et spécifications de composants
ClaudeFigma
I ownJe maîtrise
The final reviewLa revue finale
The developer conversationLa conversation avec le développeur
The quality barLe niveau d'exigence qualité
Stage 1 of 5Étape 1 sur 5
STAGEÉTAPE 01
Domain immersionImmersion domaine
The problemLe problème
Specialised projects require background knowledge that takes weeks to build through traditional desk research.Les projets spécialisés exigent des connaissances de fond qui prennent des semaines à construire via la recherche documentaire traditionnelle.
The methodLa méthode
I use AI-assisted deep research (Gemini Deep Research, NotebookLM) to build a knowledge base fast. Not to form conclusions, but to arrive at interviews already fluent enough to ask the right questions.J'utilise la recherche approfondie assistée par IA (Gemini Deep Research, NotebookLM) pour construire rapidement une base de connaissances. Pas pour tirer des conclusions, mais pour arriver aux entretiens déjà assez à l'aise pour poser les bonnes questions.
AI handlesL'IA gère
Synthesising existing research, academic papers, industry reports, and technical documentation into structured summaries. Building a domain briefing that gets me to informed quickly.Synthétiser la recherche existante, les articles académiques, les rapports sectoriels et la documentation technique en résumés structurés. Construire un briefing de domaine qui m'amène rapidement à un niveau informé.
I ownJe maîtrise
Deciding what is relevant. Identifying where the literature diverges from lived reality. Formulating the interview questions that test assumptions rather than confirm them.Décider ce qui est pertinent. Identifier où la littérature diverge de la réalité vécue. Formuler les questions d'entretien qui testent les hypothèses plutôt que de les confirmer.
The resultLe résultat
I can go from knowing nothing about a domain to conducting credible expert interviews in days, not weeks.Je peux passer de ne rien connaître d'un domaine à mener des entretiens experts crédibles en quelques jours, pas en semaines.
Domain immersion brief for Smart Irrigation VRI, five research questions and findingsBrief d'immersion domaine pour l'irrigation variable, cinq questions de recherche et résultats
STAGEÉTAPE 02
Research synthesisSynthèse de recherche
The problemLe problème
20 hours of interview recordings is not insight. It's raw material. Turning it into something usable is where most teams either take too long or go too shallow.20 heures d'enregistrements d'entretiens, ce n'est pas de l'insight. C'est de la matière première. La transformer en quelque chose d'exploitable, c'est là que la plupart des équipes prennent trop de temps ou restent trop en surface.
The methodLa méthode
I use a combination of auto-transcription (Google Meet, Zoom), AI-assisted thematic clustering (Claude), and manual sense-making. The AI handles the first-pass pattern recognition. I handle the interpretation.J'utilise une combinaison de transcription automatique (Google Meet, Zoom), de clustering thématique assisté par IA (Claude), et de mise en sens manuelle. L'IA gère la reconnaissance de motifs de premier passage. Je gère l'interprétation.
AI handlesL'IA gère
Transcript processing, initial tagging, surfacing recurring language and themes across sessions, flagging tensions and contradictions.Traitement des transcriptions, tagging initial, mise en évidence du langage et des thèmes récurrents entre les sessions, signalement des tensions et contradictions.
I ownJe maîtrise
Deciding which patterns matter. Understanding the emotional context behind the words. Distinguishing between what farmers say and what they mean.Décider quels motifs comptent. Comprendre le contexte émotionnel derrière les mots. Distinguer ce que les agriculteurs disent de ce qu'ils veulent dire.
The resultLe résultat
20 hours of recorded interviews with livestock farmers, processed into structured user flows and qualitative insight frameworks, in under 5 days. Solo. That's typically a 2 to 3 week process for a research team.20 heures d'entretiens enregistrés avec des éleveurs, transformées en parcours utilisateurs structurés et en cadres d'insight qualitatif, en moins de 5 jours. En solo. C'est typiquement un processus de 2 à 3 semaines pour une équipe de recherche.
Coding pass: tagging recurring language before it becomes an affinity diagramPasse de codage : étiqueter le langage récurrent avant qu'il ne devienne un diagramme d'affinité
STAGEÉTAPE 03
Insight to decisionDe l'insight à la décision
The problemLe problème
Research that doesn't change decisions is decoration. The hardest part of the process is not gathering insight. It's getting it to land.Une recherche qui ne change pas les décisions n'est que de la décoration. La partie la plus difficile du processus n'est pas de recueillir l'insight. C'est de le faire atterrir.
The methodLa méthode
I use AI to help structure findings into formats that work for different stakeholders, affinity diagrams, empathy maps, journey maps, prioritised insight summaries. The structure makes the findings navigable. The argument makes them persuasive.J'utilise l'IA pour aider à structurer les résultats dans des formats adaptés à différentes parties prenantes, diagrammes d'affinité, cartes d'empathie, journey maps, résumés d'insight priorisés. La structure rend les résultats navigables. L'argumentation les rend persuasifs.
AI handlesL'IA gère
Formatting, structuring, and drafting supporting documentation. Initial clustering of affinity data. First-pass UX copy.Mise en forme, structuration et rédaction de documentation de support. Clustering initial des données d'affinité. Premier jet de copy UX.
I ownJe maîtrise
The argument. The framing. Which findings go at the top of the page and why. The conversation with stakeholders that turns a document into a decision.L'argumentation. Le cadrage. Quels résultats vont en haut de la page et pourquoi. La conversation avec les parties prenantes qui transforme un document en décision.
Livestock farmer research affinity diagram in FigJamDiagramme d'affinité de recherche sur les éleveurs dans FigJam
STAGEÉTAPE 04
Design and prototypingDesign et prototypage
The problemLe problème
Moving from insight to interface requires both systems thinking and visual craft. These are genuinely different modes, and AI helps me switch between them without losing momentum.Passer de l'insight à l'interface exige à la fois une pensée systémique et un savoir-faire visuel. Ce sont des modes véritablement différents, et l'IA m'aide à passer de l'un à l'autre sans perdre l'élan.
The methodLa méthode
Figma and FigJam as the primary environment, with AI assistance for documentation, annotation, and pattern checking. The design itself stays hand-crafted.Figma et FigJam comme environnement principal, avec l'assistance de l'IA pour la documentation, l'annotation et la vérification des patterns. Le design lui-même reste façonné à la main.
AI handlesL'IA gère
Generating annotation copy, checking consistency against the design system, drafting component documentation, and summarising design decisions for developer handoff.Générer du texte d'annotation, vérifier la cohérence avec le design system, rédiger la documentation des composants, et résumer les décisions de design pour le passage aux développeurs.
I ownJe maîtrise
Every design decision. Layout, hierarchy, interaction logic, visual language. This is where I stay fully human, on purpose.Chaque décision de design. Mise en page, hiérarchie, logique d'interaction, langage visuel. C'est là que je reste pleinement humain, délibérément.
Honest noteNote honnête
This is also where AI currently falls shortest. Rapid AI-generated prototypes still require significant human rework to reach production quality. I use AI here for acceleration in specific tasks, not for design generation. The craft doesn't get outsourced.C'est aussi là où l'IA est aujourd'hui la plus limitée. Les prototypes générés rapidement par IA nécessitent encore un travail humain conséquent pour atteindre une qualité de production. J'utilise l'IA ici pour accélérer des tâches spécifiques, pas pour générer le design. Le savoir-faire n'est pas externalisé.
LiteFarm UI design and component library in FigmaDesign UI et bibliothèque de composants LiteFarm dans Figma
STAGEÉTAPE 05
Delivery and documentationLivraison et documentation
The problemLe problème
Pixel-perfect delivery requires more than good files. It requires context, why decisions were made, what edge cases were considered, what the developer needs to know.Une livraison au pixel près exige plus que de bons fichiers. Elle exige du contexte, pourquoi les décisions ont été prises, quels cas limites ont été considérés, ce que le développeur a besoin de savoir.
The methodLa méthode
AI-assisted documentation drafting (Claude for handoff notes, rationale summaries, and design specs), combined with manual review and developer collaboration.Rédaction de documentation assistée par IA (Claude pour les notes de passation, les résumés de justification et les spécifications de design), combinée à une revue manuelle et une collaboration avec les développeurs.
AI handlesL'IA gère
First drafts of handoff documentation, accessibility notes, and component specs.Premiers jets de documentation de passation, notes d'accessibilité, et spécifications de composants.
I ownJe maîtrise
The final review, the developer conversation, and the quality bar.La revue finale, la conversation avec le développeur, et le niveau d'exigence qualité.
LiteFarm developer handoff documentation in FigmaDocumentation de passation développeur LiteFarm dans FigmaMobile screen across smart irrigation Écrans mobiles pour l'irrigation intelligente
Smart Irrigation · LiteFarm · 2024
When the Smart Irrigation project landed, the brief came with an assumption baked in: farmers needed more technology. IoT soil-moisture sensors. Variable-rate irrigation. Automated pivots that dose water by the square metre.
The problem: no one on the team, including me, knew enough about the domain to pressure-test that assumption. And the stakeholder pressure to move toward advanced precision-ag tech was strong.
I started with domain immersion. Gemini Deep Research gave me a fast, structured understanding of the precision-irrigation landscape: the sensor hardware, variable-rate and pivot systems, the research directions, the adoption patterns. NotebookLM helped me interrogate technical papers and sensor research in a way that surfaced the real questions underneath the obvious ones.
Then I went into the field, in a structured way.
First, I interviewed researchers and engineers working on smart sensors and precision irrigation, to understand why the field kept pushing for more tech, what they were trying to solve, and what they assumed about the farmers they were designing for.
Then I talked to farmers. Six in total. Structured interviews. Translated and processed into a large-scale affinity diagram and a detailed empathy map.
What came back was not what the project expected.
The farmers were not asking for more technology. They were asking for less. More specifically: systems that didn't add to their cognitive load, that worked in low-connectivity environments, that didn't require them to learn a new interface every season, and that didn't assume a level of technical literacy most of them didn't have and didn't want.
The research didn't just inform the design. It directly changed what got built.
Features that had been prioritised based on technical possibility were deprioritised. The product direction shifted from "how do we give farmers more data" to "how do we give farmers clearer decisions." That is a fundamentally different brief. And it produced a fundamentally different product.
That shift happened because the research process was rigorous enough to hold up against stakeholder pressure. The affinity diagram wasn't a summary. It was evidence. The empathy map wasn't a deliverable. It was a mirror.
AI made the synthesis fast enough to matter. Human judgment made it true enough to change the outcome.
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. De l'irrigation à débit variable. Des pivots automatisés qui dosent l'eau au mètre carré.
Le problème : 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 du paysage 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 parlé aux agriculteurs. Six au total. Entretiens structurés. Traduits et transformés en un diagramme d'affinité à grande échelle et une carte d'empathie détaillée.
Ce qui est revenu n'était pas ce que le projet attendait.
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 n'a pas seulement informé le design. Elle a directement 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 ». C'est un brief fondamentalement différent. Et cela a produit un produit fondamentalement différent.
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 n'était pas un résumé. C'était une preuve. La carte d'empathie n'était pas un livrable. C'était un miroir.
L'IA a rendu la synthèse assez rapide pour compter. Le jugement humain l'a rendue assez juste pour changer le résultat.
Smart Irrigation affinity diagram showing scale of farmer interview synthesisDiagramme d'affinité Smart Irrigation montrant l'ampleur de la synthèse des entretiens agriculteursFarmer empathy map from Smart Irrigation researchCarte d'empathie agriculteur issue de la recherche Smart IrrigationSmart Irrigation empathy mapCarte d'empathie Smart Irrigation
Where AI ends and judgment beginsLà où l'IA s'arrête et le jugement commence
I want to be honest about this, because the alternative is a case study that oversells the tools and undersells the thinking.
AI is genuinely useful for pattern recognition at scale, for first-pass synthesis, for domain briefings, for drafting documentation, and for cutting the distance between raw data and structured insight.
AI is not useful for deciding what matters. For reading the emotional register of a farmer who's frustrated but polite. For knowing when a design pattern is technically correct but humanly wrong. For the moment in a stakeholder meeting when the data says one thing and the room wants another, and someone has to hold the line.
Those moments are not AI problems. They are judgment problems. And judgment is not a feature you can add to a pipeline.
The practice I built at LiteFarm is not about replacing thinking with automation. It is about protecting thinking by automating the right things around it.
Je veux être honnête là-dessus, parce que l'alternative est une étude de cas qui survend les outils et sous-vend la réflexion.
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 insight structuré.
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. 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 ne sont pas des problèmes d'IA. Ce 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 ne consiste pas à remplacer la réflexion par l'automatisation. Elle consiste à protéger la réflexion en automatisant ce qui l'entoure.
4–5×
Roles coveredRôles couverts
One designer. Full design function. No extra headcount.Un designer. Fonction design complète. Aucun effectif supplémentaire.
<5
Days to synthesisJours pour la synthèse
20 hours of farmer interviews to structured insight. Solo.20 heures d'entretiens agriculteurs transformées en insight structuré. En solo.
ZeroZéro
Craft compromisesCompromis sur le savoir-faire
Across research, strategy, UX, UI, and pixel-perfect delivery.Sur la recherche, la stratégie, l'UX, l'UI et la livraison au pixel près.
↗
Direct product impactImpact produit direct
The Smart Irrigation research directly changed what got built. Brief shifted from "give farmers more data" to "give farmers clearer decisions." Not faster design, better decisions. That is the outcome that matters most.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. C'est le résultat qui compte le plus.
What it deliveredCe que ça a livré
Five roles, one person, no depth lossCinq rôles, une personne, aucune perte de profondeur
Research, strategy, UX, UI, and delivery were all covered without handing off the responsibility for quality.Recherche, stratégie, UX, UI et livraison ont tous été couverts sans jamais déléguer la responsabilité de la qualité.
Research at the speed decisions needUne recherche à la vitesse dont les décisions ont besoin
20 hours of interviews processed into actionable insight in under 5 days, not as a one-off, but as a repeatable process.20 heures d'entretiens transformées en insight exploitable en moins de 5 jours, non pas comme exception ponctuelle, mais comme processus reproductible.
Domain expertise on demandUne expertise de domaine à la demande
Precision irrigation, IoT sensors, and variable-rate systems required deep knowledge fast. The AI-assisted immersion process meant credible interviews with domain researchers within days of first encountering the field.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.
Design decisions that changed the productDes décisions de design qui ont changé le produit
The Smart Irrigation research directly redirected the product brief. Not faster design, better decisions. That is the outcome that matters most.La recherche Smart Irrigation a directement réorienté le brief produit. Pas un design plus rapide, de meilleures décisions. C'est le résultat qui compte le plus.
Final LiteFarm UI screens deliveredÉcrans UI finaux livrés pour LiteFarmLiteFarm website design and marketing materialsDesign du site web et supports marketing LiteFarm
The reusable playbookLe guide réutilisable
01
Protect the thinking, automate the scaffoldingProtéger la réflexion, automatiser l'échafaudage
AI should handle the parts of the process that don't require human judgment, formatting, drafting, first-pass clustering, documentation. The moments that require interpretation, empathy, and argument are yours. Keep them that way.L'IA doit gérer les parties du processus qui n'exigent pas de jugement humain, mise en forme, rédaction, premier clustering, documentation. Les moments qui exigent interprétation, empathie et argumentation vous appartiennent. Gardez-les ainsi.
02
Arrive informed, not emptyArriver informé, pas les mains vides
Domain immersion before interviews is not optional. AI-assisted research briefings compress weeks of background work into days. Show up fluent enough to ask the questions that matter.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.
03
Evidence, not summaryDes preuves, pas un résumé
The difference between research that changes decisions and research that gets filed is structure. Affinity diagrams, empathy maps, and insight hierarchies are arguments. Build them like you intend to win with them.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'insight sont des arguments. Construisez-les avec l'intention de gagner.
04
Know where AI failsSavoir où l'IA échoue
Rapid prototyping, emotional nuance, stakeholder navigation, and final visual judgment are not AI problems. Treat them like they are, and you will ship the wrong things faster. That is not progress.Le prototypage rapide, la nuance émotionnelle, la navigation avec les 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. Ce n'est pas du progrès.
05
The method travelsLa méthode se transpose
Everything I built at LiteFarm can be mapped onto a team of two, five, or twenty. The pipeline scales. The principles stay the same.Tout ce que j'ai construit chez LiteFarm peut se transposer sur une équipe de deux, cinq ou vingt personnes. Le pipeline s'adapte à l'échelle. Les principes restent les mêmes.
The work I do is research-driven and hands-on. I think at the strategy level and stay in the craft. If you're building something that needs both, let's talk.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.
