Je sors d'un atelier de design thinking avec un collectif marketing. Résultat : une solution IA riche en features, bien pensée, bien packagée. Un seul problème : personne dans la pièce n'avait clairement défini le problème à résoudre.
Et le plus savoureux : ces mêmes collectifs ont refusé de travailler en co-construction avec l'IA générative pendant l'atelier. Celle-là même qu'ils veulent vendre à leurs clients. Le cordonnier le plus mal chaussé a trouvé son équivalent 2026.
Ce n'est pas un jugement. C'est un symptôme. Et il explique à lui seul une bonne partie des 79% de projets IA qui ne génèrent pas de valeur (Gartner).
Le faux problème : "il faut faire de l'IA"
L'IA fascine tellement qu'elle court-circuite le raisonnement. On saute directement à "qu'est-ce qu'on peut faire avec ?" avant même d'avoir répondu à "qu'est-ce qui fait vraiment souffrir les équipes ?"
→ Faire de l'IA pour faire de l'IA — séduisant.
→ Faire de l'IA pour soulager un métier sur ses vrais irritants — utile.
La nuance est énorme. Les résultats, encore plus.
Le vrai problème : "problem first" est devenu un slogan vide
Tout le monde dit "problème d'abord, solution après". Personne ne le fait vraiment. Voici le test que j'applique systématiquement en kick-off :
Si vous ne pouvez pas formuler le problème en une phrase sans mentionner une technologie, vous n'avez pas encore trouvé le problème.
Exemples concrets :
→ "On veut déployer un chatbot client" → c'est une solution, pas un problème.
→ "On veut faire de l'IA générative dans le marketing" → solution sans problème.
→ "Nos commerciaux passent 4h/semaine à recopier des données entre Salesforce et Excel, et ça leur coûte 12 visites client par mois" → vrai problème. L'IA n'est peut-être même pas la réponse.
La bascule : design thinking AI-Native vs design thinking 2010
Le design thinking classique ne suffit plus. Pas parce qu'il est faux. Parce qu'il a été conçu dans un monde où la production d'idées coûtait cher. Aujourd'hui, l'IA produit 50 idées de qualité en 2 minutes. Le rare devient le filtre, pas l'idée.
Cas vécu : un atelier de cadrage qui mettait habituellement 5 semaines pour formaliser un besoin client. Avec l'IA intégrée dans la structuration, l'idéation et la synthèse : 3 heures.
Pas parce qu'on a remplacé les humains. Parce qu'on a redessiné le geste de travail :
→ L'IA produit 30 reformulations du problème — les humains choisissent les 3 plus justes.
→ L'IA synthétise 200 verbatims clients — les humains identifient les 5 patterns récurrents.
→ L'IA génère 50 idées de solution — les humains arbitrent selon les contraintes terrain.
L'humain ne produit plus l'analyse. Il arbitre. C'est une posture différente, et elle ne s'apprend pas en regardant un slide.
Lundi matin : le test du brief en 1 phrase
Avant d'autoriser un atelier de design thinking IA, posez les 4 contrôles suivants :
- Le problème peut-il être formulé en 1 phrase sans mentionner d'outil ? Si non, c'est qu'on a une solution à la recherche d'un problème.
- L'irritant est-il chiffré ? Combien d'heures par semaine, combien d'euros par mois, combien de clients perdus. Sans chiffre, pas de mesure de valeur post-projet.
- Les utilisateurs finaux ont-ils été observés dans leur quotidien réel (pas interviewés en salle de réunion) ? Le shadow AI vous montre souvent où sont les vrais irritants — bien mieux qu'un atelier de cadrage.
- L'équipe qui anime l'atelier utilise-t-elle elle-même l'IA dans son quotidien ? Le cordonnier mal chaussé ne sait pas vendre des chaussures.
L'outil ne définit pas le besoin. Le besoin définit l'outil. Et pour accompagner les autres dans la transformation IA, encore faut-il avoir commencé à marcher soi-même.
Quel est le dernier problème que votre équipe a essayé de résoudre avec l'IA sans pouvoir le formuler en 1 phrase claire ?