Flevoo · IA
Explorer un concept avec l'IA
Une exploration menée jusqu'au bout d'un vrai produit
Flevoo est une exploration personnelle que j'ai voulu mener au plus près d'un projet réel, pour éprouver la conception assistée par IA sur toute la chaîne, du cadrage de l'idée jusqu'à l'infrastructure. Le point de départ est un comparateur de prix carburant, un terrain volontairement simple. L'intérêt était ailleurs, dans une hypothèse stratégique que je voulais explorer : une application grand public entièrement gratuite pourrait-elle, en théorie, alimenter un modèle de données B2B ? Il ne s'agissait pas de commercialiser, mais de pousser un concept aussi loin que possible pour comprendre où il tiendrait et où il céderait.
Le prix est public, le comportement ne l'est pas
La donnée des prix carburant est publique. L'API du gouvernement la met à disposition de tous, et n'importe qui peut l'agréger pour en tirer des cartes ou des métriques. C'est précisément ce qui la prive de valeur marchande, car ce que tout le monde possède ne se vend pas. La vraie valeur est dans ce que cette donnée publique ne dit pas. Le prix affiché ne révèle ni quelles stations sont réellement fréquentées, ni à quels moments les automobilistes font le plein, ni si une variation de prix change vraiment leur comportement, ni quel budget ils consacrent au carburant. Ces signaux, seul l'usage les produit, et aucune API publique ne les contient.
C'est là que reposait l'hypothèse de Flevoo. Croiser la donnée publique des prix avec la donnée comportementale issue de l'usage permettrait de produire des métriques par zone et par période, le type d'information qu'un assureur, une enseigne ou un réseau de stations pourrait exploiter. Le modèle ne tirerait pas sa valeur de la donnée elle-même, mais du croisement de deux sources dont une seule est exclusive. C'est cette articulation que l'exploration cherchait à éprouver.
Montrer à l'utilisateur ce que l'on sait de lui
Un modèle fondé sur la donnée comportementale pose d'emblée une question de confiance. Concevoir ce produit, c'était donc décider autant ce que l'on collecte que ce que l'on refuse de collecter. Le parti pris a été la transparence par défaut. Depuis ses réglages, l'utilisateur voit exactement ce que Flevoo sait de lui, sans aucune information personnelle, seulement les caractéristiques de son véhicule et, s'il l'accepte explicitement, sa localisation. Rien n'est capté sans qu'il puisse le constater, et la géolocalisation reste un choix, jamais un prérequis.
Ce n'est pas un détail de conformité posé après coup. Pour un produit dont la valeur repose sur la donnée, savoir tracer la frontière de ce que l'on ne prend pas est une décision de conception à part entière, celle qui sépare un service de confiance d'une simple captation.
Construire seul ce qui demande normalement une équipe
L'objet réel de l'exploration était là, voir jusqu'où un designer peut porter un produit complet quand l'IA devient un partenaire à chaque étape, et non un outil ponctuel. La conception des écrans s'est appuyée sur le MCP Figma, qui générait les maquettes à partir de mes spécifications. Je repassais ensuite les découper et en créer les composants, le travail de structuration d'un design system. L'exploration s'est appuyée sur une stack React Native, NativeWind et Supabase, non pour endosser un rôle de développeur, mais pour dialoguer avec la technique et en comprendre les contraintes de bout en bout.
Le moment le plus révélateur a été technique, hors de mon terrain habituel. Choisir un VPS, installer une base de données auto-hébergée, mettre en place les crons, déployer une application testable sur mon propre téléphone, autant d'étapes qui relèvent normalement d'un profil développeur ou ops. L'enjeu n'était pas que l'IA écrive le code à ma place, mais qu'elle me permette de décider en terrain inconnu, de comprendre ce que je mettais en place plutôt que de l'appliquer à l'aveugle. Pour tenir une cohérence sur l'ensemble du projet, j'ai formalisé cette collaboration à travers des rules et des skills, afin que l'IA reste alignée sur mes choix d'un bout à l'autre, au lieu de repartir dans tous les sens à chaque étape.
L'exploration s'est arrêtée à la frontière du produit grand public. Le volet B2B, lui, est resté au stade de la conception. Le construire aurait surtout dupliqué une compétence que je maîtrise déjà, créer un SaaS web avec l'IA, pour un bénéfice trop faible au regard de l'effort et du coût d'une seconde infrastructure. M'arrêter là était une décision de cadrage, pas un abandon.
Un marché qui se gagne par la donnée, pas par le produit
Reste l'enseignement le plus net de l'exploration, celui qui touche à la viabilité du modèle. La donnée comportementale ne vaut qu'à grande échelle. Les habitudes de quelques centaines d'utilisateurs n'intéressent personne, il en faut une masse pour que les métriques par zone soient fiables. La gratuité totale était la réponse logique pour l'atteindre, en faisant du nombre d'utilisateurs le moteur du modèle plutôt qu'une source de revenu directe. Mais la gratuité ne suffit pas, car tout entrant peut l'offrir, et un acteur déjà installé l'offre aussi, avec une longueur d'avance.
La valeur de ce type de donnée croît avec le temps et le volume. Le premier arrivé accumule un historique que les suivants ne rattrapent pas, et cet écart se renforce de lui-même. L'analyse du marché l'a confirmé, la position est déjà tenue par un acteur établi, dont la barrière n'est pas la qualité du produit mais l'antériorité des données. C'est la conclusion que je retiens de Flevoo. Sur ce marché, l'avantage décisif ne se conçoit pas, il s'accumule.
Deezer
Organiser ses playlists par intensité musicale
