DIY ou artisan ?

Le fossé du vocabulaire

Un robinet qui goutte, une prise morte, un mur vide qui attend une étagère. La plupart des gens pourraient réparer beaucoup de ces choses eux-mêmes — mais ils ne savent pas comment ça s’appelle, ne peuvent donc pas le chercher, ni juger s’il s’agit d’un travail de quinze minutes ou d’un appel à l’électricien. Alors ils laissent tomber, ou paient un pro pour quelque chose de simple.

Notre note de concept le formulait ainsi : c’est un fossé de langage expert, pas d’intelligence ni de motivation. La cible : locataires et propriétaires en Allemagne sans expérience du bricolage.

La photo d’abord — et l’utilisateur garde la main

Une photo ne demande aucun vocabulaire. Mais un classifieur d’images classique ne suffisait pas : la photo d’un mur vide peut vouloir dire « je veux fixer une étagère », « la peinture est abîmée » ou « il y a une fissure ». Les pixels seuls ne tranchent pas — d’où un modèle vision-langage et une ligne de texte facultative.

Nous avons aussi choisi de ne pas demander de catégorie avant la photo. Demander « électricité ou plomberie ? » ramène aussitôt la barrière du vocabulaire — et celui qui connaît déjà la réponse n’est pas la personne pour qui nous concevions.

Comme le modèle peut se tromper, l’utilisateur voit d’abord ce qui a été détecté et peut le corriger avant que le moindre conseil soit généré.

Des décisions, pas des dissertations

Le backend fait deux appels au modèle, tous deux contraints à une structure fixe : le premier classe le corps de métier, la difficulté et le niveau de confiance — et repère quand une photo ne montre aucune tâche domestique. Le second rédige une à cinq cartes : une option DIY avec outils, étapes, durée et coût, et une option pro avec une fourchette de prix et des artisans à proximité.

Des cartes plutôt qu’un chat, parce qu’ici les gens veulent décider, pas lire. Et une règle prime sur tout : traces de brûlure, gaz ou eau près de l’électricité signifient toujours pro — sans contournement DIY.

« Qu’ont fait des gens comme moi ? »

Une recommandation du type « faites-le vous-même » paraît vite insistante. Nous montrons donc ce que des personnes comparables ont réellement fait : « 68 % des personnes avec un profil comme le vôtre l’ont fait elles-mêmes. » Le profil vient d’un onboarding de quatre questions — quatre taps au lieu de onze curseurs — traduit en onze valeurs sur le téléphone. Un système de recommandation k-NN (la partie de Paul) trouve les 50 utilisateurs les plus proches ; s’il y en a trop peu, le badge reste masqué.

Ma partie : réunir les deux signaux, le verdict de l’IA et la preuve sociale.

Mesurer

Nous avons testé l’étape image sur un jeu de 15 photos domestiques sélectionnées (14 évaluées) et le système de recommandation sur 120 000 décisions simulées, avec des utilisateurs de test jamais vus à l’entraînement.

Les pourcentages sont fiables : quand l’app affiche 70 %, environ 70 % des utilisateurs similaires le font vraiment eux-mêmes. Les erreurs aussi étaient parlantes — le mur vide était la photo la plus difficile, et certaines tâches ont été jugées plus prudemment que prévu. Plutôt une question produit qu’un bug : à quel point l’app doit-elle être prudente ?

Boucler la boucle

À l’ouverture suivante, l’app demande comment s’est passée la dernière tâche : fait moi-même, fait appel à un pro, pas encore eu le temps. La réponse alimente le profil, si bien que les recommandations deviennent plus personnelles à l’usage.

Ce que je ferais ensuite

• De vraies données. Le système de recommandation a appris sur des utilisateurs synthétiques : le pourcentage est donc encore une prédiction du modèle, pas une vraie preuve sociale.
• Tests utilisateurs. Nous avions prévu une évaluation des cartes et un test de confiance — c’est la première chose que je lancerais.
• La confidentialité avant le lancement. Des photos de chez soi exigent un consentement avant le premier envoi, un hébergement dans l’UE et la conformité au RGPD.
• Comparer les modèles. Nous n’avons utilisé qu’un seul fournisseur ; l’arbitrage coût, vitesse et confidentialité reste ouvert.

Ce que j’en retiens : le plus difficile dans une fonctionnalité d’IA n’est pas l’appel au modèle, mais de décider quand le produit doit lui faire confiance — et de concevoir les moments où l’utilisateur peut dire « non, c’est faux ».