Habr AI montre comment bâtir la plateforme de marque d'une startup en 8 heures, sans designer

Habr AI a publié une analyse détaillée expliquant pourquoi une plateforme de marque peut servir à une startup avant même un MVP complet. L'auteur montre comment construire en huit heures un système de contraintes textuelles dont on dérive ensuite la landing page, les écrans de l'application et les créatifs publicitaires, sans revenir sans cesse à un vague « fais joli ».

Pourquoi la marque passe avant le MVP

La thèse centrale de l'article : à un stade précoce, la marque n'est ni un logo ni une enveloppe décorative. Elle fonctionne comme un système de contraintes : elle fixe la voix du produit, le type de choix visuels, les promesses admissibles et la manière de s'adresser à l'audience. Sans ce système, chaque nouvel artefact, de la bannière à la carte pour les réseaux sociaux, doit être généré de zéro. Résultat : le modèle retombe sans cesse sur un design moyen à l'air « haut de gamme », convaincant en apparence, mais qui touche mal un utilisateur précis.

L'article l'illustre avec un cas de test : une PWA pour voyageurs en véhicule tout-terrain sur les pistes de Russie, de Mongolie et de Chine. La landing page rapide, assemblée en cinq minutes, est sortie avec un thème sombre, des métriques inventées, deux CTA et une fausse preuve sociale. La version produite via le pipeline en huit heures est plus sobre, mais plus honnête : un seul CTA, des scénarios d'usage réels, et l'accent visuel mis sur le terrain et sur le langage de l'audience. Pour l'auteur, l'important n'est pas l'effet « wow » immédiat, mais la possibilité d'appliquer la même approche à de nouveaux écrans et créatifs.

« 20 artefacts de 5 minutes, ce sont 20 loteries. 8 heures une seule

fois, c'est un système. »

Les composantes du pipeline

L'auteur propose de commencer non par Figma ni par la génération d'une « jolie landing page », mais par l'ontologie du produit : ce qu'il change exactement dans le rapport de la personne à son environnement, quel est son archétype, et où passe la frontière entre utilité et fausses promesses. De ce niveau découle la plateforme de marque, puis les règles de sémantique visuelle, le système d'identité, les tokens et, seulement ensuite, les artefacts concrets. Dans une telle chaîne, chaque décision peut s'expliquer avec des mots et se vérifier au regard de la logique d'ensemble.

• Ontologie du produit et JTBD
• Plateforme de marque avec invariants
• Principes de sémantique visuelle
• Identité visuelle, tokens et composants
• Écrans, landing page et spécification des créatifs

L'idée clé : les prompts cessent d'être une liste de souhaits de goût. Au lieu du mot « joli », ils contiennent des contraintes précises : pourquoi le thème sombre est inutile, pourquoi un seul CTA, comment montrer l'ancienneté des données, quand des personnes à l'image sont acceptables et quand elles ne le sont pas. Cette approche relève moins de la génération libre que de la production pilotée par les contraintes (constraint-driven production) : on fixe d'abord une spécification, puis on en dérive pas à pas les interfaces, les illustrations et les supports marketing. Plus un produit a besoin d'artefacts, plus cette couche préalable devient rentable.

Là où l'IA se trompe

L'un des moments les plus parlants de l'analyse est une erreur du modèle lui-même au sein d'un pipeline soigneusement construit. À une étape, l'IA a décidé que les visuels ne devaient montrer aucun visage : le territoire devait, selon elle, rester le sujet principal de l'image et l'interface s'exprimer à la première personne. Sur le papier, l'explication semblait logique, mais elle contredisait ce que l'on sait de l'audience. Pour les overlanders, la confiance dans les données dépend de leur source ; des personnes à l'image sont donc parfois indispensables : celui qui montre la route, commente un gué à côté du véhicule ou partage une observation fait partie du produit.

L'auteur ne se sert pas de cet épisode pour critiquer les modèles, mais pour en tirer une conclusion plus dure : l'ingénierie de prompts agit comme un multiplicateur, mais ne crée pas de connaissance métier à partir de rien. Le pipeline aide à consigner les décisions, à vérifier leur cohérence et à repérer où l'IA s'est trompée de façon convaincante. Mais la vérification finale reste le fait d'un humain qui comprend le marché, l'audience et le contexte d'usage. C'est pourquoi l'article présente la plateforme de marque non comme un remplaçant du designer ou du product manager, mais comme un moyen de coucher l'intuition professionnelle par écrit et de la rendre reproductible.

Ce que cela signifie

Pour les fondateurs solo et les petites équipes, la conclusion est simple : avant la landing page et les bannières, mieux vaut consacrer quelques heures à un fichier de contraintes d'une page, avec principes, contre-exemples et voix de la marque. Cela ne remplacera pas la validation des hypothèses sur le marché, mais cela réduira le chaos des générations et aidera à assembler plus vite un système cohérent plutôt qu'un lot d'images aléatoires.