Prechádzať zdrojové kódy

Add PRD and planning artifacts

augustin.podvin 8 mesiacov pred
rodič
commit
4cb4f6ba26

+ 295 - 13
_bmad-output/planning-artifacts/prd.md

@@ -1,5 +1,5 @@
 ---
-stepsCompleted: [step-01-init, step-02-discovery, step-02b-vision, step-02c-executive-summary, step-03-success, step-04-journeys, step-05-domain]
+stepsCompleted: [step-01-init, step-02-discovery, step-02b-vision, step-02c-executive-summary, step-03-success, step-04-journeys, step-05-domain, step-06-innovation, step-07-project-type, step-08-scoping, step-09-functional, step-e-01-discovery, step-e-02-review, step-e-03-edit]
 inputDocuments:
   - '_bmad-output/planning-artifacts/product-brief-AImpact-Hub-2026-02-24.md'
   - '_bmad-output/brainstorming/brainstorming-session-2026-02-24.md'
@@ -13,6 +13,10 @@ classification:
   domain: general
   complexity: low-medium
   projectContext: greenfield
+lastEdited: '2026-02-27'
+editHistory:
+  - date: '2026-02-27'
+    changes: 'Repositionnement produit — accélérateur de culture IA. Ajout éducation contextuelle dans formulaire (exemples LLM secteur/département), bibliothèque de cas d'usage IA partagée CDO-métiers, enrichissement traduction problème→cas IA, NFR section, mise à jour User Journey Sophie, Innovation section.'
 ---
 
 # Product Requirements Document - AImpact Hub
@@ -22,21 +26,25 @@ classification:
 
 ## Executive Summary
 
-**AImpact Hub** est un SaaS B2B de collecte et priorisation de cas d'usage IA, conçu pour les responsables de la transformation digitale (CDO, directeurs innovation, DG) dans des entreprises de 40 à 1 500 personnes.
+**AImpact Hub** est un SaaS B2B d'accélération de la culture IA dans l'entreprise — combinant collecte de cas d'usage, éducation IA contextuelle et priorisation collaborative — conçu pour les responsables de la transformation digitale (CDO, directeurs innovation, DG) dans des entreprises de 40 à 1 500 personnes.
 
-Le problème central n'est pas l'absence d'idées — c'est l'**isolement du CDO**. Il a un mandat ("on fait de l'IA") mais aucun signal terrain qui remonte naturellement. Les idées des métiers restent dans des Excel éparpillés, des conversations de couloir ou simplement dans la tête des gens. ChatGPT a débloqué la demande : les équipes *veulent* faire de l'IA sur leurs données. Mais sans méthode pour identifier et prioriser quoi faire en premier, les initiatives se lancent sans ancrage métier, les POC meurent, et le CDO avance dans le flou.
+Le problème central n'est pas l'absence d'idées — c'est l'**isolement du CDO** couplé à l'**inhibition des métiers**. Le CDO a un mandat ("on fait de l'IA") mais aucun signal terrain qui remonte naturellement. Les métiers, eux, ont des problèmes concrets — mais ne se sentent pas légitimes pour parler d'IA. Résultat : les idées restent dans des Excel éparpillés, des conversations de couloir ou simplement dans la tête des gens. ChatGPT a débloqué la demande : les équipes *veulent* faire de l'IA sur leurs données. Mais sans méthode pour identifier et prioriser quoi faire en premier, les initiatives se lancent sans ancrage métier, les POC meurent, et le CDO avance dans le flou.
 
-AImpact Hub crée le **chaînon manquant** : les métiers soumettent leurs idées en langage terrain (aucun jargon IA requis), le CDO centralise, et l'IA effectue un premier scoring automatique (impact métier, faisabilité, urgence) qu'il ajuste et réordonne via drag & drop. La boucle se referme côté contributeur : il suit le statut de son idée (`Envoyé → En traitement → Mis à l'ordre du jour`), répond aux questions de qualification si besoin, et revient naturellement soumettre la suivante.
+AImpact Hub crée le **chaînon manquant** à trois niveaux : (1) le formulaire de soumission **éduque activement** les contributeurs en leur montrant des exemples concrets de cas IA dans leur secteur et leur fonction — générés par LLM au moment de l'ouverture du formulaire — pour qu'ils reconnaissent leurs propres problèmes comme des opportunités IA ; (2) une **bibliothèque de cas d'usage IA partagée** entre le CDO et ses équipes leur permet de parcourir ensemble des exemples inspirants et d'identifier collectivement les chantiers prioritaires ; (3) le CDO reçoit des fiches enrichies (titre, domaine IA, type de technologie, scores suggérés, explication claire du potentiel IA) qu'il ajuste et réordonne via drag & drop. La boucle se referme côté contributeur : il suit le statut de son idée (`Envoyé → En traitement → Mis à l'ordre du jour`), répond aux questions de qualification si besoin, et revient naturellement soumettre la suivante.
 
 ### Ce qui rend ce produit unique
 
 **Pas Notion, pas Excel — un système prêt à l'emploi :** Notion est une page blanche. Le CDO doit concevoir le système, le maintenir, former les contributeurs, et espérer qu'ils s'y tiennent. AImpact Hub *est* le système : le formulaire est déjà en langage métier, le pipeline est déjà structuré, le scoring est déjà là. Rien à construire, rien à maintenir.
 
+**Le formulaire qui éduque :** un contributeur qui n'a jamais pensé à l'IA ouvre le formulaire et voit 2-3 exemples de cas IA concrets dans son secteur et sa fonction — générés par le LLM sur la base du contexte workspace (secteur, taille). Il ne part pas d'une page blanche mais d'un miroir de sa propre réalité métier. L'inhibition ("je ne suis pas légitime") se dissout avant même la première saisie.
+
+**Une plateforme commune, pas deux outils séparés :** la bibliothèque de cas d'usage IA partagée est accessible à la fois au CDO et aux métiers. Ce n'est pas un outil de conseil d'un côté et une boîte à idées de l'autre — c'est un **espace de rencontre** où les équipes et le Transformateur construisent ensemble la vision de ce qu'est l'IA dans leur entreprise.
+
 **Asymétrie préservée :** les contributeurs *rêvent* (ils décrivent un problème, pas un cas d'usage IA), le CDO *décide* (l'IA suggère un premier tri, l'humain arbitre et réordonne). Les idées non prioritaires ou hors scope sont visibles et classées — rien n'est perdu, tout est arbitré.
 
 **Conçu pour 1 utilisateur :** fonctionne dès J+1 avec un seul Transformateur, zéro setup, zéro administrateur. Opérationnel en 10 minutes par conception : workspace → invitations → premier formulaire soumis.
 
-**Timing exact :** la demande IA explose post-ChatGPT. Les CDOs ont le mandat, les budgets bougent, les métiers veulent contribuer. Il manquait l'outil adapté aux contraintes terrain : pas de jargon, pas de formation, pas de maintenance.
+**Timing exact :** la demande IA explose post-ChatGPT. Les CDOs ont le mandat, les budgets bougent, les métiers veulent contribuer. Il manquait l'outil adapté aux contraintes terrain : pas de jargon, pas de formation, pas de maintenance — et qui **active la curiosité IA** plutôt que de la supposer déjà présente.
 
 ## Classification du projet
 
@@ -92,15 +100,15 @@ AImpact Hub crée le **chaînon manquant** : les métiers soumettent leurs idée
 
 ### MVP — Minimum Viable Product
 
-Workspace + onboarding, formulaire soumission (5 champs, langage métier), ingestion email dédiée par workspace, backlog central (liste + kanban 4 colonnes), fiche cas d'usage, scoring IA avec ajustement manuel, drag & drop priorisation, statuts contributeur (`Envoyé → En traitement → Mis à l'ordre du jour`), export PDF / lien partageable.
+Workspace + onboarding (avec configuration secteur/taille entreprise), formulaire soumission avec **exemples IA contextuels générés par LLM** (secteur + département), **bibliothèque de cas d'usage IA** partagée CDO-métiers (parcourir + adopter comme point de départ), ingestion email dédiée par workspace, backlog central (liste + kanban 4 colonnes), fiche cas d'usage avec **explication enrichie** (titre, domaine IA, type de technologie, scores, explication claire du potentiel IA en langage non-technique), scoring IA avec ajustement manuel, drag & drop priorisation, statuts contributeur (`Envoyé → En traitement → Mis à l'ordre du jour`), export PDF / lien partageable.
 
 ### Growth (Post-MVP)
 
-Notifications email, import Excel/CSV, intégration Teams/Slack, commentaires et échanges sur chaque fiche, critères de scoring configurables.
+Notifications email, import Excel/CSV, intégration Teams/Slack, commentaires et échanges sur chaque fiche, critères de scoring configurables, interview IA légère (LLM pose 1-3 questions de qualification post-soumission).
 
 ### Vision (Long terme)
 
-Regroupement automatique d'idées similaires, suggestions de cas d'usage par secteur, suivi de valeur baseline/résultats, benchmarking anonymisé inter-entreprises, module reporting COMEX avancé, multi-workspace par organisation.
+Dashboard maturité IA de l'organisation (répartition des idées par type IA, par département, profondeur de la culture IA), regroupement automatique d'idées similaires, parcours éducatif étendu pour le CDO (benchmark sectoriel, aide à la décision sur chaque fiche), suivi de valeur baseline/résultats, benchmarking anonymisé inter-entreprises, module reporting COMEX avancé, multi-workspace par organisation.
 
 ## User Journeys
 
@@ -124,13 +132,13 @@ Fin du mois : 12 idées qualifiées, export généré. Au COMEX, pour la premiè
 
 **Sophie, 38 ans, Responsable RH — même entreprise**
 
-Sophie reçoit l'invitation de Marc. Le message est clair : *"On construit la roadmap IA de l'entreprise. J'ai besoin de ta perspective terrain."* Elle ne se sent pas légitime sur l'IA, mais la première question du formulaire change la perspective : *"Décrivez quelque chose dans votre quotidien qui vous prend du temps et qui pourrait bénéficier de données ou d'automatisation."*
+Sophie reçoit l'invitation de Marc. Le message est clair : *"On construit la roadmap IA de l'entreprise. J'ai besoin de ta perspective terrain."* Elle ne se sent pas légitime sur l'IA — elle n'y connaît rien. Mais avant même de voir le formulaire, la plateforme lui présente 3 exemples de cas IA en RH dans une entreprise de distribution : *"Analyser automatiquement les entretiens de sortie pour détecter des tendances"*, *"Générer des synthèses de CV pour pré-trier les candidatures"*, *"Identifier les signaux d'absentéisme dans les données de paie"*. Ces exemples ne viennent pas d'un consultant — ils ont été générés par le LLM à partir du secteur et du département configurés dans le workspace.
 
-Elle pense immédiatement aux comptes rendus d'entretiens de sortie — 15 à 20 documents non structurés à analyser manuellement chaque mois pour en extraire les tendances RH. Elle décrit ça en 3 lignes. Impact : fort. Urgence : récurrente. Soumet.
+Sophie lit le deuxième exemple et s'arrête. C'est exactement ce qu'elle fait à la main chaque mois. Elle n'aurait pas su appeler ça "un cas IA". Maintenant elle le sait. Elle clique sur le formulaire, décrit le problème en 3 lignes — 15 à 20 comptes rendus d'entretiens de sortie non structurés à analyser manuellement chaque mois. Impact : fort. Urgence : récurrente. Soumet.
 
-Deux jours plus tard : "En traitement". Marc lui a posé une question de qualification : *"Combien de temps y passez-vous chaque mois ?"* Elle répond en 30 secondes. La semaine suivante : "Mis à l'ordre du jour". Elle dit à sa collègue DAF : *"Tu devrais en soumettre une aussi."*
+Deux jours plus tard : "En traitement". Marc lui a posé une question de qualification : *"Combien de temps y passez-vous chaque mois ?"* Elle répond en 30 secondes. La semaine suivante : "Mis à l'ordre du jour". Elle dit à sa collègue DAF : *"Tu devrais en soumettre une aussi — il y a même des exemples pour la finance, tu verras."*
 
-**Capabilities révélées :** formulaire en langage terrain orienté problème/données, suivi de statut contributeur, questions de qualification Transformateur → Contributeur, boucle de retour visible.
+**Capabilities révélées :** exemples IA contextuels générés par LLM (secteur + département) avant la saisie, bibliothèque de cas d'usage comme point de départ optionnel, formulaire en langage terrain orienté problème/données, suivi de statut contributeur, questions de qualification Transformateur → Contributeur, boucle de retour visible.
 
 ---
 
@@ -164,9 +172,12 @@ Marc les passe une par une à "Non prioritaire". Elles ne disparaissent pas —
 
 | Capability | J1 Transfo | J2 Contrib | J2b Relance | J3 Edge |
 |---|---|---|---|---|
-| Création workspace + invitation | ✓ | | | |
+| Création workspace + invitation (configuration secteur/taille) | ✓ | | | |
 | Formulaire soumission (langage terrain / IA) | | ✓ | | |
+| **Exemples IA contextuels à l’ouverture du formulaire** | | ✓ | | |
+| **Bibliothèque de cas d’usage IA** (parcourir + adopter) | ✓ | ✓ | | |
 | Backlog central (liste + kanban) | ✓ | | | ✓ |
+| Fiche enrichie (titre, domaine IA, type IA, explication, scores) | ✓ | | | |
 | Scoring IA + ajustement manuel | ✓ | | | |
 | Drag & drop priorisation | ✓ | | | |
 | Suivi statut contributeur | | ✓ | | |
@@ -218,3 +229,274 @@ AImpact Hub traite des données personnelles d'employés (noms, emails, idées s
 **Hors scope MVP :**
 - DPA (Data Processing Agreement) formalisé — à prévoir pour les clients grands comptes en V2
 - Chiffrement end-to-end des pièces jointes — chiffrement au repos suffisant en MVP
+
+## Innovation & Patterns Différenciants
+
+### Innovation 1 : éducation contextuelle avant la saisie
+
+Le premier frein à la contribution n'est pas le manque de temps — c'est le sentiment de ne pas être légitime sur l'IA. AImpact Hub adresse ce frein **avant même que le contributeur ne touche le formulaire** : à l'ouverture, le LLM génère 2 à 3 exemples de cas d'usage IA concrets, adaptés au secteur de l'entreprise et au département du contributeur (quand connu).
+
+**Exemple :** pour un contributeur RH dans une entreprise de distribution, le LLM affiche :
+- *"Analyser automatiquement les entretiens de sortie pour détecter les tendances de turnover"*
+- *"Pré-trier les candidatures en extraisant les compétences clés des CV"*
+- *"Détecter les signaux d'absentéisme dans les données de paie"*
+
+Ces exemples ne sont pas des tips génériques — ils sont contextualisés. Un responsable logistique verra des exemples supply chain, un DAF verra des exemples finance.
+
+**Ce que font les alternatives :** aucune solution existante ne fait ce travail d'activation. Les contributeurs arrivent sur Notion ou un Google Form avec une page blanche. AImpact Hub leur donne un miroir de leur propre réalité métier.
+
+### Innovation 2 : bibliothèque de cas d'usage IA — espace commun CDO-métiers
+
+La bibliothèque est un catalogue de cas d'usage IA curatés et organisés par secteur et fonction, **accessible à la fois aux contributeurs et au CDO**. Ce n'est pas un outil de conseil parallèle : c'est une ressource partagée qui vit dans la même plateforme.
+
+- **Le contributeur** peut parcourir la bibliothèque pour s'inspirer, puis "adopter" un cas comme point de départ de sa soumission (pré-remplissage du formulaire)
+- **Le CDO** peut partager des cas de la bibliothèque avec ses équipes pour orienter la collecte vers des thématiques stratégiques
+- **Effet :** la bibliothèque crée un **langage commun IA** entre le CDO et ses métiers — ils ne partent plus de zéro à chaque conversation
+
+### Innovation 3 : couche de traduction problème → cas IA enrichi
+
+Le différenciateur technique d'AImpact Hub est la capacité à transformer une description de problème en langage terrain en une fiche de cas d'usage IA structurée, pré-scorée et expliquée — sans que le contributeur n'ait besoin de connaître l'IA.
+
+**Exemple :** le contributeur écrit *"On passe 3 heures par semaine à réconcilier des factures à la main"*. Le LLM produit automatiquement :
+- Titre normalisé : *"Automatisation réconciliation factures"*
+- Domaine détecté : Finance
+- Type d'IA pressenti : Automatisation de processus / OCR
+- Explication claire : *"L'IA peut lire vos factures (même scannées), en extraire les montants et références, et les rapprocher automatiquement de votre comptabilité. Pas besoin de données structurées en amont."*
+- Scores suggérés : impact fort, faisabilité moyenne, urgence récurrente
+
+Ce que font les alternatives : Notion, Excel et les outils génériques ne font pas cette traduction. Les cabinets de conseil la font à la main, en atelier, facturé 2 000 €/jour. AImpact Hub l'automatise et la rend accessible à tout moment.
+
+### Capacités LLM — MVP
+
+Le système doit fournir deux capacités IA distinctes : (1) afficher des exemples de cas d'usage contextuels à l'ouverture du formulaire contributeur, basés sur le secteur et la taille du workspace ; (2) enrichir chaque idée soumise (titre, domaine, type IA, explication, scores suggérés) après la soumission, pour que le CDO découvre une fiche déjà structurée dans son backlog. L'enrichissement est visible uniquement côté CDO ; les exemples à l'ouverture sont visibles par le contributeur. Les contraintes de délai et de fallback sont définies dans la section Non-Functional Requirements (NFR3, NFR4, NFR8, NFR9).
+
+### Roadmap innovation (V2+)
+
+**Interview IA légère :** après soumission, le LLM pose 1 à 3 questions de qualification pertinentes basées sur ce qui a été écrit — *"Vous mentionnez une ressaisie manuelle, quel volume par semaine ?"* — pour enrichir l'idée avant qu'elle arrive au CDO.
+
+**Traduction visible pour le contributeur :** afficher la fiche structurée au contributeur juste avant validation — effet "magique" : il décrit un problème, il voit apparaître un cas d'usage IA.
+
+**Dashboard maturité IA :** analyse agrégée du backlog — répartition des idées par type IA (automatisation, prédiction, NLP, vision), concentration par département, profondeur de la culture IA dans l'organisation.
+
+### Validation de l'approche
+
+| Risque | Mitigation |
+|---|---|
+| Exemples contextuels hors-sujet si secteur mal configuré | Onboarding demande secteur + sous-secteur, exemples affichent un avertissement si contexte générique |
+| Qualité du scoring LLM faible si description trop courte | Score = "suggestion" — le CDO ajuste toujours. Afficher une indication de confiance basée sur la longueur de la description |
+| Bibliothèque non utilisée (trop de friction) | Adoption optionnelle — le formulaire classique reste le chemin principal |
+| Appel API LLM en échec | Fallback : fiche créée sans enrichissement, CDO qualifie manuellement. Log d'erreur visible dans le workspace |
+
+## SaaS B2B — Requirements Spécifiques
+
+### Modèle multi-tenant
+
+Unité de tenant : le **workspace**. Chaque entreprise opère dans un workspace isolé. Les données (idées, contributeurs, fichiers) ne sont jamais partagées entre workspaces. Un Transformateur peut avoir plusieurs workspaces (rare en MVP mais techniquement supporté).
+
+### Modèle de permissions (RBAC)
+
+| Rôle | Capacités |
+|---|---|
+| **Transformateur** (admin) | Crée le workspace, invite les contributeurs, consulte le backlog, score et ajuste, drag & drop priorisation, pose des questions de qualification, marque "Non prioritaire", envoie les relances, exporte |
+| **Contributeur** | Soumet des idées, suit le statut de ses propres idées, répond aux questions de qualification |
+
+Pas de rôle intermédiaire en MVP. Pas d'accès en lecture seule public. Les exports sont soit PDF téléchargeable, soit lien partageable non authentifié (consultation uniquement).
+
+### Tiers d'abonnement (freemium — à affiner)
+
+**Objectif :** couvrir les coûts serveur (hébergement + appels API LLM) tout en maximisant l'adoption. Les limites du tier gratuit doivent permettre de vivre la valeur du produit, pas juste de le découvrir.
+
+| | **Free** | **Pro** *(à pricer)* |
+|---|---|---|
+| Workspaces | 1 | 1+ |
+| Idées max | 30 | Illimité |
+| Contributeurs max | 5 | Illimité |
+| Scoring LLM | ✓ (limité) | ✓ |
+| Export PDF | 1/mois | Illimité |
+| Relance automatique | ✓ | ✓ |
+| Support | — | Email |
+
+> **Principaux drivers de coût :** appels API LLM (~0.01-0.02€/idée scorée) + hébergement EU. Les limites du tier Free sont calibrées pour que le coût serveur reste marginal.
+> **À affiner :** pricing exact, seuils précis, éventuel tier Enterprise (SLA, DPA, SSO).
+
+### Intégrations
+
+| Intégration | Scope |
+|---|---|
+| Ingestion email (inbox dédiée par workspace) | MVP |
+| API OpenAI (scoring LLM) | MVP |
+| Export PDF | MVP |
+| Teams / Slack | V2 |
+| API publique | V2 |
+| Import Excel/CSV | V2 |
+
+### Conformité
+
+RGPD + hébergement EU — détaillé en section Domain Requirements.
+
+## Project Scoping & Phased Development
+
+### MVP Strategy & Philosophy
+
+**Approche MVP :** *Experience MVP* — faire vivre la valeur core dès le premier usage. Le produit est opinioné : aucun paramètre configurable en MVP, tout est fixe. Objectif : adoption, pas flexibilité.
+
+**Risques d'activation prioritaires :**
+- Le Transformateur crée le workspace et ne sait pas par où commencer → adressé par l'onboarding guidé
+- Les features proposées ne correspondent pas à ce que le Transformateur souhaitait en s'inscrivant → adressé par un onboarding qui montre la valeur immédiatement (soumettre sa première idée lui-même en 2 minutes)
+
+### MVP Feature Set (Phase 1)
+
+| # | Feature | Statut |
+|---|---|---|
+| 1 | Workspace + onboarding guidé *(configuration secteur/taille → soumettre 1ère idée → inviter 3 personnes → attendre 48h)* | ✅ Must-have |
+| 2 | Invitation contributeurs | ✅ Must-have |
+| 3 | Formulaire soumission (5 champs, langage terrain) | ✅ Must-have |
+| 4 | **Exemples IA contextuels à l’ouverture du formulaire** *(2-3 cas générés par LLM selon secteur + département)* | ✅ Must-have |
+| 5 | **Bibliothèque de cas d’usage IA** *(parcourir par secteur/fonction, adopter comme point de départ, accessible CDO + contributeur)* | ✅ Must-have |
+| 6 | Ingestion email dédiée par workspace | ✅ Must-have |
+| 7 | Backlog central — liste + kanban 4 colonnes | ✅ Must-have |
+| 8 | Fiche cas d’usage enrichie *(titre, domaine IA, type IA, explication claire, scores)* | ✅ Must-have |
+| 9 | Enrichissement LLM post-soumission (suggestion asynchrone) | ✅ Must-have |
+| 10 | Ajustement manuel du score | ✅ Must-have |
+| 11 | Drag & drop priorisation | ✅ Must-have |
+| 12 | Statuts contributeur (Envoyé / En traitement / Mis à l'ordre du jour) | ✅ Must-have |
+| 13 | Questions de qualification (Transformateur → Contributeur) | ✅ Must-have |
+| 14 | Statut "Non prioritaire" + filtrage backlog | ✅ Must-have |
+| 15 | Relance automatique J+21 | ✅ Must-have |
+| 16 | Relance manuelle Transformateur | ✅ Must-have |
+| 17 | Notification email Transformateur à nouvelle idée soumise | ✅ Must-have |
+| 18 | Export PDF / lien partageable | ✅ Must-have |
+| 19 | RGPD base + mention hébergement EU | ✅ Must-have |
+| 20 | Responsive correct (desktop-first, pas mobile-first) | ✅ Must-have |
+
+### Post-MVP Features
+
+**Phase 2 (Growth) :** Import Excel/CSV, notifications email contributeur enrichies, critères de scoring configurables, intégration Teams/Slack, commentaires/échanges sur fiche, interview IA légère (LLM pose 1-3 questions de qualification post-soumission).
+
+**Phase 3 (Expansion) :** Dashboard maturité IA (répartition par type IA, par département), traduction visible problème → cas IA côté contributeur, regroupement automatique d'idées similaires, parcours éducatif étendu pour tous profils, benchmarking anonymisé inter-entreprises, suivi de valeur baseline/résultats, multi-workspace/organisation, DPA, SSO.
+
+### Risk Mitigation Strategy
+
+| Risque | Mitigation |
+|---|---|
+| Activation nulle (page vide) | Onboarding guidé avec checklist 3 étapes |
+| PMF (mauvaises features) | Onboarding montre la valeur immédiatement — 1ère idée soumise en < 2 min |
+| Contributeurs qui ne reviennent pas | Relance J+21 + qualification questions + statuts visibles |
+| Exemples IA hors-sujet (secteur mal configuré) | Onboarding demande secteur obligatoire ; fallback sur exemples génériques avec indicateur visuel |
+| Bibliothèque non utilisée | Adoption optionnelle — chemin formulaire classique toujours disponible |
+| Scoring LLM décevant | Score labellisé "Suggestion IA", CDO ajuste toujours |
+| Coûts LLM dépassés | Limite 50 appels LLM/mois tier Free, fallback sans exemples si quota atteint |
+| Ingestion email en spam | SPF/DKIM, inbox dédiée par workspace |
+
+## Functional Requirements
+
+### Workspace & Gestion de compte
+
+- **FR1 :** Le Transformateur peut créer un workspace en renseignant le nom de l'entreprise et son email
+- **FR2 :** Le Transformateur suit un onboarding guidé à la création du workspace (checklist : configurer le contexte entreprise → soumettre une 1ère idée → inviter des contributeurs → attendre les premières soumissions)
+- **FR3 :** Le Transformateur peut configurer les informations de base de son workspace (nom, secteur d'activité, taille de l'entreprise en nombre d'employés) — ces données alimentent la personnalisation des exemples IA et des suggestions de la bibliothèque
+- **FR3b :** Le système utilise le secteur et la taille configurés pour contextualiser les appels LLM (exemples formulaire contributeur, bibliothèque cas d'usage) — si secteur non configuré, le LLM utilise un contexte générique entreprise PME
+- **FR4 :** Le système applique les limites du tier Free (nombre d'idées, contributeurs, exports)
+- **FR5 :** Le Transformateur peut voir son niveau d'abonnement et les limites associées
+
+### Gestion des contributeurs
+
+- **FR6 :** Le Transformateur peut inviter des contributeurs par email
+- **FR7 :** Le contributeur invité reçoit un email avec un lien direct vers le formulaire de soumission
+- **FR8 :** Le contributeur peut accéder au formulaire et soumettre une idée sans créer de compte
+- **FR9 :** Le Transformateur peut voir la liste des contributeurs invités avec leur statut (invité / a soumis / n'a rien soumis)
+- **FR10 :** Le système envoie automatiquement une relance aux contributeurs sans soumission 21 jours après leur invitation
+- **FR11 :** Le Transformateur peut envoyer manuellement une relance à tous les contributeurs du workspace
+- **FR12 :** Le Transformateur peut personnaliser le message de la relance manuelle (objet + corps) avant envoi
+- **FR13 :** Le Transformateur reçoit une confirmation avant envoi d'une relance manuelle indiquant le nombre de destinataires
+
+### Éducation IA & Bibliothèque de cas d'usage
+
+- **FR14-IA1 :** À l'ouverture du formulaire de soumission, le système affiche 2 à 3 exemples de cas d'usage IA contextuels, générés par le LLM sur la base du secteur et de la taille du workspace ; si le département du contributeur est connu, les exemples sont également filtrés par fonction
+- **FR14-IA2 :** Les exemples affichés ne contiennent pas d'acronymes ni de termes techniques IA dans le corps du texte (ex. NLP, OCR, ML, LLM, API) — uniquement des descriptions courtes en langage métier de problèmes que l'IA pourrait résoudre, testable par vérification d'absence de ces termes dans chaque exemple
+- **FR14-IA3 :** Le contributeur peut accéder à la bibliothèque de cas d'usage IA depuis le formulaire ; la bibliothèque est organisée par secteur et par fonction
+- **FR14-IA4 :** Le contributeur peut sélectionner un cas de la bibliothèque pour pré-remplir le formulaire (titre et description partiellement renseignés) — il adapte ensuite à sa situation réelle
+- **FR14-IA5 :** Le CDO peut accéder à la même bibliothèque depuis son tableau de bord workspace et partager un lien direct vers un cas ou une catégorie avec ses contributeurs
+- **FR14-IA6 :** La bibliothèque contient au minimum 5 cas d'usage IA par secteur principal (distribution, industrie, services, santé, finance) et par fonction principale (RH, finance, supply chain, commercial, opérations) au lancement
+
+### Soumission d'idées
+
+- **FR14 :** Le contributeur peut soumettre une idée via un formulaire web en langage métier (5 champs : description du problème, département, impact estimé, fréquence, pièces jointes optionnelles)
+- **FR15 :** Le contributeur peut soumettre une idée par email à une adresse inbox dédiée par workspace
+- **FR16 :** Le contributeur reçoit une confirmation visuelle de soumission
+- **FR17 :** Le contributeur peut joindre des fichiers à sa soumission — types acceptés : PDF, DOCX, XLSX, PNG, JPG ; taille max 10 Mo par fichier ; maximum 3 pièces jointes par soumission
+
+### Enrichissement IA & Scoring
+
+- **FR18 :** Le système enrichit automatiquement chaque idée soumise (asynchrone, < 10s) via LLM : titre normalisé (< 8 mots), domaine métier détecté (parmi : RH, Finance, Supply Chain, Commercial, Opérations, IT, Autre), type d'IA pressenti (parmi : Automatisation de processus, Analyse documentaire / NLP, Prédiction / Machine Learning, Vision par ordinateur, Autre), explication du potentiel IA en 2-3 phrases en langage non-technique, scores suggérés sur une échelle de 1 à 5 : impact métier, faisabilité technique, urgence
+- **FR18b :** L'explication générée par le LLM est rédigée pour être directement lisible par le contributeur et par le CDO — elle décrit ce que l'IA ferait concrètement, sans jargon, et les données requises pour que ça marche
+- **FR19 :** Le Transformateur peut voir les scores LLM suggérés (1-5) et l'explication enrichie pour chaque idée dans la fiche détaillée et dans la vue backlog
+- **FR20 :** Le Transformateur peut ajuster manuellement les scores (1-5) de chaque idée — la valeur ajustée remplace la suggestion LLM et est tracée dans l'historique de la fiche
+- **FR21 :** En cas d'échec de l'appel LLM (timeout, erreur API), le système crée la fiche sans enrichissement automatique dans un délai de 30s maximum ; un indicateur visuel "À qualifier manuellement" est affiché sur la fiche ; le CDO peut déclencher manuellement une nouvelle tentative d'enrichissement
+
+### Backlog & Gestion des idées
+
+- **FR22 :** Le Transformateur peut voir toutes les idées dans une vue liste triable (par score, date, statut, domaine)
+- **FR23 :** Le Transformateur peut voir toutes les idées dans une vue kanban 4 colonnes (Idée / À qualifier / Prioritaire / En cours)
+- **FR24 :** Le Transformateur peut filtrer le backlog par statut, domaine et contributeur
+- **FR25 :** Le Transformateur peut ouvrir la fiche détaillée d'une idée (description, score, statut, historique, pièces jointes)
+- **FR26 :** Le Transformateur peut changer le statut d'une idée (Envoyé / En traitement / Mis à l'ordre du jour / En cours / Non prioritaire) — les idées "Non prioritaire" sont exclues de la vue active mais restent accessibles via filtre
+- **FR27 :** Le Transformateur peut rechercher des idées par mots-clés dans le backlog
+- **FR28 :** Le Transformateur peut voir un résumé des nouvelles activités depuis sa dernière visite (nouvelles idées, réponses reçues)
+
+### Qualification & Communication
+
+- **FR29 :** Le Transformateur peut poser une question de qualification à l'auteur d'une idée depuis la fiche
+- **FR30 :** Le contributeur reçoit une notification email quand une question de qualification lui est posée
+- **FR31 :** Le contributeur peut répondre à la question de qualification (depuis email ou plateforme)
+- **FR32 :** Le Transformateur reçoit une notification email à chaque nouvelle idée soumise dans son workspace
+
+### Priorisation
+
+- **FR33 :** Le Transformateur peut réordonner les idées par drag & drop dans le backlog
+- **FR34 :** Le Transformateur peut voir le classement de priorité résultant de ses ajustements
+
+### Export & Partage
+
+- **FR35 :** Le Transformateur peut générer un export PDF du pipeline d'idées priorisé
+- **FR36 :** Le Transformateur peut générer un lien partageable en lecture seule vers son pipeline
+
+### Conformité & Données
+
+- **FR37 :** Le système affiche une mention RGPD sur le formulaire de soumission avant validation
+- **FR38 :** Le Transformateur peut supprimer des idées et des données contributeurs sur demande
+
+## Non-Functional Requirements
+
+### Performance
+
+- **NFR1 :** Le formulaire de soumission contributeur se charge en moins de 2 secondes pour 95% des accès (mesuré par monitoring applicatif)
+- **NFR2 :** La confirmation de soumission est affichée en moins de 1 seconde après validation du formulaire
+- **NFR3 :** La génération des exemples IA contextuels à l'ouverture du formulaire s'exécute en moins de 3 secondes ; en cas de dépassement, des exemples génériques pré-calculés sont affichés immédiatement
+- **NFR4 :** L'enrichissement LLM post-soumission (FR18) est complété en moins de 10 secondes pour 90% des soumissions ; au-delà de 30 secondes, la fiche est créée sans enrichissement (fallback)
+- **NFR5 :** Le backlog central se charge en moins de 3 secondes pour un workspace contenant jusqu'à 200 idées (mesuré sur connexion standard 10 Mbps)
+- **NFR6 :** L'ingestion email (soumission → idée créée dans le backlog) se complète en moins de 15 minutes pour 95% des emails
+
+### Disponibilité & Fiabilité
+
+- **NFR7 :** Disponibilité cible : 99% sur une fenêtre mensuelle (hors maintenance planifiée notifiée 24h à l'avance)
+- **NFR8 :** Le taux d'échec des appels LLM (enrichissement + exemples) ne dépasse pas 5% sur une fenêtre de 7 jours glissants ; au-delà, une alerte est déclenchée côté opérationnel
+- **NFR9 :** En cas d'indisponibilité du service LLM, le formulaire de soumission reste fonctionnel (exemples génériques affichés, enrichissement différé) — aucune interruption du flux contributeur
+
+### Coûts & Scalabilité LLM
+
+- **NFR10 :** Le coût moyen par idée soumise (appels LLM enrichissement + exemples formulaire) ne dépasse pas 0,05 € par idée en conditions normales d'utilisation
+- **NFR11 :** Le tier Free est limité à 30 idées avec enrichissement LLM par workspace ; au-delà, les nouvelles soumissions sont créées sans enrichissement automatique jusqu'au passage en tier Pro
+- **NFR12 :** Un workspace en tier Free ne génère pas plus de 50 appels LLM par mois (toutes sources : enrichissements + ouvertures de formulaire) ; cette limite est appliquée côté serveur
+
+### Sécurité & Données
+
+- **NFR13 :** Les données de tous les workspaces (idées, contributeurs, pièces jointes) sont hébergées exclusivement dans des datacenters situés en Union Européenne
+- **NFR14 :** Les données de chaque workspace sont isolées — aucune donnée d'un workspace n'est accessible depuis un autre workspace, y compris dans les prompts LLM (le contexte workspace envoyé au LLM n'inclut jamais de données d'autres workspaces)
+- **NFR15 :** Les pièces jointes sont stockées chiffrées au repos (AES-256 minimum)
+- **NFR16 :** Les communications entre le client et le serveur sont chiffrées en transit (HTTPS/TLS 1.2+)
+
+### Qualité des outputs LLM
+
+- **NFR17 :** Les exemples contextuels générés par le LLM sont affichés avec un indicateur de confiance "générique" si le secteur du workspace n'est pas configuré — le contributeur sait que les exemples ne sont pas personnalisés
+- **NFR18 :** Les scores LLM suggérés sont affichés avec un label explicite "Suggestion IA — à ajuster" dans l'interface CDO pour éviter toute confusion avec des scores validés manuellement

+ 334 - 0
_bmad-output/planning-artifacts/ux-design-specification.md

@@ -0,0 +1,334 @@
+---
+stepsCompleted: [1, 2, 3, 4, 5, 6, 7]
+inputDocuments:
+  - '_bmad-output/planning-artifacts/prd.md'
+  - '_bmad-output/planning-artifacts/product-brief-AImpact-Hub-2026-02-24.md'
+  - '_bmad-output/brainstorming/brainstorming-session-2026-02-24.md'
+---
+
+# UX Design Specification — AImpact Hub
+
+**Author:** Augustin
+**Date:** 2026-02-27
+
+---
+
+<!-- UX design content will be appended sequentially through collaborative workflow steps -->
+
+## Executive Summary
+
+### Project Vision
+
+AImpact Hub est un SaaS B2B qui accélère la culture IA en entreprise en créant le chaînon manquant entre les idées terrain et la roadmap du CDO. Le produit combine collecte de cas d'usage, éducation IA contextuelle et priorisation collaborative. La vision UX : réduire l'inhibition des métiers (« je ne suis pas légitime sur l'IA ») et l'isolement du CDO (« rien ne remonte spontanément ») — tout en restant opérationnel en 10 minutes, sans configuration complexe.
+
+### Target Users
+
+**Le Transformateur (CDO / responsable transformation)** — 40–1500 personnes, mandat « on fait de l'IA » sans méthode. Il crée le workspace, invite les contributeurs, consulte le backlog, score et priorise les idées, exporte la roadmap. Aha moment : une idée arrive sans qu'il l'ait demandée.
+
+**Le Contributeur métier** — RH, finance, supply chain, commercial… Non expert IA. Il soumet des idées via formulaire ou email. Impératif UX : langage métier pur, pas de jargon. Aha moment : son idée est visible dans le pipeline, elle compte.
+
+### Key Design Challenges
+
+- **Réduction de l'inhibition** : le contributeur doit se sentir légitime à parler d'IA dès l'ouverture du formulaire — les exemples contextuels LLM doivent être le miroir de sa réalité métier, pas une page blanche.
+- **Asymétrie préservée** : le contributeur « rêve » (décrit un problème), le CDO « décide » (score, priorise). L'interface doit clarifier sans infantiliser.
+- **Performance perçue** : exemples générés en < 3 s, enrichissement en < 10 s — sinon fallback immédiat sans bloquer le flux.
+- **Desktop-first responsive** : usage principal au bureau, mais le formulaire contributeur doit rester fluide sur mobile (soumission rapide).
+
+### Design Opportunities
+
+- **Éducation contextuelle** : les exemples IA à l'ouverture du formulaire sont un différenciateur majeur — UX à soigner pour maximiser la reconnaissance (« c'est exactement ce que je fais »).
+- **Bibliothèque de cas d'usage** : espace commun CDO–métiers — opportunité de créer un langage et un parcours partagés.
+- **Traduction problème → cas IA** : la fiche enrichie côté CDO est une « magie » à rendre visible et compréhensible — label « Suggestion IA » pour éviter la confusion.
+- **Onboarding 10 minutes** : checklist guidée (config → 1ère idée → inviter 3 personnes) — opportunité de prouver la valeur immédiatement.
+
+## Core User Experience
+
+### Defining Experience
+
+L'expérience centrale d'AImpact Hub repose sur **deux boucles complémentaires** :
+
+**Boucle contributeur** — Soumettre une idée en moins de 3 minutes. C'est l'action la plus critique : sans contribution, le produit n'a pas de valeur. Le parcours doit éliminer l'inhibition (exemples IA contextuels), réduire la friction (5 champs, langage métier, pas de compte) et confirmer immédiatement (statut visible).
+
+**Boucle transformateur** — Consulter le backlog, ajuster les scores, réordonner, exporter. Le CDO doit avoir une vision claire en 20 minutes pour préparer un point COMEX. L'enrichissement IA pré-structure les fiches ; l'humain arbitre et priorise.
+
+### Platform Strategy
+
+- **Web responsive, desktop-first** — usage principal au bureau
+- **Desktop** : backlog, kanban, fiches détaillées, drag & drop priorisation
+- **Mobile** : formulaire contributeur optimisé pour soumission rapide (lien email, 2 min)
+- **Souris/clavier** pour le Transformateur ; **touch** acceptable pour le Contributeur
+- Pas d'offline, pas d'app native en MVP
+
+### Effortless Interactions
+
+- **Ouverture du formulaire** : exemples IA contextuels affichés immédiatement (< 3 s) — pas de page blanche
+- **Soumission** : 5 champs, libellés en langage métier, pas de compte requis
+- **Réception côté CDO** : fiche déjà enrichie (titre, domaine, type IA, explication, scores suggérés)
+- **Fallback** : si LLM indisponible, exemples génériques + fiche créée sans enrichissement — jamais de blocage
+
+### Critical Success Moments
+
+| Moment | Utilisateur | Critère |
+|--------|-------------|---------|
+| Reconnaissance | Contributeur | « C'est exactement ce que je fais » en voyant les exemples IA |
+| Première soumission | Contributeur | Idée envoyée en < 3 min |
+| Première idée spontanée | Transformateur | Une idée arrive sans qu'il l'ait demandée |
+| Priorisation COMEX | Transformateur | Backlog ordonné en ~20 min |
+| Suivi visible | Contributeur | Statut « Mis à l'ordre du jour » affiché |
+
+### Experience Principles
+
+1. **Réduire l'inhibition** — le contributeur se sent légitime dès l'ouverture du formulaire
+2. **Jamais de page blanche** — exemples, bibliothèque ou champs guidés avant toute saisie
+3. **Zéro friction pour contribuer** — pas de compte, pas de jargon, pas de formation
+4. **Asymétrie claire** — le contributeur décrit, le CDO décide ; l'interface le reflète
+5. **Résilience** — si le LLM échoue, le flux reste utilisable (fallback, pas de blocage)
+
+## Desired Emotional Response
+
+### Primary Emotional Goals
+
+**Transformateur (CDO) — persona central :**
+- **Soulagement** : il n'est plus seul à porter la transformation — les idées remontent sans qu'il les aille chercher.
+- **Contrôle** : vision claire de qui pense quoi, dans quel ordre de priorité.
+- **Légitimité** : présenter au COMEX les idées de ses équipes, pas les siennes.
+- **Confiance** : le scoring IA est une aide ajustable — il décide toujours en dernier.
+
+**Contributeur métier :**
+- **Légitimité** : se sentir autorisé à parler d'IA malgré son manque d'expertise.
+- **Accomplissement** : son idée compte, elle est visible, elle avance.
+
+### Emotional Journey Mapping
+
+| Étape | Transformateur | Contributeur |
+|-------|----------------|--------------|
+| Onboarding | Espoir + impatience (« ça va vraiment marcher ? ») | Curiosité, légère inquiétude |
+| Backlog vide (J1-J3) | Inquiétude (« personne ne va participer ») | — |
+| Première idée reçue spontanément | **Soulagement profond** — moment « aha » | — |
+| Ouverture du formulaire | — | Reconnaissance (« c'est exactement ce que je fais ») |
+| Soumission | — | Accomplissement, soulagement |
+| Lecture fiche enrichie | Clarté, confiance dans l'outil | — |
+| Drag & drop priorisation | Contrôle, maîtrise | — |
+| Export COMEX | Fierté, efficacité | — |
+| Suivi statut | — | Confiance, envie de contribuer à nouveau |
+
+### Micro-Emotions
+
+- **Transformateur — peur du vide** : backlog vide les premiers jours → anxiété. Adressé par l'onboarding (checklist guidée, délai attendu « 48h à 3 jours ») et la relance J+21.
+- **Transformateur — confiance dans l'IA** : score LLM peut sembler arbitraire → label « Suggestion IA — à ajuster » + ajustement toujours possible = sentiment de maîtrise préservé.
+- **Contributeur — inhibition** : « mon idée est trop bête » → dissous par les exemples contextuels avant la saisie.
+
+### Design Implications
+
+| Émotion cible | Utilisateur | Approche UX |
+|---------------|-------------|-------------|
+| Soulagement | Transformateur | Notification immédiate à chaque nouvelle idée reçue |
+| Contrôle | Transformateur | Backlog trié, drag & drop fluide, scores ajustables |
+| Légitimité | Transformateur | Export professionnel « idées de vos équipes » pour le COMEX |
+| Confiance | Transformateur | Label « Suggestion IA », historique des ajustements |
+| Légitimité | Contributeur | Exemples IA contextuels en langage métier dès l'ouverture |
+| Accomplissement | Contributeur | Confirmation immédiate + statuts visibles et progressifs |
+
+### Emotional Design Principles
+
+1. **Adresser la peur du vide** — l'onboarding du Transformateur doit anticiper l'anxiété du backlog vide et cadrer les attentes
+2. **Préserver la maîtrise** — l'IA suggère, le CDO décide ; jamais de score imposé
+3. **Activer la légitimité avant la saisie** — pas de page blanche qui renforce l'inhibition côté contributeur
+4. **Confirmer chaque action** — soumission, changement de statut, question posée : retour visuel immédiat
+5. **Créer des moments de reconnaissance** — « c'est exactement ce que je fais » (contributeur) et « mon équipe pense à ça » (CDO)
+
+## UX Pattern Analysis & Inspiration
+
+### Inspiring Products Analysis
+
+| Produit | Ce qu'il fait bien | Leçon pour AImpact Hub |
+|---------|-------------------|------------------------|
+| **Linear** | Backlog ultra-lisible, drag & drop fluide, dense et lisible (≠ Jira) | Vue backlog CDO : puissant sans être complexe |
+| **Typeform** | Ton conversationnel, progression visible, zéro intimidation | Formulaire contributeur : libellés accessibles, confirmation forte |
+| **Notion** | Flexibilité, vues multiples | Anti-pattern : page blanche et setup long — à éviter absolument |
+| **Loom** | Onboarding qui prouve la valeur en < 2 min, partage en 1 clic | Onboarding CDO : première idée soumise en < 2 min |
+| **Trello** | Kanban visuellement immédiat, drag & drop naturel | Vue kanban 4 colonnes lisible sans apprentissage |
+| **Canva** | Pattern "template → personnalise" pour non-experts | Exemples IA contextuels → le contributeur adapte à sa réalité |
+| **Calendly** | Lien partagé fonctionnel sans compte pour le destinataire | Formulaire contributeur accessible sans création de compte |
+| **Notion / Slack empty state** | Exemples fictifs qui montrent le potentiel du produit vide | Backlog vide J1–J3 : idées d'exemple pré-chargées pour rassurer le CDO |
+| **Beautiful.ai / Pitch** | Export visuel professionnel sans effort de mise en page | Export COMEX : rendu polish, CDO fier de partager |
+
+### Competitive Benchmark
+
+#### Panorama du marché
+
+| Niveau | Outils | Cible | Limite pour notre persona |
+|--------|--------|-------|--------------------------|
+| **Innovation industrielle** | Planview IdeaPlace, Brightidea, Qmarkets, Crowdworx, IdeaScale, Agorize | Grandes entreprises 2000+, programme structuré, admin dédié | Complexe, coûteux, suppose une intention et un programme déjà existants |
+| **🎯 AImpact Hub** | — | CDO solo, 40–1500 personnes, mandat IA sans méthode | **L'espace blanc non adressé** |
+| **Strategic Portfolio** | Planview SPM, ServiceNow SPM, UNICOM Focal Point | Direction, PMO, Finance | Arrive après la décision — ne structure pas le besoin en amont |
+
+#### Analyse par concurrent
+
+| Concurrent | Forces UX | Faiblesses UX | Leçon pour AImpact Hub |
+|------------|-----------|---------------|------------------------|
+| **Planview IdeaPlace** | Guided evaluation, pairwise ranking, progressive disclosure par rôle, crowd predictions, consolidation NLP | Setup enterprise, admin requis, pricing opaque, démo obligatoire | Reprendre guided evaluation et pairwise (V2) — simplifier radicalement le setup |
+| **Qmarkets** | Tunnel visuel clair, transitions automatisées, segmentation audience, log activité | "Cockpit idéation industrialisé" — lourd pour CDO solo | Sémantique des colonnes kanban comme progression ; suggestion d'avancement (pas automatisation) |
+| **Brightidea** | Structuré, mesurable, traçable | Très corporate, loin du terrain | Traçabilité et log d'activité — oui ; complexité de configuration — non |
+| **Crowdworx** | Score IA comme champ parmi d'autres, consolidation doublons, implementation tracking | Plateforme all-in-one perçue comme lourde | Présentation du score LLM comme aide à la décision, pas comme vérité |
+| **IdeaScale** | La plus proche conceptuellement | Interface datée, générique, aucune couche IA | UX moderne + couche IA + éducation = différenciateur central |
+| **Kaizess** | Lisible en 10 secondes, flux immédiatement compréhensible | Orienté amélioration continue, pas transformation IA | Conserver la lisibilité de Kaizess avec la profondeur stratégique de Planview |
+
+#### Leçons UX — tronçon collecte → qualification → priorisation
+
+| Pattern | Source | Application AImpact Hub |
+|---------|--------|-------------------------|
+| **Idée enrichie avant d'arriver au CDO** | Qmarkets (pairs), Planview | Notre enrichissement LLM joue ce rôle — principe validé |
+| **Signal visuel idée qualifiée vs. brute** | Planview IdeaPlace | Distinguer visuellement dans le backlog : enrichi LLM / "à qualifier manuellement" |
+| **Contributor self-scoring** | Planview (crowd predictions) | Déjà dans notre formulaire : impact estimé + fréquence — aligné |
+| **Suggestion d'avancement** (pas automatisation) | Qmarkets (transitions) | Notification CDO : "X idées semblent prêtes à passer en Prioritaire" — suggestion, pas action auto |
+| **Pairwise ranking** | Planview IdeaPlace | V2 : backlog > 50 idées — comparer deux à deux évite les biais de liste |
+| **Consolidation idées similaires** | Crowdworx, Planview NLP | V2 — structure de données à anticiper dès le MVP |
+| **Score IA comme champ parmi d'autres** | Crowdworx | Label "Suggestion IA — à ajuster" + présentation UX soignée |
+| **Challenge comme contexte de collecte** | Qmarkets | MVP+ : le CDO oriente la collecte avec un thème sans configuration lourde |
+
+#### Recadrage du positionnement
+
+Le CDO d'AImpact Hub est un professionnel sophistiqué. Ce qu'il rejette, c'est la complexité de setup — pas la profondeur fonctionnelle. AImpact Hub vise : **la profondeur analytique de Planview IdeaPlace avec l'accessibilité d'un freemium sans démo obligatoire**. La terminologie dans l'interface CDO doit parler le langage de la gouvernance (backlog, prioritaire, en cours) — pas l'animation (challenge, campagne, badges).
+
+#### Insight différenciateur central
+
+Aucun concurrent ne fait d'éducation contextuelle avant la saisie. Aucun ne traduit automatiquement un problème terrain en cas IA structuré. Aucun n'est conçu pour un CDO solo sans programme d'innovation existant. Tous ont un pricing opaque et une démo obligatoire. AImpact Hub se différencie sur ces quatre axes simultanément.
+
+### Anti-Patterns to Avoid
+
+- **Page blanche** — formulaire sans exemples, backlog sans guidance
+- **Onboarding long** — setup et configuration avant toute valeur perçue
+- **Jargon IA côté contributeur** — « décrivez votre cas d'usage IA » → jamais
+- **Scores opaques** — score LLM sans explication ni ajustement = méfiance
+- **Automatisation subie** — avancement automatique sans validation humaine
+- **Supposer la légitimité IA** — ne jamais partir du principe que le contributeur sait ce qu'est un "cas IA"
+- **Gamification** — badges, points, challenges : langage de l'animation, pas de la gouvernance
+
+## Design System Foundation
+
+### Design System Choice
+
+**Tailwind CSS + shadcn/ui** — système théméable avec composants copiables et personnalisables.
+
+### Rationale for Selection
+
+- **Vitesse MVP** : composants prêts à l'emploi (tableaux, kanban, badges, formulaires, modales) sans configuration
+- **Personnalisation** : tokens de couleur et typographie configurables pour une identité visuelle propre et différenciante
+- **Qualité** : Radix UI sous le capot — accessibilité intégrée, comportements robustes
+- **Écosystème** : standard de facto dans les SaaS modernes (React/Next.js) — bonne compatibilité avec dnd-kit pour le drag & drop
+- **Rendu professionnel** : évite le look "Material/Google" — cohérent avec le positionnement SaaS B2B sobre
+
+### Implementation Approach
+
+- **Design tokens** : définir palette de couleurs (primaire, neutre, états : succès/alerte/erreur), typographie, espacements
+- **Composants core** : Table (backlog), KanbanBoard (drag & drop), Card (fiche idée), Badge (statuts), Form (formulaire contributeur)
+- **Asymétrie d'interface** : deux "skins" distincts — interface CDO (dense, analytique) vs. interface contributeur (épurée, rassurante)
+
+### Customization Strategy
+
+- **Couleurs** : palette sobre et professionnelle — éviter le look "startup colorée" ; préférer un bleu/ardoise principal avec accents mesurés
+- **Statuts** : couleurs sémantiques distinctes pour chaque statut d'idée (Envoyé, En traitement, Mis à l'ordre du jour, Non prioritaire)
+- **Label "Suggestion IA"** : composant visuel dédié, cohérent sur toutes les fiches — badge distinct des autres métadonnées
+- **V2** : design tokens partagés pour préparer un éventuel mode blanc (white-label) entreprise
+
+## 2. Core User Experience
+
+### 2.1 Defining Experience
+
+AImpact Hub a deux expériences définissantes — une par persona, complémentaires :
+
+**Contributeur :** *"J'ouvre le formulaire, je vois des exemples qui ressemblent à ma réalité, et je décris mon problème en 2 minutes"*
+Le contributeur ouvre un lien vers la plateforme, voit des exemples IA concrets dans son secteur et sa fonction, reconnaît ses propres problèmes, et décrit le sien sans jargon. L'ingestion email est une alternative secondaire sans l'expérience guidée.
+
+**Transformateur (CDO) :** *"Une idée arrive dans mon backlog sans que je l'aie demandée — elle est déjà structurée"*
+Le CDO reçoit une notification, ouvre une fiche enrichie par l'IA, ajuste les scores, réordonne par drag & drop. En 20 minutes, sa roadmap est prête pour le COMEX.
+
+### 2.2 User Mental Model
+
+**Contributeur :** vient du monde Google Forms / formulaire intranet. Modèle : "je remplis et j'envoie". Risques : "ça va vraiment être lu ?" (adressé par les statuts visibles) et "mon idée est trop bête" (adressé par les exemples IA).
+
+**CDO :** vient du monde Excel / Notion bricolé. Modèle : "je maintiens une liste à la main". Risques : "le score IA est-il fiable ?" (adressé par label "Suggestion IA — à ajuster") et "le backlog sera-t-il vide ?" (adressé par l'empty state rassurant).
+
+### 2.3 Success Criteria
+
+| Critère | Contributeur | CDO |
+|---------|-------------|-----|
+| Temps première soumission | < 3 min | — |
+| Clarté de la confirmation | Immédiate, rassurante | — |
+| Email de confirmation avec CTA "Soumettre une autre idée" | ✓ | — |
+| Première idée spontanée reçue | — | Semaine 1 |
+| Temps de priorisation backlog | — | < 20 min |
+| Confiance dans les scores IA | — | Label + ajustement visible |
+
+### 2.4 Novel UX Patterns
+
+| Pattern | Type | Note |
+|---------|------|------|
+| Exemples IA contextuels à l'ouverture | **Novateur** | Condition nécessaire à la soumission — pas un nice-to-have |
+| Département demandé à l'ouverture si inconnu | **Adapté** | 1 champ, 1 clic — alimente la pertinence des exemples |
+| Enrichissement LLM post-soumission | **Novateur** | Invisible contributeur ; label explicite côté CDO |
+| Formulaire / kanban / drag & drop | Établi | Patterns universellement compris — zéro friction |
+
+### 2.5 Experience Mechanics
+
+**Flux contributeur :**
+1. Lien email → ouverture formulaire plateforme
+2. Si département inconnu : 1 champ rapide → exemples IA contextuels affichés (< 3 s)
+3. Formulaire : email requis (identification minimale) + champs essentiels + "Ajouter des détails" visible et clairement optionnel
+4. Validation → confirmation immédiate (< 1 s) → email de confirmation avec CTA "Soumettre une autre idée"
+5. Suivi statut visible (Envoyé → En traitement → Mis à l'ordre du jour)
+6. Réponse à question de qualification si posée par le CDO
+
+**Flux CDO :**
+1. Notification → backlog → fiche enrichie (titre éditable inline, nom du contributeur visible sans ouvrir la fiche)
+2. Ajustement scores → drag & drop priorisation
+3. Bouton export COMEX en position primaire — prévisualisé dans l'onboarding
+
+### 2.6 Adoption Philosophy
+
+**Principe central : l'outil le plus facile à adopter dans le quotidien des équipes.**
+
+Le produit adresse quatre causes fondamentales de non-contribution :
+1. *"Je ne sais pas que mon problème est une idée IA"* → exemples IA contextuels
+2. *"Je ne sais pas à qui le dire"* → invitation personnalisée du CDO
+3. *"Mon idée est trop bête"* → exemples qui légitiment
+4. *"Ça ne changera rien"* → statuts visibles + questions de qualification
+
+**Règle de conception :** chaque écran doit pouvoir être utilisé sans formation ni documentation. Si un utilisateur hésite plus de 5 secondes, l'écran a échoué.
+
+**Onboarding CDO :** configurer secteur/taille → soumettre une première idée → inviter des contributeurs (skipable, retour possible). Configurer les critères de scoring : hors MVP, paramètres fixes.
+
+### 2.7 Pre-mortem Mitigations
+
+| Risque identifié | Mitigation UX |
+|-----------------|---------------|
+| Exemples trop génériques (département inconnu) | Demander le département à l'ouverture si non configuré |
+| Sentiment de surveillance | Reformuler l'invitation : "partagé avec [prénom CDO]" ; email requis mais pas nom complet obligatoire |
+| Email d'invitation perçu comme phishing | SPF/DKIM ; possibilité pour le CDO de personnaliser l'expéditeur apparent |
+| Pas de signal "revenir soumettre" | Email de confirmation avec CTA + rappel J+30 |
+| Onboarding trop directif | Étape "inviter" skipable |
+| Backlog vide anxiogène J1-J3 | Empty state avec message rassurant + délai indicatif |
+| Confiance dans l'enrichissement IA | Tooltip sur chaque champ enrichi + indicateur de confiance |
+| Export introuvable | Bouton export en position primaire + prévisualisation onboarding |
+
+### Design Inspiration Strategy
+
+**À adopter :**
+- Drag & drop fluide (Linear, Trello) pour la priorisation
+- Onboarding orienté valeur immédiate (Loom) — première idée en < 2 min
+- Pattern "template → personnalise" (Canva) pour les exemples contextuels
+- Empty state rassurant pour le backlog vide J1–J3
+- Tunnel visuel clair avec sémantique de progression (Qmarkets)
+- Lisibilité immédiate du flux (Kaizess) + profondeur analytique (Planview)
+
+**À adapter :**
+- Guided evaluation de Planview → version LLM automatique + label "Suggestion IA"
+- Progressive disclosure de Planview → asymétrie CDO / Contributeur
+- Segmentation Qmarkets → invitation par département, version simple
+
+**À éviter :**
+- Toute ressemblance avec Notion côté configuration
+- Tout jargon technique côté contributeur
+- Pricing opaque et accès par démo uniquement
+- Gamification (badges, points) — on est dans la gouvernance, pas l'animation

+ 388 - 0
_bmad-output/planning-artifacts/validation-report-2026-02-27.md

@@ -0,0 +1,388 @@
+---
+validationTarget: '_bmad-output/planning-artifacts/prd.md'
+validationDate: '2026-02-27'
+inputDocuments:
+  - '_bmad-output/planning-artifacts/product-brief-AImpact-Hub-2026-02-24.md'
+  - '_bmad-output/brainstorming/brainstorming-session-2026-02-24.md'
+validationStepsCompleted: ['step-v-01-discovery', 'step-v-02-format-detection', 'step-v-03-density-validation', 'step-v-04-brief-coverage-validation', 'step-v-05-measurability-validation', 'step-v-06-traceability-validation', 'step-v-07-implementation-leakage-validation', 'step-v-08-domain-compliance-validation', 'step-v-09-project-type-validation', 'step-v-10-smart-validation', 'step-v-11-holistic-quality-validation', 'step-v-12-completeness-validation']
+validationStatus: COMPLETE
+holisticQualityRating: '4/5 - Good'
+overallStatus: Warning
+---
+
+# PRD Validation Report — AImpact Hub
+
+**PRD validé :** `_bmad-output/planning-artifacts/prd.md`
+**Date de validation :** 2026-02-27
+
+## Input Documents
+
+- **PRD :** prd.md ✓
+- **Product Brief :** product-brief-AImpact-Hub-2026-02-24.md ✓
+- **Brainstorming :** brainstorming-session-2026-02-24.md ✓
+
+---
+
+## Validation Findings
+
+---
+
+### V-02 — Format Detection
+
+**Sections ## présentes (11) :**
+1. Executive Summary, 2. Classification du projet, 3. Success Criteria, 4. Périmètre produit, 5. User Journeys, 6. Domain-Specific Requirements, 7. Innovation & Patterns Différenciants, 8. SaaS B2B — Requirements Spécifiques, 9. Project Scoping & Phased Development, 10. Functional Requirements, 11. Non-Functional Requirements
+
+**BMAD Core Sections : 6/6 ✅**
+
+**Classification : BMAD Standard**
+
+---
+
+### V-03 — Information Density
+
+**Anti-Pattern Violations :**
+
+**Conversational Filler :** 1 occurrence
+- NFR section : "Le système doit [action]" utilisé dans certains NFRs (ex: NFR7 "Disponibilité cible : 99%") — en réalité très peu de filler, la formulation est directe. ✓
+
+**Wordy Phrases :** 2 occurrences mineures
+- Executive Summary : "Le problème central n'est pas l'absence d'idées — c'est l'**isolement du CDO** couplé à l'**inhibition des métiers**." → dense et intentionnel, acceptable dans une section narrative.
+- Innovation section : quelques phrases narratives longues dans "Ce que font les alternatives" — intentionnel pour le pitch, pas du filler.
+
+**Redundant Phrases :** 0
+
+**Total Violations : 2 (mineures, contexte narratif justifié)**
+
+**Severity : ✅ Pass** — Le PRD démontre une bonne densité d'information. Les sections narratives (Executive Summary, Innovation, User Journeys) ont un style délibérément engageant qui est justifié pour la double audience.
+
+---
+
+### V-04 — Product Brief Coverage
+
+**Product Brief :** product-brief-AImpact-Hub-2026-02-24.md
+
+| Élément Brief | Couverture PRD |
+|---|---|
+| Vision (hub centralisé, 3 gestes) | ✅ Fully Covered — repositionné en "accélérateur de culture IA", 3 niveaux |
+| Target users (Transformateur + Contributeur) | ✅ Fully Covered — personas enrichis dans User Journeys |
+| Problème (CDO isolé, signaux terrain muets) | ✅ Fully Covered — enrichi avec "inhibition des métiers" |
+| Features core (workspace, formulaire, backlog, scoring) | ✅ Fully Covered — enrichis avec exemples IA + bibliothèque |
+| Différenciateurs (zéro friction, 10 min, export PDF) | ✅ Fully Covered — + 2 nouveaux différenciateurs IA |
+| Vision long terme (Teams, regroupement, benchmark) | ✅ Fully Covered — enrichi avec dashboard maturité IA |
+| Éducation IA contextuelle (brainstorming) | ✅ Fully Covered — intégré en MVP V1 |
+| Bibliothèque cas d'usage (brainstorming) | ✅ Fully Covered — intégré en MVP V1 |
+
+**Couverture globale : ~100%**
+**Critical Gaps : 0**
+**Moderate Gaps : 0**
+
+**Severity : ✅ Pass** — Le PRD couvre intégralement le Product Brief et le Brainstorming, avec enrichissements.
+
+---
+
+### V-05 — Measurability Validation
+
+**Total FRs analysés : 38** (FR1-FR5, FR3b, FR6-FR17, FR14-IA1 à IA6, FR18-FR21, FR22-FR38)
+
+**Format Violations (non-"[Actor] peut [capability]") :** 3 mineures
+- FR3b : "Le système utilise le secteur..." — format système acceptable, testable ✓
+- FR14-IA2 : "Les exemples sont formulés en langage métier non-technique" — subjectif, critère non testable automatiquement ⚠️
+- FR14-IA6 : "au minimum 5 cas d'usage IA par secteur principal" ✓ mesurable
+
+**Subjective Adjectives :** 1
+- FR14-IA2 : "non-technique" — pas d'ancrage objectif. Suggestion : "sans acronyme technique, sans jargon spécialisé IA (NLP, OCR, ML, etc.)" ⚠️
+
+**Vague Quantifiers :** 1
+- FR17 : "joindre des fichiers" — pas de limite définie (taille, types, nombre max) ⚠️
+
+**Implementation Leakage FRs :** 0 — les mentions de "LLM" sont capability-relevant (le LLM est la feature centrale, pas un détail d'implémentation)
+
+**FR Violations Total : 3 mineures**
+
+**Total NFRs analysés : 18**
+
+**Missing Metrics :** 1
+- NFR17 : "indicateur de confiance 'générique'" — format exact de l'indicateur non précisé ⚠️
+
+**Incomplete Template :** 0
+**Missing Context :** 0
+
+**NFR Violations Total : 1 mineure**
+
+**Total Violations : 4**
+
+**Severity : ✅ Pass** (< 5 violations)
+
+**Recommendation :** Préciser FR14-IA2 (définir "non-technique" avec exemples), ajouter contraintes à FR17 (taille max fichier, types acceptés), préciser NFR17 (format visuel de l'indicateur).
+
+---
+
+### V-06 — Traceability Validation
+
+**Executive Summary → Success Criteria : ✅ Intact**
+- Vision "accélérateur de culture IA" → Success Criteria "contributeur soumet en < 3 min", "workspace actifs", "idées soumises spontanément S1" ✓
+
+**Success Criteria → User Journeys : ✅ Intact**
+- "1 idée soumise spontanément S1" → Journey 1 (Marc) ✓
+- "soumet 2e idée dans le mois" → Journey 2 (Sophie, boucle de retour) ✓
+- "export produit mois 1" → Journey 1 (Marc, fin du mois) ✓
+
+**User Journeys → Functional Requirements : ✅ Intact**
+- Journey 1 (Transformateur) → FR1-FR5, FR6-FR9, FR22-FR28, FR33-FR36 ✓
+- Journey 2 (Contributeur) → FR14-FR17, FR14-IA1 à IA6, FR18-FR21, FR30-FR31 ✓
+- Journey 2b (Relance) → FR10-FR13 ✓
+- Journey 3 (Backlog qui grossit) → FR26, FR24 ✓
+
+**Scope → FR Alignment : ✅ Intact**
+- 20 features MVP ↔ FRs correspondantes toutes présentes ✓
+- Exemples IA contextuels (feat. 4) → FR14-IA1, FR14-IA2, NFR3 ✓
+- Bibliothèque cas d'usage (feat. 5) → FR14-IA3 à IA6 ✓
+
+**Orphan FRs : 0**
+**Unsupported Success Criteria : 0**
+**User Journeys without FRs : 0**
+
+**Total Traceability Issues : 0**
+
+**Severity : ✅ Pass** — La chaîne de traçabilité est intacte de bout en bout. Tous les FRs tracent vers un besoin utilisateur ou un objectif métier.
+
+---
+
+### V-07 — Implementation Leakage Validation
+
+**Scan des FRs et NFRs :**
+
+**Frontend Frameworks : 0 violations**
+**Backend Frameworks : 0 violations**
+**Databases : 0 violations**
+**Cloud Platforms : 0 violations**
+**Infrastructure : 0 violations**
+
+**Libraries/APIs : 1 mention acceptable**
+- "LLM" dans FR18, FR14-IA1, FR3b — capability-relevant : le LLM est la feature différenciante centrale, pas un détail d'implémentation. Acceptable. ✓
+
+**Other Implementation Details : 2 mentions dans les NFRs**
+- NFR15 : "AES-256 minimum" — standard de sécurité, acceptable dans les NFRs de sécurité ✓
+- NFR16 : "HTTPS/TLS 1.2+" — standard de chiffrement, acceptable dans les NFRs ✓
+
+**Total Implementation Leakage Violations : 0** (toutes les mentions techniques sont soit capability-relevant, soit des standards de sécurité acceptables en NFRs)
+
+**Severity : ✅ Pass** — Aucune fuite d'implémentation. Le PRD spécifie bien QUOI sans spécifier COMMENT.
+
+---
+
+### V-08 — Domain Compliance Validation
+
+**Domain :** general
+**Complexity :** Low (general/standard)
+
+**Statut :** N/A — Aucune exigence de conformité domaine spéciale.
+
+**Note :** Le PRD couvre la conformité RGPD (hébergement EU, mentions transparence, droits utilisateurs) dans la section Domain-Specific Requirements — au-delà de ce qui est requis pour un domaine "general". ✓
+
+---
+
+### V-09 — Project-Type Compliance Validation
+
+**Project Type :** saas_b2b
+
+**Required Sections for SaaS B2B :**
+
+| Section requise | Statut |
+|---|---|
+| Modèle multi-tenant | ✅ Présent (SaaS B2B → "Modèle multi-tenant") |
+| RBAC / Modèle de permissions | ✅ Présent (tableau Transformateur/Contributeur) |
+| Tiers d'abonnement (pricing) | ✅ Présent (Free / Pro table) |
+| User Journeys | ✅ Présent (4 journeys détaillés) |
+| Intégrations | ✅ Présent (tableau MVP/V2) |
+| Conformité données | ✅ Présent (RGPD section dédiée) |
+
+**Excluded Sections Violations : 0**
+
+**Compliance Score : 6/6 — 100%**
+
+**Severity : ✅ Pass**
+
+---
+
+### V-10 — SMART Requirements Validation
+
+**Total FRs analysés : 38**
+
+**Scoring Summary (échantillon représentatif) :**
+
+| FR | Specific | Measurable | Attainable | Relevant | Traceable | Avg | Flag |
+|---|---|---|---|---|---|---|---|
+| FR14-IA1 (exemples LLM) | 4 | 4 | 4 | 5 | 5 | 4.4 | — |
+| FR14-IA2 (langage non-tech) | 3 | 2 | 4 | 5 | 5 | 3.8 | ⚠️ M<3 |
+| FR14-IA6 (min 5 cas/secteur) | 5 | 5 | 4 | 5 | 5 | 4.8 | — |
+| FR18 (enrichissement LLM) | 5 | 5 | 4 | 5 | 5 | 4.8 | — |
+| FR21 (fallback 30s) | 5 | 5 | 4 | 5 | 5 | 4.8 | — |
+| FR17 (pièces jointes) | 4 | 2 | 5 | 4 | 4 | 3.8 | ⚠️ M<3 |
+| FR3b (contexte LLM) | 4 | 3 | 5 | 5 | 4 | 4.2 | — |
+| FR10 (relance J+21) | 5 | 5 | 5 | 5 | 5 | 5.0 | — |
+| FR33 (drag & drop) | 4 | 3 | 5 | 5 | 5 | 4.4 | — |
+
+**FRs avec score ≥ 3 sur tous critères : ~95%** (36/38)
+**FRs flaggés (score < 3 sur ≥ 1 critère) : 2**
+
+**FRs à améliorer :**
+- **FR14-IA2** (M=2) : "formulés en langage métier non-technique" → ajouter un critère testable : "sans acronymes IA (NLP, ML, OCR, LLM) ni termes techniques dans le corps de l'exemple"
+- **FR17** (M=2) : "peut joindre des fichiers" → préciser : types acceptés (PDF, DOCX, XLSX, PNG, JPG), taille max par fichier (ex : 10 Mo), nombre max par soumission (ex : 3)
+
+**Overall Average Score : ~4.3/5**
+
+**Severity : ✅ Pass** — 95% des FRs avec scores acceptables. 2 FRs mineurs à renforcer.
+
+---
+
+### V-11 — Holistic Quality Assessment
+
+**Document Flow & Coherence : Good**
+
+**Strengths :**
+- Narrative engageante de l'Executive Summary (problème → solution à 3 niveaux)
+- User Journeys vivants et concrets (Marc, Sophie, Karim) — excellent pour la double audience
+- Innovation section structurée en 3 innovations distinctes avec tableau de validation des risques
+- Section NFR complète et mesurable, bien alignée avec les promesses de performance du produit
+- Traceability forte : chaque feature du MVP a ses FRs correspondantes
+
+**Areas for Improvement :**
+- Quelques FRs dans "Gestion des contributeurs" pourraient être plus précis (FR10 est excellent, mais FR11-FR13 pourraient avoir des SLAs)
+- FR17 (pièces jointes) reste vague sans contraintes de taille/type
+- L'Innovation section mélange légèrement les niveaux MVP/V2 dans la section "Architecture LLM" — pourrait être clarifié
+
+**Dual Audience Effectiveness :**
+
+*Pour les humains :*
+- Executive-friendly : ✅ Excellent — le pitch "accélérateur de culture IA" est clair et convaincant
+- Developer clarity : ✅ Good — FRs précis, NFRs mesurables
+- Designer clarity : ✅ Good — User Journeys détaillés, flux contributeur clair
+- Stakeholder decision-making : ✅ Excellent — Success Criteria SMART, tableau risques/mitigations
+
+*Pour les LLMs :*
+- Machine-readable structure : ✅ Excellent — sections ## bien définies, tableaux, listes
+- UX readiness : ✅ Good — journeys + FRs suffisants pour générer des flows UX
+- Architecture readiness : ✅ Good — NFRs mesurables, pipeline LLM décrit
+- Epic/Story readiness : ✅ Good — FRs numérotés et tracés
+
+**Dual Audience Score : 4/5**
+
+**BMAD PRD Principles Compliance :**
+
+| Principe | Statut | Notes |
+|---|---|---|
+| Information Density | ✅ Met | Sections narratives intentionnellement engageantes |
+| Measurability | ✅ Met | 95%+ FRs et NFRs mesurables |
+| Traceability | ✅ Met | Chaîne intacte Vision→SC→Journeys→FRs |
+| Domain Awareness | ✅ Met | RGPD section dédiée, hébergement EU |
+| Zero Anti-Patterns | ✅ Met | 2 violations mineures dans contexte narratif justifié |
+| Dual Audience | ✅ Met | Efficace pour humains et LLMs |
+| Markdown Format | ✅ Met | Structure propre, ## cohérents, tableaux, listes |
+
+**Principles Met : 7/7**
+
+**Overall Quality Rating : 4/5 — Good**
+
+**Top 3 Improvements :**
+
+1. **Préciser FR17 et FR14-IA2 avec des critères testables**
+   FR17 : ajouter types de fichiers acceptés, taille max, nombre max. FR14-IA2 : remplacer "non-technique" par une liste d'exclusions (pas d'acronymes IA : NLP, OCR, ML, LLM dans le corps de l'exemple).
+
+2. **Ajouter les contraintes de l'adoption de la bibliothèque (FR14-IA4)**
+   Préciser : le pré-remplissage préserve-t-il les champs modifiés si le contributeur bascule entre un cas bibliothèque et une saisie libre ? Quelle est la limite de cas disponibles par secteur en tier Free vs Pro ?
+
+3. **Clarifier la distinction MVP / V2 dans l'Innovation section**
+   La sous-section "Architecture LLM — MVP" mentionne des détails qui appartiennent à l'architecture plutôt qu'au PRD. Simplifier en capacités sans décrire les appels internes.
+
+**Summary :** Ce PRD est un document solide, bien structuré et ambitieux qui repositionne AImpact Hub comme accélérateur de culture IA. La double audience est bien servie. Les améliorations restantes sont mineures et n'empêchent pas le passage aux étapes downstream (UX, Architecture).
+
+---
+
+### V-12 — Completeness Validation
+
+**Template Variables Found : 0** ✓ Aucune variable de template résiduelle.
+
+**Content Completeness by Section :**
+
+| Section | Statut | Notes |
+|---|---|---|
+| Executive Summary | ✅ Complete | Vision, différenciateurs, contexte marché |
+| Success Criteria | ✅ Complete | Succès utilisateur, business, technique, outcomes |
+| Product Scope | ✅ Complete | MVP, Growth, Vision + Feature Set Phase 1 |
+| User Journeys | ✅ Complete | 4 journeys : J1 Transfo, J2 Contrib, J2b Relance, J3 Edge |
+| Domain Requirements | ✅ Complete | RGPD, hébergement EU, droits utilisateurs |
+| Innovation | ✅ Complete | 3 innovations MVP + roadmap V2+ |
+| Functional Requirements | ✅ Complete | 38 FRs numérotés et structurés |
+| Non-Functional Requirements | ✅ Complete | 18 NFRs avec métriques |
+
+**Section-Specific Completeness :**
+- Success Criteria mesurables : ✅ All — tous ont des métriques chiffrées
+- Journeys couvrent tous les user types : ✅ Yes — Transformateur, Contributeur actif, Contributeur silencieux, Edge case backlog
+- FRs couvrent le périmètre MVP : ✅ Yes — 20 features MVP → FRs correspondantes
+- NFRs ont des critères spécifiques : ✅ All — 18/18 avec métriques quantifiées
+
+**Frontmatter Completeness :**
+- stepsCompleted : ✅ Present
+- classification : ✅ Present (domain, projectType, complexity, projectContext)
+- inputDocuments : ✅ Present
+- lastEdited : ✅ Present (note : `lastEdited` utilisé au lieu de `date` — cohérent)
+
+**Completeness Score : 100% — 8/8 sections complètes**
+
+**Template Variables : 0**
+**Critical Gaps : 0**
+**Minor Gaps : 2** (FR14-IA2 et FR17 sans contraintes testables — déjà listés en V-05 et V-10)
+
+**Severity : ✅ Pass**
+
+---
+
+## Validation Summary
+
+**Overall Status : ⚠️ Warning** (PRD fonctionnel, améliorations mineures recommandées)
+
+### Quick Results
+
+| Check | Résultat |
+|---|---|
+| Format | BMAD Standard — 6/6 sections core ✅ |
+| Information Density | Pass — 2 violations mineures justifiées ✅ |
+| Product Brief Coverage | Pass — 100% couverture ✅ |
+| Measurability | Pass — 4 violations mineures ✅ |
+| Traceability | Pass — chaîne intacte, 0 orphans ✅ |
+| Implementation Leakage | Pass — 0 violations ✅ |
+| Domain Compliance | N/A — domaine general ✅ |
+| Project-Type Compliance | Pass — 100% SaaS B2B ✅ |
+| SMART Quality | Pass — 95% FRs, avg 4.3/5 ✅ |
+| Holistic Quality | 4/5 — Good ✅ |
+| Completeness | Pass — 100%, 0 template variables ✅ |
+
+### Critical Issues : 0
+
+### Warnings : 3
+
+1. **FR14-IA2** — "langage non-technique" non testable objectivement → remplacer par liste d'exclusions concrète
+2. **FR17** — contraintes pièces jointes manquantes (types, taille max, nombre max)
+3. **Innovation section (Architecture LLM)** — mélange légèrement PRD et architecture ; à simplifier en capacités
+
+### Strengths
+
+- Repositionnement produit fort et différenciant (accélérateur culture IA vs simple inbox)
+- Traceability chain parfaite Vision → SC → Journeys → FRs
+- NFR section complète et mesurable — prête pour l'architecture
+- User Journeys vivants et double-audience
+- Innovation section structurée avec tableau risques/mitigations
+- 7/7 BMAD Principles respectés
+
+### Holistic Quality : 4/5 — Good
+
+### Top 3 Improvements
+
+1. Préciser FR17 (fichiers : types, taille max, nombre max) et FR14-IA2 (exemples sans acronymes IA listés explicitement)
+2. Préciser FR14-IA4 (comportement du pré-remplissage, limites tier Free vs Pro pour la bibliothèque)
+3. Simplifier la sous-section "Architecture LLM" dans Innovation — déplacer les détails d'implémentation vers les notes non-normatives ou l'architecture
+
+### Recommendation
+
+**Ce PRD est prêt pour les étapes downstream (UX Design, Architecture).** Les warnings sont tous de niveau mineur et n'affectent pas la qualité globale. L'adresser avant de créer les stories améliorerait la précision des critères d'acceptation.