Audit produit Sobr.ia — Q3 2026

Statut : v1 livré, 2026-05-16 Auteur : Cowork Périmètre : audit de clarté produit + clarté UX par persona avant la candidature data.gouv.fr v1.0. Périmètre exclus : performance technique, bugs, tests E2E (couverts par d’autres chantiers). Méthodologie : walkthrough des 5 personas définies en ADR-0010, observation directe des surfaces produit (README, onboarding, page d’accueil, rail nav, paramètres, extension, mode Équipe), analyse messaging.

Synthèse exécutive

Sobr.ia est techniquement très solide (multi-méthodologie, audit SHA-256, mode Équipe self-hosted, extension navigateur, pipeline médaillon, 19 sources cataloguées). C’est un produit fini.

Mais côté clarté UX, il y a un gap entre la richesse technique et la compréhension utilisateur. Plus précisément :

Le produit demande “qui es-tu ?” avant d’expliquer “qu’est-ce que c’est ?” — l’onboarding va trop vite vers la sélection de persona sans poser le problème que résout Sobr.ia.
Le messaging est dev-centrique — README, taglines, labels modules truffés de jargon (AFNOR SPEC 2314, Monte-Carlo, PROV-O, Datasheet Gebru, K_DECODE…) que seul un dev/chercheur comprend.
Les module IDs M1, M3, M7… restent visibles dans l’UI — l’utilisateur n’a pas à voir “M7” dans une fiche. Cuisine interne qui fuit.
Manque de fil narratif entre les modules — un utilisateur qui ouvre l’app voit 13 modules sur le rail sans hiérarchie ni parcours suggéré.
Le dual-track local / Mode Équipe / Cloud (futur) n’est pas raconté simplement — l’utilisateur ne sait pas dans quel mode il est.
Les vendors disclosure (Mistral × ADEME, Google, Meta) ne sont pas encore exposés — le scoop pitch 2026 absent du produit.

Verdict global : produit prêt à 80 %, 20 % manquants = clarté narrative + messaging + signage. Ce sont des changements légers techniquement (textes, ordering, tooltips, refonte onboarding) mais critiques pour la candidature data.gouv.fr et pour l’adoption réelle.

Estimation effort de correction : 3-5 jours de delivery (chantier C32.1 → C32.5 décrit en fin de rapport).

Méthodologie d’audit

5 personas du CLAUDE.md / ADR-0010

Persona	Tagline (preferences.ts)	Bundle modules par défaut
`student`	« Apprendre, comprendre, suivre votre usage IA »	M1 + M8 + M13 + M14 + M15 + M25 (6 modules)
`pro_tech`	« Estimer, comparer, journaliser pour vos intégrations »	M1 + M3 + M7 + M8 + M9 + M13 + M14 (7 modules)
`enterprise`	« Piloter votre scope 3 IA, rapport CSRD, forecast budget carbone »	M1 + M7 + M12 + M14 + M15 + M17 + M20 + M22 + M25 (9 modules)
`public_sector`	« Suivre votre empreinte territoriale, marchés publics frugaux »	M1 + M8 + M12 + M14 + M17 + M20 + M22 (7 modules)
`researcher`	« Reproductibilité, comparaisons inter-modèles, datasets publiables »	M1 + M3 + M7 + M8 + M9 + M14 + M17 (7 modules)

Grille d’évaluation

Pour chaque persona on évalue :

30 sec pitch — comprend-il l’utilité en 30 sec ?
Onboarding journey — où décroche-t-il ?
Top use cases — y a-t-il un parcours guidé pour ses 2-3 cas d’usage canoniques ?
Points de confusion — jargon, charge cognitive, modules non pertinents.
Gaps clarté — manques de messaging, tooltips, exemples.
Score clarté /10.

🎓 Persona 1 — Student / Curieux

Bundle actuel : M1 + M8 + M13 + M14 + M15 + M25

30 sec pitch ?

❌ Non. Si je suis étudiant et que je tombe sur Sobr.ia, le README m’annonce dès la phrase 2 :

« angle territorial français unique (ComparIA × RTE IRIS) » avec « rigueur scientifique auditable (AFNOR SPEC 2314, Monte-Carlo, audit ledger SHA-256) »

Aucun étudiant ne sait ce que c’est ComparIA, RTE IRIS, AFNOR SPEC 2314, ledger SHA-256, Monte-Carlo. Il ferme l’onglet.

Onboarding

Étape 1 splash : auto-advance 3 s, peu de texte → OK. Étape 2 persona picker : on lui demande “qui es-tu ?” alors qu’il ne sait pas encore ce que Sobr.ia est. Charrue avant bœufs. Étape 3 bundle : il voit 6 modules pré-cochés mais ne sait pas pourquoi M14 “À propos” est dans son bundle (ce n’est pas un module fonctionnel, c’est de la doc). M25 Eco-budget : “Eco-budget” parle, mais pas évident à 18 ans qu’on doive fixer un budget CO₂ avant de commencer. Étape 4 premier prompt : c’est bien, tooltip lime sur le sélecteur de modèle.

Use cases canoniques manquants

Ce qu’un étudiant veut probablement faire :

« Combien coûte 1 question à ChatGPT en CO₂ ? » — réponse en 5 secondes, en grammes, comparable à un km de voiture.
« Quel modèle pollue le moins parmi ceux que j’utilise ? » — comparaison visuelle, idéalement avec note A-F comme un Nutri-Score.
« Mon usage cette semaine = combien de douches ? » — chiffres relatables (douches, km voiture, kWh frigo).

Le produit actuel a tout pour le faire (M1 + M3 + M15) mais ne raconte pas l’histoire. M15 Dashboard affiche probablement des gCO₂eq sans équivalence “douches/voiture”.

Points de confusion

Module M14 « À propos » dans le bundle : pourquoi ?
Module M25 « Eco-budget » : fixer un budget avant de commencer à utiliser ? Inverser : M15 d’abord pour voir l’usage, M25 ensuite pour fixer un objectif.
Aucun parcours “Découvrir” guidé.

Score clarté : 4/10

Le contenu est là mais le narratif manque cruellement. Refonte messaging + ajout d’équivalences “humaines” (douches, km, kWh frigo) = saut massif.

💻 Persona 2 — Pro Tech (dev, ML eng)

Bundle actuel : M1 + M3 + M7 + M8 + M9 + M13 + M14

30 sec pitch ?

✅ Oui, partiellement. Pour un dev qui connaît EcoLogits, BoaVizta, AI Energy Score, le README parle. Multi-méthodologie + audit chaîné + référentiel modèles → ça résonne.

❌ Mais le différenciateur “vendor disclosure agrégé” (Mistral × ADEME, Google Gemini, Meta Llama) n’apparaît pas encore dans le produit (intégration prévue C31). C’est le scoop pitch 2026 absent.

Onboarding

Bon. Bundle persona ProTech inclut M1 (estimer) + M3 (comparer) + M7 (journal) + M9 (référentiel) — exactement ses 4 use cases canoniques. ✓

Use cases canoniques

✅ « J’intègre l’API OpenAI dans une app — quel modèle minimise l’empreinte ? » → M3 Comparer.
✅ « Je veux logger toutes mes estimations pour reporting trimestriel » → M7 Journal.
⚠️ « Je veux automatiser la mesure via CLI / API » → manquant. Sobr.ia est GUI-only en v0.7. Pas d’API REST ni CLI prête.
⚠️ « Je veux comparer ma méthodologie maison à AFNOR/EcoLogits » → présent dans M1 panneau “Voir aussi” mais pas mis en avant.

Points de confusion

L’extension navigateur est-elle complémentaire à l’app ou alternative ? Pas clair côté messaging.
Mode Équipe vs perso : sur quel critère choisir ?
Les module IDs (M1, M3…) sont des artefacts internes inutiles pour le dev.

Score clarté : 7/10

Bon socle, manque d’expliciter les points d’entrée techniques (CLI ? API REST ? lib Rust embeddable ?). Doc dev manquante.

🏢 Persona 3 — Entreprise (DSI, RSE)

Bundle actuel : M1 + M7 + M12 + M14 + M15 + M17 + M20 + M22 + M25

30 sec pitch ?

✅ Oui, sur la valeur métier. “Scope 3 IA + rapport CSRD” est lisible pour un responsable RSE. M22 Rapport CSRD/AGEC parle.

❌ Mais la mise en œuvre concrète n’est pas claire : « Je suis DSI dans une PME, comment je déploie Sobr.ia pour 50 collaborateurs ? » — il faut creuser jusqu’à v0.7.0 Mode Équipe self-hosted pour comprendre. Pas dans le README en première page.

Onboarding

❌ Trou : un DSI qui veut tester le Mode Équipe doit deviner qu’il faut :

Installer l’app Tauri sur son poste admin.
Aussi lancer sobria-team-aggregator init en CLI (binaire Rust séparé).
Configurer le TLS, créer admin, créer codes, distribuer aux employés.

Ce parcours n’est documenté nulle part dans l’onboarding produit, juste dans docs/operations/team-aggregator.md. Un DSI ne sait pas que ce fichier existe.

Use cases canoniques

✅ « Reporting CSRD trimestriel » → M22 Rapport CSRD/AGEC.
⚠️ « Suivre l’usage IA de mes 50 collaborateurs » → Mode Équipe, mais install non guidé.
⚠️ « Définir un budget IA par équipe avec alertes » → M25 Eco-budget personnel + alertes seuils v0.7.1, mais pas exposé comme un parcours équipe.
❌ « Justifier mon choix de Mistral plutôt qu’OpenAI sur des critères empreinte » → pas de comparaison équipe dans M3.

Points de confusion

Trop de modules cochés par défaut (9 modules), charge cognitive élevée.
Mode Équipe = nouveau crate sobria-team-aggregator non installé par défaut. Pas évident.
Pas de quickstart “5 minutes — déployer Sobr.ia dans mon entreprise”.

Score clarté : 5/10

Tout est là techniquement (mode Équipe v0.7.0 + alertes v0.7.1 + exports CSRD), mais le DSI ne sait pas où commencer. Manque cruel de doc quickstart non-IT-friendly.

🏛️ Persona 4 — Public Sector (collectivité, service public)

Bundle actuel : M1 + M8 + M12 + M14 + M17 + M20 + M22

30 sec pitch ?

✅ Oui sur “angle territorial FR”. M20 Territoire FR + M22 Rapport CSRD est exactement le langage des collectivités.

Onboarding

✓ Bundle correct (centré territoire + reporting).

Use cases canoniques

✅ « Mesurer l’empreinte IA dans nos marchés publics » → M22.
✅ « Cartographier l’usage IA par IRIS » → M20 Territoire FR.
⚠️ « Comparer mes datacenters régionaux » → M12 mais centré Europe pas exclusivement FR.
❌ « Cadre marchés publics frugaux avec critères mesurables » → tagline le promet mais pas de module dédié.

Points de confusion

Tagline “marchés publics frugaux” non délivrée par un module concret.
Pas de template “réponse type appel d’offre” ou “critères mesurables IA frugale”.

Score clarté : 6/10

Le territoire FR est un vrai différenciateur. Manque l’opérationnalisation marchés publics (livrable réutilisable).

🔬 Persona 5 — Researcher / Journaliste

Bundle actuel : M1 + M3 + M7 + M8 + M9 + M14 + M17

30 sec pitch ?

✅ Oui, fortement. Datasheet Gebru + reproductibilité scientifique + multi-méthodologie + audit chaîné — c’est exactement le vocabulaire académique.

✅ Le notebook Quarto notebook/validation.qmd (livré en B3) est un atout pour chercheurs.

Onboarding

✓ Bundle correct.

Use cases canoniques

✅ « Reproduire les chiffres Sobr.ia pour mon papier » → notebook Quarto + datasheet Gebru.
✅ « Comparer 5 modèles selon 2 méthodologies » → M3 + catalogue méthodos.
⚠️ « Citer Sobr.ia avec un DOI » → pas de DOI publié à date. À discuter (Zenodo ?).
✅ « Exporter mon dataset d’estimations pour analyse externe » → M22 + JSON-LD PROV-O.

Points de confusion

DOI manquant.
Pas clair si les datasets utilisés (ComparIA, IRIS) sont citables comme tels avec leur lineage SHA-256.

Score clarté : 8/10

Le mieux servi des 5 personas. Quelques petits manques (DOI, citation guidée).

📊 Synthèse par persona

Persona	Score clarté	Plus gros gap
Student	4/10	Aucun narratif “humain” (douches/voiture) + jargon
Pro Tech	7/10	Pas de CLI / API / lib embeddable documentée
Enterprise	5/10	Mode Équipe install non guidé, DSI perdu
Public Sector	6/10	Tagline marchés publics non délivrée par un module
Researcher	8/10	DOI manquant
Moyenne	6/10

L’ordre du best-served au moins-served est : Researcher > Pro Tech > Public Sector > Enterprise > Student.

Ironiquement, Student est notre persona avec le plus gros potentiel d’adoption volume (curiosité, viral, éducation) et c’est le moins bien servi. C’est notre plus grosse opportunité d’amélioration.

📣 Audit messaging

README

Forces : exhaustif, transparent, sourcé, citations DOIs.
Faiblesses : dev-centrique, jargon dense en première page, pas de section “Pour qui ? Que résout-il ?”.
Reco : ajouter en tête un bloc “Sobr.ia, c’est quoi ?” en langage simple + section “Pour qui ?” avec 5 cartes persona + lien doc spécifique.

Onboarding

Forces : 4 étapes propre, splash + persona + bundle + premier prompt.
Faiblesses : étape 1 (splash 3s) ne pose pas le problème. Étape 2 (persona) demande “qui es-tu ?” sans contexte produit.
Reco : insérer entre splash et persona une étape “Sobr.ia en 30 secondes” (≤ 4 phrases + 1 schéma équivalence carbone) pour poser le problème AVANT de demander le persona.

Labels modules (rail)

“M1 Estimer un prompt” — OK
“M3 Comparer modèles” — OK
“M7 Journal d’audit” — OK pour pro/researcher, opaque pour student
“M9 Référentiel modèles” — opaque pour tous sauf experts
“M12 Datacenters Europe” — OK
“M13 Simulateur Et si…?” — OK
“M14 À propos” — ne devrait PAS être dans un bundle (pas un module fonctionnel)
“M15 Dashboard” — OK
“M17 Empreinte projet” — opaque, on dirait un projet d’entreprise alors que c’est la datasheet Gebru
“M20 Territoire FR” — OK
“M22 Rapport CSRD/AGEC” — OK pour entreprise/public, opaque pour student
“M25 Eco-budget” — OK

Reco :

Renommer M9 “Référentiel modèles” → “Bibliothèque modèles” ou “Modèles IA”.
Renommer M17 “Empreinte projet” → “Datasheet scientifique” ou “Fiche reproductibilité”.
Retirer M14 “À propos” des bundles — ce module doit être accessible mais pas un point d’entrée par défaut.
Retirer “M1”, “M3”… des labels visibles — c’est de la cuisine interne. Le label utilisateur c’est “Estimer”, “Comparer”. Les IDs restent en URL et dans le code.

Extension navigateur

Forces : popup compacte avec total journalier + badge en page.
Faiblesses : la première fois qu’un user installe l’extension, il ne sait pas qu’il faut aussi installer l’app Tauri + faire un pairing pour avoir un suivi consolidé. Le bandeau “App non détectée” pourrait être plus pédagogique.
Reco : améliorer le bandeau et lier vers une page “Comment ça marche ? Extension seule vs avec app desktop”.

Mode Équipe

Forces : architecture saine (binaire self-hosted, JWT, Argon2id).
Faiblesses : aucun parcours guidé d’install côté UI. Un DSI doit lire docs/operations/team-aggregator.md (existe) pour comprendre.
Reco : ajouter un panneau “Activer Mode Équipe” dans l’app Tauri qui propose un téléchargement du binaire serveur + script d’init en 1 clic + scripts d’enrollment clés en main.

🎯 Audit positionnement

Vs concurrents directs

Outil	Méthodologie	Open source	Self-hostable	Mode équipe	Cloud	Pitch unique
EcoLogits (Genmo)	EcoLogits seul	✅	API only	❌	❌	Référence acad.
AI Energy Score (HF)	AI Energy Score seul	✅	API only	❌	❌	Rating 1-5 ⭐
Boavizta	ACV multi-critères	✅ CC BY-SA	API only	❌	❌	Référence FR ACV
Green Algorithms	Green Algorithms	✅	Calculateur web	❌	❌	Académique HPC
Climatiq.io	Carbon factors DB	Mixte	❌	Limité	✅ payant	API commerciale
Sobr.ia	Multi-méthodos AFNOR + EcoLogits + (v1.1) HF + ML.ENERGY	✅ MIT	✅ binaire	✅ self-hosted	📋 v1.3 opt-in	Tiers de confiance souverain qui agrège vendors disclosure (Mistral × ADEME, Google, Meta)

Pitch unique défensable : « Le tiers de confiance souverain qui agrège, normalise et présente les disclosures vendor (Mistral × ADEME, Google Gemini, Meta Llama) — et qui marche en 100 % local avec audit chaîné scientifique. »

C’est cette phrase qu’il faut placarder partout : README, landing page, pitch candidature.

Value proposition en 1 phrase (à valider)

Sobr.ia mesure l’empreinte de vos prompts IA en local, agrège les chiffres officiels des fabricants (Mistral × ADEME, Google, Meta) et vous donne un journal scientifique reproductible — pour particulier, équipe ou administration, sans cloud Sobr.ia.

29 mots. Tout y est : mesure, local, agrégation vendors, scientifique, multi-persona, anti-cloud.

🧶 Audit narratif “le produit raconte son histoire”

Si je ré-installe l’app fresh aujourd’hui sans contexte :

Splash 3s → “Sobr.ia” — joli mais ne dit rien.
Persona picker → 5 cartes. Je clique sur “Pro Tech” parce que je suis dev.
Bundle → 7 modules pré-cochés sans expliquer pourquoi ces 7. Je clique “Terminer”.
Premier prompt → l’atelier M1 s’ouvre. Tooltip lime sur le sélecteur de modèle.
J’estime un prompt sur GPT-4o, 100 tokens in, 400 tokens out → résultat affiché : “1,2 gCO₂eq P50 (P5-P95 : 0,9-1,5)” + “Voir aussi” EcoLogits 1,1 g.
OK et après ? → je ne sais pas quoi faire. Pas de suggestion « et maintenant explorez le Dashboard pour voir votre usage cumulé » ou « comparez avec d’autres modèles ».

Le produit n’a pas de fil narratif post-premier-prompt. Chaque module est une île. Il manque un chemin guidé suggéré dans l’app (style “Suivez le tour Sobr.ia en 5 min”).

Reco : ajouter une bannière “Et après ?” sous le résultat M1 avec 2-3 suggestions contextuelles :

“Comparer ce modèle à d’autres → M3”
“Voir votre usage cumulé → M15”
“Fixer un budget mensuel → M25”

🔥 Top 10 findings consolidés (du plus critique au moins critique)

#	Finding	Persona impacté	Effort fix
1	README et taglines dev-centriques, jargon en première page	Tous, surtout Student	1 j refonte messaging
2	Onboarding demande “qui es-tu ?” avant de dire “qu’est-ce que c’est ?”	Tous, surtout Student	0.5 j ajouter étape “Sobr.ia en 30s”
3	Vendors disclosure (Mistral × ADEME, Google, Meta) pas dans le produit	Pro Tech, Researcher, Entreprise	1.5 j (C31.1 ramené pré-v1.0)
4	Module IDs (M1, M3…) fuient dans l’UI	Tous	0.5 j cleanup labels
5	M14 “À propos” dans les bundles personas	Tous	0.1 j retirer M14 des bundles
6	Mode Équipe install non guidé côté UI Tauri	Enterprise	1 j panneau “Activer Mode Équipe”
7	Pas d’équivalences “humaines” (douches, km voiture, kWh frigo)	Student surtout	0.5 j affichage équivalences M1 + M15
8	Pas de fil narratif post-premier-prompt	Student, Pro Tech	0.5 j bannière “Et après ?“
9	DOI manquant pour citation académique	Researcher	0.5 j dépôt Zenodo + DOI dans README
10	Labels modules opaques (M9 “Référentiel”, M17 “Empreinte projet”)	Student, Public Sector	0.2 j renaming

Effort total : ~7-8 jours si on fait tout. Mais on peut faire 80 % de la valeur avec les findings 1, 2, 3, 4, 7, 10 = ~4 jours.

🚀 Skeleton chantier C32 — exécution clarté produit

Recommandation : 3 sprints courts plutôt qu’un gros, pour pouvoir valider chaque étape.

C32.1 — Messaging + labels + nettoyage (1 jour)

Réécriture README “Sobr.ia, c’est quoi ?” + sections “Pour qui ?” (5 cartes persona) + value proposition 1 phrase.
Renaming labels modules : “M9 Référentiel” → “Bibliothèque modèles”, “M17 Empreinte projet” → “Datasheet scientifique”.
Cleanup : retirer “M1”, “M3”… des labels UI (garder en URL et code).
Retirer M14 “À propos” des bundles personas (mais accessible via menu).
1 commit : refactor(ui): C32.1 messaging + labels clarifiés.

C32.2 — Onboarding + fil narratif (1 jour)

Insérer entre splash et persona picker : étape “Sobr.ia en 30 secondes” (≤ 4 phrases + 1 schéma équivalence carbone d’1 prompt).
Ajouter bannière “Et après ?” sous le résultat M1 (3 suggestions contextuelles).
Ajouter tooltip “Pourquoi ces modules ?” sur la liste bundle dans onboarding et /parametres.
1 commit : feat(ui): C32.2 onboarding pédagogique + fil narratif post-prompt.

C32.3 — Équivalences humaines + Mode Équipe guidé (1.5 jour)

Module M1 + M15 : affichage équivalence ”= X douches / Y km voiture / Z kWh frigo”.
Module M25 Eco-budget : équivalences également.
Panneau “Activer Mode Équipe” dans /parametres avec script 1 clic d’init.
Quickstart “5 minutes — déployer Sobr.ia dans mon entreprise” dans docs/operations/team-aggregator.md enrichi + lien dans /parametres.
1 commit : feat(ui,team): C32.3 équivalences humaines + onboarding Mode Équipe guidé.

C32.4 — Vendors disclosure (C31.1 ramené pré-v1.0) (1.5 jour)

Ramener C31.1 du brief C31 : Mistral × ADEME + Google Gemini + Meta Llama presets enrichis avec chiffres officiels.
Encadré “Données vendor disclosure (vérifiées ADEME pour Mistral)” dans M9 fiche modèle.
Table comparaison vendor disclosure dans M9.
1 commit : feat(estimator,ui): C32.4 vendors disclosure (Mistral × ADEME, Google Gemini, Meta Llama).

C32.5 — Polish + DOI + ship v0.8.0 (0.5 jour)

DOI Zenodo + ajout dans README.
Smoke test E2E des 5 onboardings persona.
CHANGELOG [0.8.0] — Clarté produit (C32).
Bump versions 0.7.1 → 0.8.0 partout.
Tag v0.8.0.

Total C32 : ~4-5 jours pour livrer une v0.8.0 Clarté produit avant d’attaquer v1.0 candidature.

🎁 Bonus : la nouvelle promesse Sobr.ia

Si tu veux une formule à tester avec des testeurs externes après C32 :

« Sobr.ia est l’app qui te montre ce que coûte chaque prompt IA — en grammes de CO₂, en gouttes d’eau, en watts-heures, en kilomètres de voiture si tu préfères.

Pour les particuliers curieux : 100 % local, sans compte, sans inscription. Tu vois ton usage, tu fixes des objectifs, tu apprends.

Pour les pros et les entreprises : audit scientifique reproductible, rapport CSRD réglementaire, mode équipe self-hosted. Vos données restent chez vous.

Sobr.ia est aussi le seul outil qui agrège les chiffres officiels publiés par les fabricants (Mistral × ADEME, Google Gemini, Meta Llama) — pour comparer ce qu’ils disent à ce que d’autres méthodologies estiment. Le tiers de confiance souverain de l’empreinte IA. »

À condenser en 30 sec côté splash, à utiliser tel quel côté README, à décliner par persona dans l’onboarding.