Aujourd’hui, l’intelligence artificielle a entraîné une évolution similaire, voire encore plus transformatrice. En effet, l’UX est l’un des secteurs qui a été à l’avant-garde de l’adoption de l’IA ces dernières années. Une étude du Nielsen Norman Group (NN/g), qui a analysé un million de conversations avec Claude.ai, a conclu que les professionnels de l’UX, qui représentent moins de 0,01 % de la population active américaine, génèrent un nombre impressionnant de conversations avec l’IA. Plus précisément, sur ce million de conversations, 7,5 % ont été générées par des professionnels de l’UX. Parmi les utilisations les plus évidentes de l’IA dans la recherche, on peut citer la conversion d’entretiens audio en transcriptions en quelques secondes, ainsi que l’aide à l’adaptation des formulaires de consentement, des plans de test et des questions de présélection à différents segments de participants. L’application va encore plus loin. Les algorithmes d’apprentissage par renforcement ont la capacité de modifier le déroulement des enquêtes en temps réel, en réorganisant ou en reformulant les questions en fonction du niveau d’engagement d’un participant, de ses hésitations ou de ses réponses précédentes. De plus, le traitement du langage naturel (TLN) permet d’identifier les réponses vagues, contradictoires ou hors sujet au fur et à mesure qu’elles sont formulées, en demandant aux participants de développer ou de clarifier leurs propos avant même la fin de la session. À mesure que l’IA s’intègre aux processus de recherche, un nouveau défi se pose : déterminer dans quels cas l’automatisation améliore véritablement la recherche et dans quels cas elle risque d’affaiblir la perspicacité humaine dont dépend toute recherche crédible.
L’IA dans la recherche UX : un aperçu
Dans l’étude intitulée « Révolutionner la collecte de données d’enquête grâce à l’automatisation alimentée par l’IA dans la sélection des échantillons et la qualité des réponses », Akintola conclut que les systèmes d’enquête optimisés par l’IA ont atteint un taux de réponse impressionnant de 94,2 %, contre 78,6 % dans le groupe témoin. Pour les chercheurs en expérience utilisateur (UX), dont le cœur de métier consiste à identifier les nuances subtiles dans les réponses de chaque participant, l’IA s’avère également particulièrement utile pour diversifier la richesse linguistique, avec un rapport type-token de 0,72 contre 0,58 dans les enquêtes traditionnelles, selon la même étude.
Des agents IA spécialisés peuvent analyser des centaines de pages de transcriptions et de captures d’écran afin de générer des rapports détaillés de plusieurs pages, basés sur des objectifs de recherche spécifiques et des guides de discussion. Cela permet de gagner un temps considérable, d’autant plus que certains de ces agents s’acquittent très bien de cette tâche, tandis que d’autres tombent dans le piège classique de l’IA consistant à combler les lacunes avec des informations inventées ou non étayées.
Les limites des analyses automatisées
En ce qui concerne les participants à la recherche, la donne change complètement. L’IA peut faciliter l’échantillonnage prédictif : des modèles d’apprentissage automatique analysent les données historiques comportementales et démographiques afin d’identifier et de recruter des répondants de grande qualité, les plus susceptibles de fournir des données cohérentes et complètes. Ces outils peuvent également faciliter les premières étapes de définition des caractéristiques des utilisateurs et de cartographie des parcours utilisateur attendus, afin de mieux comprendre le contexte de l’étude. Néanmoins, cela ne peut se substituer à de véritables participants humains. L’IA améliore rapidement la dimension analytique de la recherche en expérience utilisateur (UX), mais elle ne résout pas le facteur déterminant le plus fondamental de la qualité des insights : les personnes auprès desquelles les chercheurs recueillent leurs informations.
Malgré les progrès technologiques, quatre défis persistants continuent d’influencer la crédibilité des insights issus de la recherche :
- La nature multicouche du comportement humain qui s’étend au-delà les données observables,
- Le recours croissant à des pratiques de recherche en libre-service susceptibles de nuire à la qualité des études,
- Le risque que l’IA amplifie les contributions peu pertinentes des participants pour aboutir à des conclusions apparemment fiables,
- Ainsi que les limites des utilisateurs simulés par rapport au comportement humain réel.
La valeur de la recherche réside dans la capacité à observer les sujets de près, à comprendre leurs comportements, leurs habitudes et leurs points faibles, et à en tirer des conclusions qui ouvrent ensuite la voie à l’amélioration d’un service ou d’un produit. Cette capacité peut être compromise lorsque les fonctions de recherche s’appuient fortement sur une interprétation pilotée par l’IA. Il existe des nuances humaines subtiles que les outils d’IA ne peuvent pas véritablement détecter, et encore moins décoder et déchiffrer. Des mots-clés tels que « déçu » ou « satisfaisant » peuvent être capturés avec précision par des systèmes automatisés, mais il faut une implication et une interaction humaines pour saisir véritablement ce que ces termes généraux peuvent signifier, en particulier lorsque le langage corporel révèle une signification distincte de la réponse verbale. Ces nuances constituent souvent une mine d’or pour un chercheur. C’est pourquoi il faut de véritables participants humains pour générer des informations pertinentes, et des chercheurs chevronnés pour interpréter ces informations, quelle que soit la forme sous laquelle elles se présentent.
Il est toutefois intéressant de noter que Gale M. Lucas et al. (2017) ont constaté que les militaires rapportaient davantage de symptômes de stress post traumatique à des agents virtuels qu’à des enquêtes anonymes, tandis que Tamir Mendel et al. (2024) ont observé que les personnes divulguent plus volontiers des informations sur leur santé à l’IA lorsque le facteur de confiance est pris en compte. Il ne s’agit pas tant d’une contradiction que d’un éclairage supplémentaire sur la manière dont le comportement de divulgation varie en fonction du contexte. Lorsque la qualité de l’échantillon de participants est élevée, il devient plus facile d’adopter l’IA à des étapes appropriées du processus de recherche. À ce titre, il incombe toujours au chercheur de comprendre les objectifs et la finalité de l’étude afin d’adapter le processus de recherche en conséquence. Les sujets intimes peuvent justifier le recours à l’IA à certaines étapes, tandis que d’autres moments peuvent nécessiter une modération humaine directe. Cela dépend également de la nature des répondants et de leur niveau d’aisance à s’exprimer face à un être humain plutôt qu’à une machine. Tout cela n’est pas nouveau pour les chercheurs. Ils doivent exercer ce jugement depuis des décennies. L’IA ne fait qu’introduire de nouveaux outils et de nouvelles opportunités dans un processus déjà familier.
L’essor de la recherche en libre-service
La recherche en libre-service a démocratisé la recherche en expérience utilisateur (UX) et permis à davantage de personnes de mener facilement des études, en mettant rapidement en place des parcours en ligne et en demandant aux participants de répondre à distance. Cela a apporté un niveau de validation précieux pour de nombreux designers, spécialistes du marketing et chefs de produit. Pourtant, bon nombre de ces plateformes en libre-service à distance (ainsi que les études menées par leur intermédiaire) ne sont ni conçues ni supervisées par des chercheurs professionnels ayant suivi une formation officielle (Schirra et al., 2023). Cela conduit à une attention moindre portée à la rigueur méthodologique et à la qualité de la recherche.
Lorsqu’une étude est menée sans fondements méthodologiques clairs, la sélection de l’échantillon perd rapidement toute crédibilité. De plus, un œil non averti peut facilement passer à côté de liens rompus, de prototypes défectueux ou d’instructions prêtant à confusion. Cela représente une menace plus grave qu’un simple problème de paramétrage. Au contraire, cela pourrait avoir un impact direct sur la manière dont les participants répondent. Les dysfonctionnements entraînent de la frustration, tandis que les questions répétitives ou peu claires réduisent la précision des réponses. Même d’un point de vue éthique, Schirra et al. soutiennent que le fait de faire l’impasse sur l’étape d’assurance qualité conduit les répondants à effectuer un travail non rémunéré, puisqu’ils tentent de contourner ces incohérences. En bref, une configuration de recherche défaillante, associée à des contributions de mauvaise qualité de la part des participants, conduit à des résultats inexacts. Cela est particulièrement dangereux car ces résultats n’existent pas en vase clos. Les hypothèses formulées sur la base de ces résultats sont souvent transposées à l’échelle des équipes et des organisations. Ce n’est un secret pour aucun chercheur chevronné que des conclusions erronées mènent à des solutions déconnectées des véritables problèmes à résoudre.
Risque d’amplification lié à l’IA
Partant du principe que des conclusions erronées mènent à des solutions hors de propos, l’un des principaux risques à surveiller ici est que les outils d’IA puissent combler les lacunes de manière si convaincante qu’elles passent totalement inaperçues. Par exemple, quelle que soit la qualité apparente d’un rapport généré, un chercheur sceptique devrait conserver un niveau de doute raisonnable. La plupart des outils disponibles aujourd’hui sont optimisés pour produire des résultats qui inspirent confiance. Plutôt que d’admettre qu’il manque des informations, ces outils génératifs peuvent compenser par des détails inventés ou non étayés. Là encore, Akintola affirme que ces modules cherchent à optimiser trois objectifs souvent contradictoires : maximiser les taux d’achèvement, accroître la richesse des réponses et minimiser la fatigue cognitive. Si ce dernier point est crucial pendant le processus pour maintenir l’engagement des participants, ce sont les deux premiers qui donnent au rapport final l’apparence trompeuse d’être complet.
Paradoxalement, l’IA est devenue si performante pour combler les lacunes qu’elle perçoit, mais elle peine à détecter les lacunes en général. Les chercheurs doivent en être conscients et s’assurer soit que toutes les facettes d’un problème sont correctement couvertes dans leurs consignes et la conception de leur étude, soit qu’ils exploitent les capacités propres de l’IA en lui demandant explicitement de rechercher d’éventuels angles morts. Dans une vidéo d’OpenAI largement partagée présentant le lancement de GPT-4, on a demandé à l’outil d’examiner une pièce et la personne qui lui parlait. Plus tard au cours de la conversation, une autre personne est entrée dans le champ en faisant des oreilles de lapin. La machine ne l’a détecté que lorsqu’on lui a explicitement posé la question. En bref, les chercheurs en expérience utilisateur ont tout intérêt à demander à l’IA de rester attentive à toute « oreille de lapin » susceptible d’apparaître dans les réponses.
Les utilisateurs synthétiques et les limites de la simulation
Une autre avancée majeure dans le domaine de l’IA, peut-être la frontière la plus stimulante de la recherche en expérience utilisateur (UX), est l’émergence des « jumeaux numériques » et des utilisateurs synthétiques. En théorie, ces systèmes sont conçus de manière à simuler à grande échelle le comportement, les attitudes et les réactions humaines, sans avoir à recruter ni à rémunérer de véritables participants, ni à faire face aux obstacles logistiques que cela implique. Cela semble séduisant à première vue, et cette approche n’est pas sans intérêt. Malheureusement, ces systèmes ne peuvent toujours pas se substituer à des participants humains. Ils constituent davantage une couche dérivée qui dépend de données issues du monde réel. En d’autres termes, pour remplacer les humains par des utilisateurs synthétiques de qualité, les chercheurs ont d’abord besoin de données issues du monde réel.
Pour replacer cela dans son contexte, une étude de Stanford datant de 2024 (Park et al., 2024), dans laquelle des chercheurs ont créé des jumeaux numériques capables de reproduire les réponses humaines à des enquêtes, a abouti à des réponses présentant une précision d’environ 85 %. Ce chiffre semble suffisamment convaincant, démontrant que les utilisateurs synthétiques possèdent une capacité impressionnante à imiter les utilisateurs réels. Il faut toutefois noter qu’ils n’ont réussi à atteindre de tels niveaux de précision qu’en créant ces utilisateurs synthétiques à partir de données riches et détaillées, recueillies auprès de véritables participants sur une période considérable : des entretiens qualitatifs approfondis de deux heures menés auprès de plus de 1 000 participants. Lorsqu’ils ont tenté de générer des utilisateurs synthétiques en s’appuyant uniquement sur de brèves descriptions de personas ou sur des attributs démographiques généraux, la précision a sensiblement baissé. Une compréhension claire des utilisateurs réels est une condition préalable indispensable à la réussite de tout utilisateur synthétique.
Aussi convaincants qu’ils puissent paraître, les utilisateurs synthétiques entraînent un manque de diversité dans les réponses. Les ensembles de données synthétiques ressemblent souvent à des données humaines en apparence, mais ils ne font pas le poids en matière de variabilité linguistique et de diversité de contenu par rapport aux réponses humaines réelles. Une étude de cas menée en 2023 (Hämäläinen) a comparé des témoignages humains réels sur l’art des jeux vidéo à des résultats générés par GPT-3. Les résultats étaient frappants. Les participants humains ont proposé un large éventail de titres. À l’inverse, l’IA a mentionné un seul jeu populaire, Journey, à 151 reprises, alors que les humains ne l’ont mentionné que 7 fois. C’est ce qu’on appelle le « biais Journey », par lequel l’IA tend à se concentrer sur un seul exemple largement reconnu, au détriment de la variété naturelle des références que l’on trouve dans des populations réelles aux origines et cultures diverses.
Cette tendance s’observe même sur le plan linguistique. Un ensemble de données synthétiques peut être cinq fois plus volumineux qu’un ensemble de données humaines, mais son nombre de mots uniques peut tout de même être inférieur de 2 000 mots (Meyer, 2022). De par leur conception, les outils d’IA utilisent des mots à forte densité sémantique afin de paraître cohérents et éloquents. Le fait de privilégier ce ton et ce style aboutit régulièrement à un langage qui semble cohérent mais qui manque du caractère naturel du dialogue humain. Les expressions de remplissage, les irrégularités conversationnelles, le caractère désordonné et imprévisible, ainsi que la valeur qu’ils apportent, sont donc supprimés de l’ensemble de données final.
Les modèles linguistiques sont alimentés par de vastes volumes de données humaines et sont entraînés en consolidant les schémas qui se dégagent de ces données. Cela leur donne accès à une multitude d’expériences et de points de vue. Les utilisateurs synthétiques ne peuvent toutefois pas représenter pleinement les expériences vécues. Cela s’explique principalement par le fait qu’ils ne peuvent déduire que des schémas et des comportements généraux ; lorsqu’il s’agit de refléter l’expérience vécue d’une seule personne, la technologie présente des limites. À titre d’illustration, lors de la génération de cohortes synthétiques pour des scénarios de coaching en santé, les modèles de référence construits exclusivement à partir d’informations démographiques ont largement mis en avant des comportements tels que la motivation réflexive, sans parvenir à représenter d’autres comportements liés aux opportunités sociales et physiques (Yun, 2025). Cela devient encore plus délicat dans les simulations axées sur la personnalité, où les utilisateurs ont tendance à adopter des comportements « imprévisibles » que les modèles actuels ne peuvent pas détecter de manière fiable.
Malgré ces limites, les utilisateurs synthétiques peuvent tout de même apporter une valeur ajoutée significative lorsqu’ils sont utilisés à bon escient. Une utilisation tactique pourrait par exemple intervenir lors des premières phases ou des étapes techniques de la recherche, lorsqu’une équipe teste des prototypes, débogue des pipelines d’analyse ou effectue des « tests de fumée » avant de mener l’étude avec de vrais participants. La rapidité et l’efficacité de ces utilisateurs synthétiques en font une étape préventive utile, susceptible d’aider à éviter de nombreux problèmes pouvant survenir au cours d’une étude réelle.
En résumé, les utilisateurs synthétiques sont bien mieux utilisés en complément plutôt qu’en remplacement des véritables participants humains et de la profondeur qu’ils apportent. Les utilisateurs synthétiques basés sur l’IA constituent une avancée majeure dans le secteur, mais leur efficacité repose encore sur des recherches préliminaires approfondies. L’objectif d’une recherche approfondie sur l’expérience utilisateur (UX) est de mettre au jour les nuances subtiles du comportement humain. Il ne s’agit pas de schémas évidents, mais plutôt de mécanismes cachés au plus profond de leurs processus cognitifs et comportementaux. C’est pourquoi les véritables participants restent indispensables.
Conclusion
À mesure que l’intelligence artificielle s’impose de plus en plus dans les processus de recherche, les chercheurs en expérience utilisateur (UX) se voient confier une nouvelle responsabilité : déterminer dans quels cas l’automatisation renforce véritablement la recherche et dans quels cas elle risque de l’affaiblir. L’IA peut accélérer considérablement des tâches telles que la transcription, l’analyse et le traitement des données. Ce qu’elle ne peut toutefois pas encore faire, c’est saisir et reproduire les nuances humaines, la rigueur méthodologique, la qualité des participants et la compréhension contextuelle.
Tout au long de cet article, plusieurs risques illustrent cette tension : les limites de l’interprétation automatisée, l’érosion méthodologique induite par la recherche en libre-service, l’amplification des contributions peu pertinentes des participants par des résultats d’IA présentés comme fiables, et l’attrait croissant pour les utilisateurs synthétiques qui, en fin de compte, dépendent de données issues du monde réel.
Utilisée de manière stratégique, l’IA peut renforcer les processus de recherche. Mais les fondements d’une analyse crédible restent inchangés. Les véritables participants humains restent la source de la compréhension que les chercheurs cherchent à mettre au jour.
Références
- Akintola, A. F., & Akanji, A. R. (2025). Revolutionizing survey data collection with AI powered automation in sample selection and response quality. International Journal of Advanced Statistics and Probability, 12(1), 40-51. https://doi.org/10.14419/8m5jht86
- Hämäläinen, P., Tavast, M., & Kunnari, A. (2023). Evaluating large language models in generating synthetic HCI research data: A case study. In Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems (CHI ’23) (Article 237, pp. 1-19). ACM. https://doi.org/10.1145/3544548.3580688
- Lucas, G. M., Rizzo, A., Gratch, J., Scherer, S., Stratou, G., Boberg, J., & Morency, L.-P. (2017). Reporting mental health symptoms: Breaking down barriers to care with virtual human interviewers. Frontiers in Robotics and AI, 4, 51. https://doi.org/10.3389/frobt.2017.00051
- Ma, C., Xu, Z., Ren, Y., Hettiachchi, D., & Chan, J. (2025). PUB: An LLM-enhanced personality-driven user behaviour simulator for recommender system evaluation. In Proceedings of the 48th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR ’25) (pp. 1-5). ACM. https://doi.org/10.1145/3726302.3730238
- Mendel, T., Nov, O., & Wiesenfeld, B. (2024). Advice from a doctor or AI? Understanding willingness to disclose information through remote patient monitoring to receive health advice. Proceedings of the ACM on Human-Computer Interaction, 8(CSCW2), Article 386. https://doi.org/10.1145/3686925
- Meyer, S., Elsweiler, D., Ludwig, B., Fernández-Pichel, M., & Losada, D. E. (2022). Do we still need human assessors? Prompt-based GPT-3 user simulation in conversational AI. In 4th Conference on Conversational User Interfaces (CUI 2022) (pp. 1-6). ACM. https://doi.org/10.1145/3543829.3544529
- Yun, T., Yang, E., Safdari, M., Lee, J. H., Kumar, V. V., Mahdavi, S. S., Aharony, R., Michaelides, A., Schneider, L., Galatzer-Levy, I., Jia, Y., Canny, J., Gretton, A., & Matarić, M. (2025). Sleepless nights, sugary days: Creating synthetic users with health conditions for realistic coaching agent interactions. Preprint.
- Zhang, Y., Atiq, A., & Chow, W. (2024). Exploring the role of AI in UX research: Challenges, opportunities, and educational implications. In T. Cochrane, V. Narayan, E. Bone, C. Deneen, M. Saligari, K. Tregloan, & R. Vanderburg (Eds.), Navigating the Terrain: Emerging Frontiers in Learning Spaces, Pedagogies, and Technologies. Proceedings ASCILITE 2024 (pp. 556-560). ASCILITE. https://doi.org/10.14742/apubs.2024.1341
