L’IA peut-elle remplacer la recherche utilisateur ? Elle ne peut pas rencontrer Awad.

Sur cette page

1. L’essentiel
2. Qu’ont dit dix éleveurs qu’un modèle n’aurait pas pu dire ?
3. Que fait bien l’IA en recherche utilisateur ?
4. Où l’IA échoue-t-elle en recherche utilisateur ?
5. Que dit la preuve ?
6. L’IA prend-elle des emplois UX ?
7. Comment le métier d’UX évolue-t-il ?
8. Pourquoi la carrière UX a-t-elle de l’avenir ?
9. Questions fréquentes
10. Sources

En mai 2026, ux-skill avait besoin d’une nouvelle page d’accueil. ux-skill est le moteur de design que je construis. Sa raison d’être : repérer les empreintes qui rendent les interfaces conçues par IA toutes semblables. Nous avons donc fait l’évidence et lancé notre propre moteur de recommandation sur notre propre brief : une page d’accueil pour un outil de développement, ton éditorial, assuré, calme, cinématographique. Inter en police d’affichage, les dégradés du violet au bleu et trois cartes de même taille figuraient sur la liste noire.

Douze secondes plus tard, le moteur a répondu. Cormorant Garamond sur fond crème, avec un accent sienne chaud. C’est, presque trait pour trait, la page d’accueil de claude.ai.

Le moteur avait respecté chaque règle du brief. Il a lu « éditorial » et « calme » et il a pris la correspondance la plus proche, c’est-à-dire le style que les outils d’IA de la catégorie avaient déjà livré. Nous avons ouvert deux bugs contre nous-mêmes. Le tag éditorial surpondérait une famille de sérifs de livre. Le tag calme était codé « fond clair obligatoire », si bien que les palettes presque noires n’avaient aucune chance. Après correction, le même brief a renvoyé un fond anthracite, un seul accent ambre et Fraunces, un système qu’aucun de nous n’aurait choisi au seul goût.

ux-skill n’appelle aucun modèle de langage. C’est un moteur de scoring déterministe, et il a pourtant fait ce que fait un modèle face à une question familière. Il a donné la réponse la plus probable. La réponse la plus probable est la moyenne de ce qui existe déjà.

Gardez cette image en tête, car c’est tout l’argument sur l’IA et la recherche utilisateur. Demandez à un modèle de jouer votre utilisateur et vous obtenez l’utilisateur le plus probable. La recherche existe pour trouver celui qui ne l’est pas.

L’essentiel

• L’IA ne peut pas remplacer la recherche utilisateur. Elle peut rédiger le guide d’entretien, transcrire et traduire les séances, trier les notes, lister les cas d’échec et écrire le premier jet du rapport.
• Un utilisateur synthétique est la moyenne de ce qu’un modèle a lu. Nielsen Norman Group a constaté que les utilisateurs synthétiques cherchent à plaire, accordent la même importance à tout et rapportent des expériences qu’ils n’ont jamais vécues.
• Plus votre utilisateur est précis, plus la simulation est mauvaise. L’exemple de NN/g pour ne pas recourir aux utilisateurs synthétiques est un riziculteur au Vietnam. Un éleveur du Golfe est le même cas.
• Le marché de l’emploi UX se stabilise, l’entrée reste difficile, et la valeur passe de la production d’écrans au jugement, à la recherche, aux systèmes et au goût.
• Utilisez l’IA comme NN/g la décrit : comme un stagiaire. Donnez-lui du contexte et des contraintes, puis vérifiez chaque ligne par rapport à une vraie citation.

Qu’ont dit dix éleveurs qu’un modèle n’aurait pas pu dire ?

En 2023, je concevais Wfrah, une application pour les éleveurs de moutons et de chèvres du Golfe. Avant qu’il existe le moindre écran, le fondateur, Abdullatif, nous a dit à quoi nous allions nous heurter. Les éleveurs mènent leur activité comme leurs pères la leur ont enseignée, et ils ne croient pas qu’une application connaisse leurs bêtes mieux qu’eux.

Nous sommes donc allés écouter. Dix entretiens approfondis avec des éleveurs d’expérience variée, plus du temps passé à observer les outils qu’ils utilisaient déjà. Demandez à un éleveur pourquoi l’exploitation perd de l’argent et il donne chaque fois la même réponse : l’alimentation coûte cher et les acheteurs paient trop peu.

C’est la réponse que les gens disent à voix haute, et ce qu’on dit à voix haute est ce qui finit par être écrit. Tout ce qui a été entraîné sur ce qui s’écrit vous la renverrait telle quelle.

Les entretiens ont montré ce qu’il y avait dessous. Beaucoup d’éleveurs ne savaient pas calculer les besoins nutritionnels quotidiens de leur troupeau à partir des équations, et la conviction que le marché était responsable leur faisait négliger l’alimentation et la gestion. Le plus utile dans l’application est devenu un calculateur nutritionnel qui fait le calcul pour chaque animal et chaque stade de croissance. Personne ne l’avait demandé. Les entretiens ont montré combien en avaient besoin.

La recherche est devenue un seul persona, Awad. Il est fier de faire comme sa famille le fait depuis des générations, frustré par la difficulté de gérer le troupeau, et curieux de savoir s’il existe une meilleure façon. Cette tension, fierté et curiosité à la fois, est devenue tout le brief de design : une application qui fait la leçon à Awad le perd, une application qui lui montre quelque chose d’utile dès le premier écran peut le garder.

Awad est fictif, construit à partir de dix vrais entretiens. C’est la différence entre un persona et un utilisateur synthétique, et tout le reste de ce texte en dépend.

Que fait bien l’IA en recherche utilisateur ?

Plus que ses détracteurs ne l’admettent. Mon guide du processus de design contient un paragraphe « avec Claude » sous bon nombre de méthodes. Le schéma est toujours le même : le modèle rédige, trie et liste. Une personne décide.

Le guide de Nielsen Norman Group sur l’accélération de la recherche avec l’IA, révisé pour la dernière fois en janvier 2026, arrive au même point. Il juge l’IA surtout utile aux étapes de planification et d’analyse, et plus faible au milieu, là où quelqu’un doit regarder une personne utiliser un produit.

Rédiger le guide. La page blanche est la partie la plus lente de la préparation d’un entretien. Je colle la question de recherche et je demande un guide de 30 minutes sur la dernière fois où la personne a accompli la tâche, sans question hypothétique, sans question qui nomme une fonctionnalité, et avec un signalement sur toute question qui suggère sa propre réponse. Puis je supprime chaque question en « voudriez-vous » qui s’est glissée quand même. NN/g a vu la même chose avec les tâches de test : l’IA écrit souvent des tâches orientées ou amorcées, même avec de bons exemples et des règles explicites. Le brouillon fait gagner une heure. La relecture reste la vôtre.

Transcrire et trier. Après les séances, le modèle gagne sa place. Je colle les transcriptions et je demande chaque observation sur une ligne avec l’identifiant du participant et une citation exacte, puis des regroupements proposés, avec une règle : rien de ce qu’un seul participant a dit ne devient un thème. Trier, les modèles savent le faire. Combler les trous avec des constats plausibles, c’est à vous de le repérer. NN/g le dit sans détour : les regroupements de l’IA se font souvent par mot-clé, et beaucoup de notes finissent dans « autres ».

Lister les cas d’échec. C’est là que l’IA bat la plupart des designers pressés. Donnez-lui un parcours nominal et demandez chaque échec à chaque étape : saisie invalide, délai dépassé, hors ligne, double appui, autorisation refusée, données vides. Vérifiez ensuite que chaque état dit à la personne ce qui a échoué et comment y remédier. Au comptoir Dot, la ligne pour un numéro de téléphone trop court dit : « Rien n’a été ajouté. Il manque 1 chiffre au numéro. » Un modèle listera cet état. La règle selon laquelle chaque échec commence par « Rien n’a été ajouté », parce que la première question d’un caissier après une erreur est de savoir si l’opération est passée, est née du travail pour la personne au comptoir.

Où l’IA échoue-t-elle en recherche utilisateur ?

Sur la seule tâche pour laquelle la recherche existe : découvrir ce qui est vrai de personnes que vous n’avez pas rencontrées. L’échec a un nom. Un utilisateur synthétique est un profil généré par IA qui imite un groupe d’utilisateurs et répond aux questions d’entretien comme s’il en faisait partie. Des produits le vendent comme de la recherche sans utilisateurs.

Nielsen Norman Group a testé des utilisateurs synthétiques face à trois études déjà menées avec de vraies personnes. Voici ce qu’il en est ressorti.

Il veut plaire. De vrais apprenants, dans une étude sur la formation en ligne, ont admis avoir commencé des cours sans les terminer. Les utilisateurs synthétiques ont dit avoir suivi jusqu’au bout chaque cours cité. Les vrais participants ignoraient surtout les forums de discussion, parce que les échanges paraissaient artificiels. Les utilisateurs synthétiques ont longuement vanté les forums. L’explication de NN/g : le modèle est entraîné sur une littérature qui explique pourquoi les forums sont bons pour apprendre, et bon pour vous n’est pas la même chose qu’utilisé par vous.

Il se soucie de tout. Interrogé sur ce qui rend un cours captivant, un utilisateur synthétique a énuméré sept facteurs avec le même enthousiasme. De vraies personnes tiennent à certaines choses bien plus qu’à d’autres, et ce classement est le but de la recherche. Une liste de sept besoins égaux ne dit pas quoi construire en premier.

Il se souvient de choses qui n’ont jamais eu lieu. Un modèle n’a pas utilisé votre produit, donc ses récits d’expériences passées sont inventés. NN/g note que les profils sont plus justes dans leurs opinions que dans leurs récits, ce qui est à l’envers en recherche, où le récit est la preuve. Quand ils ont présenté une idée de livraison par drone à un représentant médical synthétique, celui-ci a jugé l’idée susceptible de tout changer.

Il est plat. La phrase la plus tranchante de NN/g est que les utilisateurs synthétiques ressemblent à une approximation plate des expériences de dizaines de milliers de personnes, parce que c’est ce qu’ils sont. C’est encore l’histoire de ma page d’accueil. Le moteur n’a pas échoué en mathématiques. Il a renvoyé le milieu du groupe.

Plus votre utilisateur est précis, pire c’est. Le conseil de NN/g est d’éviter les utilisateurs synthétiques pour les populations de niche ou spécialisées, et son exemple est un riziculteur au Vietnam, parce que les données du modèle sur cette personne sont lacunaires. Awad est exactement ce cas. Un éleveur du Golfe qui a appris le métier de son père n’a guère écrit les textes dont un modèle s’est nourri. Un caissier à un comptoir bondé non plus.

Ce que les gens disent et ce qu’ils font. Le deuxième écart, c’est le comportement. Les modèles sont bons avec les mots, et la recherche porte souvent sur l’espace entre les mots et les actes. Dans l’exemple Bunn que j’utilise dans mes modèles, Rana, le persona, qualifie de piège les frais de livraison tardive dans son entretien. Dans les notes, elle vérifie ces frais deux fois avant de payer, une fois sur le menu et une fois à la caisse. La citation et le comportement ensemble forment le constat. Une transcription n’a que la citation.

NN/g dit la même chose des tests d’utilisabilité : aucun humain ni aucun outil d’IA ne peut analyser une séance d’utilisabilité à partir de la seule transcription, car les gens ne disent pas chaque clic et font souvent une chose en en disant une autre. Son conseil 2026 reste de ne pas laisser l’IA animer des tests d’utilisabilité. La double vérification des frais par Rana est un comportement. On ne l’obtient qu’en regardant.

Il ne sait pas peser la source. Un bon chercheur pose des questions qu’un modèle ne pose pas : l’intervieweur a-t-il orienté cette réponse, le participant était-il gêné, cette personne correspondait-elle seulement au recrutement ? NN/g cite exactement cela comme jugement contextuel au-delà des outils actuels.

Que dit la preuve ?

Ceux qui étudient la question s’accordent sur la forme : l’IA est partout dans le travail de recherche, et presque personne ne lui fait confiance sans contrôle.

Lisez ensemble le couple Figma. Soixante-dix-huit pour cent se sentent plus rapides, 32% font confiance au résultat. Cet écart est le métier. Quelqu’un doit vérifier le travail, et celui qui vérifie doit savoir à quoi ressemble le vrai.

L’étude de MeasuringU est la preuve la plus nette du problème de la moyenne. Pour retrouver des éléments dans la navigation du site de l’IRS, ChatGPT a réussi bien plus souvent que les personnes. Un participant qui ne se perd jamais est inutile dans un test conçu pour trouver où les gens se perdent. Ses estimations de la difficulté de chaque tâche étaient assez proches de ce que les personnes ont déclaré. Il pouvait prédire l’opinion. Il ne pouvait pas reproduire le comportement.

Le verdict de NN/g : utilisez les utilisateurs synthétiques, si vous le faites, pour la recherche documentaire et les hypothèses avant une vraie étude. Ne présentez jamais leurs productions comme des constats, et soyez le plus prudent là où la recherche est déjà difficile à obtenir, car c’est là qu’une imitation bon marché prend la place du réel.

L’IA prend-elle des emplois UX ?

Pas comme les titres de 2023 le promettaient. Le State of UX 2026 de Nielsen Norman Group décrit la trajectoire : un boom des recrutements après la pandémie, une chute nette de 2023 à 2024 quand les budgets se sont resserrés, puis une stabilisation de fin 2024 à 2025. Il nomme aussi le récit qui a aggravé la chute : le battage autour de l’IA laissait croire que de nouveaux outils pouvaient remplacer vite designers et chercheurs. NN/g dit que c’était faux, mais commode pour réduire les coûts.

La reprise est inégale. Les profils seniors et généralistes reviennent plus vite. Les postes d’entrée restent rares et très disputés, et NN/g s’attend à ce qu’il en soit de même en 2026. L’enquête de User Interviews montre la même pression de l’intérieur : 49% des chercheurs sont négatifs sur l’avenir du métier, 26 points de plus, et 67% le sont sur les perspectives de carrière.

Elle montre aussi ce que les titres oublient. Vingt et un pour cent ont dit que leur entreprise avait licencié des chercheurs, à peu près comme en 2024, et les chercheurs n’ont pas été plus touchés que le design ou l’ingénierie. Trente-cinq pour cent ont été promus ou ont pris plus de responsabilités, et 20% sont passés à une nouvelle fonction. La lecture du rapport lui-même est que la recherche devient peut-être moins un poste qu’une compétence dont d’autres postes ont besoin. Moins de personnes porteront peut-être le titre. Plus de personnes ont besoin du travail.

La réponse honnête est donc que l’IA n’a pas supprimé le métier. Elle a relevé la barre du métier, et la barre est la plus haute à l’entrée.

Comment le métier d’UX évolue-t-il ?

Le travail passe de la production d’écrans à la décision sur ce que les écrans doivent être. NN/g le dit crûment : l’UI n’est plus un facteur de différenciation. Les design systems ont rendu les interfaces moins chères à produire, et les outils d’IA amplifient cela. Selon eux, si vous vous contentez d’assembler des composants d’un design system, vous êtes déjà remplaçable par l’IA. Ce qui est difficile à automatiser : le goût cultivé, le contexte nourri par la recherche, l’esprit critique et le jugement soigné.

Je le vois dans mon propre travail. Au comptoir Dot, les écrans n’ont jamais été le plus dur. La première version demandait d’abord le montant, puis un pays, puis le téléphone, puis un bouton : six appuis plus de la saisie, et rien n’avait le focus à l’ouverture de l’écran. N’importe quel outil dessine cet écran. La refonte est partie d’une ligne du cahier des charges : un caissier fatigué à un comptoir bondé, une main sur le téléphone, une sur la tasse. Le téléphone d’abord, le champ du montant prend le focus tout seul, et un client qui revient coûte maintenant deux appuis.

La valeur est remontée en amont, dans une phrase sur une personne. Mon guide du processus de design le dit ainsi : l’IA rend la construction bon marché, donc l’erreur coûteuse remonte en amont, vers la construction rapide de la mauvaise chose. Quatre déplacements en découlent.

Des écrans aux systèmes. Quand un design system et un modèle peuvent assembler un écran, le travail du designer est le système : jetons, motifs, règles de chaque état. C’est pourquoi ux-skill compile un système neuf à partir de chaque brief, et pourquoi j’ai écrit que les spécifications de marque sont des données d’entraînement, pas des modèles.

De la production au jugement. L’article de NN/g sur le goût en design à l’ère de l’IA soutient que la capacité technique n’est pas le goût, et que la sélection et le discernement font ressortir un travail dès que tout le monde peut produire quelque chose. Mon bug de page d’accueil en est la preuve en miniature. Le moteur a produit un système parfaitement compétent. Savoir qu’il ne nous convenait pas a demandé quelqu’un capable de voir la catégorie dans laquelle il était tombé.

De l’utilisateur moyen à l’utilisateur précis. Les réglages par défaut convergent. Quand nous avons lu 150 dépôts shadcn/ui, les projets les plus étoilés tournaient sur l’une de deux polices et une couleur primaire grise. Le designer qu’il vaut la peine d’embaucher sait dire pour qui c’est, en détail, preuves à l’appui.

De l’anglais d’abord au contexte local. C’est là que l’écart est le plus large, et là que je travaille. Quand nous avons vérifié 179 startups financées de la région MENA, 44% n’avaient pas de site en arabe. Un persona traduit d’un modèle anglais consigne ce que l’auteur anglais attendait, et un modèle qui a surtout appris sur des textes anglais a le même problème. La version arabe de mon modèle de persona gratuit a été écrite en arabe pour cette raison, avec une biographie qui sonne comme quelqu’un d’Amman. L’avertissement de NN/g sur les utilisateurs de niche vaut à l’échelle d’un pays : moins une population écrit en ligne, moins un modèle la connaît.

Pourquoi la carrière UX a-t-elle de l’avenir ?

Parce que chaque force de cette histoire fait monter le prix de ce que seules les personnes savent faire. Les écrans coûtent moins cher, donc savoir lequel compte vaut davantage. Construire va plus vite, donc construire la mauvaise chose coûte plus cher. Les fonctions d’IA se multiplient, et NN/g s’attend à ce que la confiance soit un grand problème de design en 2026, ce qui est d’abord un problème de recherche. Dans l’enquête de Figma, 52% des concepteurs de produits d’IA ont dit que le design compte davantage pour les produits d’IA que pour les produits classiques, et 95% au moins autant.

Ce que cela signifie concrètement pour une carrière :

Ce qu’il faut apprendre.

• Mener des entretiens et observer. Les deux compétences qu’un modèle ne peut pas exercer. Menez vous-même l’entretien utilisateur, interrogez sur la dernière fois, et regardez les gens faire la tâche là où ils la font d’habitude.
• La synthèse traçable. Une carte d’affinités où chaque note porte un identifiant de participant. C’est aussi ainsi que vous contrôlez le tri du modèle.
• Les tests d’utilisabilité. Regardez cinq personnes. Le conseil de NN/g reste de tenir l’IA hors de l’animation. Le modèle de test d’utilisabilité gratuit consigne chaque constat avec sa citation de preuve.
• Les systèmes. Jetons, composants, états, transmission.
• Votre contexte local. La langue, le comptoir, le stylo, le téléphone sous mauvaise lumière. Plus vos utilisateurs sont précis, plus ce savoir vaut.
• Travailler avec l’IA. Plus de 80% des designers et développeurs de l’enquête Figma disent qu’apprendre à travailler avec l’IA sera essentiel. Apprenez à la briefer, la cadrer et la contrôler.

Ce qu’il faut arrêter.

• Prendre une pile d’écrans pour le livrable. Livrez la décision et les preuves qui la fondent.
• Demander à un modèle de jouer votre utilisateur, puis concevoir pour ses réponses.
• Mener des entretiens « utiliseriez-vous ceci ». Les personnes comme les modèles disent volontiers oui.
• Présenter des résumés d’IA comme des constats. NN/g juge cela contraire à l’éthique quand la source est synthétique, et cela abîme la façon dont l’organisation voit la recherche.

Comment utiliser l’IA comme un jeune chercheur que vous contrôlez. NN/g dit que l’IA fonctionne mieux comme un stagiaire : beaucoup de consignes, de contexte, de contraintes et de corrections. Traitez-la ainsi.

1. Briefez-la comme une nouvelle recrue. La question de recherche, les participants, ce que vous savez déjà. Sans contexte, NN/g a constaté que les résultats revenaient vagues et sans hiérarchie.
2. Donnez-lui un modèle. Elle fait moins d’erreurs en remplissant un bon formulaire qu’en en inventant un.
3. Exigez les sources. Chaque observation avec un identifiant de participant et une citation exacte. Chaque affirmation de la recherche documentaire avec un lien que vous ouvrez ensuite.
4. Interdisez de combler les trous. Dites-lui de laisser un champ vide quand les notes ne l’appuient pas. Puis supprimez toute ligne sans identifiant.
5. Gardez les choix. Rédiger trois énoncés de problème est le travail du modèle. Choisir le problème est le vôtre, tout comme fixer la gravité d’un constat. Le modèle ne peut pas savoir quel retard coûte de l’argent.
6. Ne le laissez jamais être l’utilisateur. Si vous employez un utilisateur synthétique, que ce soit pour répéter votre guide ou lister des sujets avant les vrais entretiens, et étiquetez tout ce qu’il dit comme une hypothèse.

L’ensemble des prompts, méthode par méthode, se trouve dans le guide du processus de design, et les neuf modèles gratuits qu’il utilise sont dans la boutique.

Rien de tout cela n’est nouveau. Personne ne veut votre produit, on veut le résultat, et le résultat vit chez une personne qu’il faut aller rencontrer. L’IA a accéléré tout ce qui entoure cette rencontre. Elle ne l’a pas rendue facultative.

Questions fréquentes

L’IA peut-elle remplacer la recherche utilisateur ?

Non. Un modèle rédige bien des guides, trie des transcriptions d’entretiens et liste des cas d’échec. Il ne peut pas vous dire ce que fait Awad dans son enclos, ni pourquoi Rana vérifie deux fois les frais. Demandez-lui de jouer votre utilisateur et vous obtenez la moyenne de ce qu’il a lu, exactement l’hypothèse que la recherche existe pour tester.

L’IA va-t-elle remplacer les UX designers ?

Pas ceux qui assurent la part de jugement. Le State of UX 2026 de Nielsen Norman Group dit que les designers qui se contentent d’assembler des composants d’un design system sont déjà remplaçables par l’IA, et que le goût, le contexte nourri par la recherche, l’esprit critique et le jugement sont difficiles à automatiser. Le métier se déplace vers cela.

L’UX est-elle une bonne carrière en 2026 ?

Oui, avec une entrée plus difficile. NN/g indique que le marché de l’emploi UX s’est stabilisé de fin 2024 à 2025, les postes seniors et généralistes se rétablissant plus vite que les postes d’entrée. Dans l’enquête 2025 de User Interviews, 35% des chercheurs ont été promus ou ont pris plus de responsabilités. Les juniors qui savent mener des entretiens, faire la synthèse et tester, et qui connaissent un marché local, se distinguent.

ChatGPT peut-il faire de la recherche utilisateur ?

Une partie : recherche documentaire, rédaction de guides, transcription, un premier regroupement et des brouillons de rapport. Il ne peut pas observer un comportement, et quand il joue un utilisateur il tend à approuver, à juger tout important et à inventer des expériences passées. Dans un test d’arborescence de MeasuringU, il a trouvé les bonnes réponses bien plus souvent que de vraies personnes, ce qui le rendait inutile comme participant.

Que sont les utilisateurs synthétiques ?

Des profils générés par IA qui imitent un groupe d’utilisateurs et répondent aux questions de recherche comme s’ils en étaient membres. NN/g recommande de les utiliser, si on les utilise, uniquement pour la recherche documentaire et les hypothèses avant la vraie recherche, jamais comme constats, et de les éviter pour les utilisateurs de niche ou spécialisés.

L’IA peut-elle analyser des tests d’utilisabilité ?

Pas de façon fiable. NN/g dit qu’aucun humain ni aucun outil d’IA ne peut analyser une séance d’utilisabilité à partir de la seule transcription, parce que les gens ne disent pas tout ce qu’ils font, et son conseil 2026 reste de ne pas laisser l’IA animer les tests d’utilisabilité. L’IA peut transcrire les séances et rédiger la liste des constats. Vous fixez la gravité et vous vérifiez chaque citation.

Sources

1. l’accélération de la recherche avec l’IA nngroup.com
2. testé des utilisateurs synthétiques nngroup.com
3. User Interviews, State of User Research 2025 userinterviews.com
4. Figma, rapport IA 2025 figma.com
5. MeasuringU, ChatGPT en test d’arborescence measuringu.com
6. State of UX 2026 nngroup.com
7. le goût en design à l’ère de l’IA nngroup.com