Utilisateurs synthétiques : 97 % des chercheurs utilisent l'IA, 8 % seulement acceptent de faux participants

Depuis deux ans, des plateformes promettent de remplacer vos entretiens utilisateurs par des personas générés qui répondent à vos questions en quelques secondes. La promesse est séduisante : tarifs imbattables, vitesse d'exécution impressionnante, analyse immédiate, mise en forme qui mixe quali et quanti. Franchement, on aurait tort de s'en priver.

Un rapport publié en mai 2026 auprès de 150 professionnels de la recherche UX montre que la profession a tranché, et pas dans le sens que vendent les éditeurs.

Voici ce que les chiffres disent, ce qu'ils ne disent pas, et surtout ce que nous avons constaté en passant nos propres tests utilisateurs au crible de l'IA, étape par étape. Parce que la vraie question n'est pas « faut-il de faux participants », elle est plus large : à quel endroit exact de la chaîne l'humain reste-t-il indispensable.

Attention : la réflexion de cet article concerne les « tests utilisateurs quali », et non pas les questionnaires quanti, qui répondent à d'autres objectifs et à d'autres contraintes.

Le chiffre qui dérange

Le rapport State of Synthetic Users de User Interviews interroge 150 professionnels, dont 93 % de chercheurs UX, majoritairement en grande entreprise. Deux résultats se répondent :

• 97 % d'entre eux utilisent l'IA dans leur travail quotidien.
• 8 % seulement recourent régulièrement à des participants générés par IA.

Autrement dit, l'adoption de l'IA dans la recherche utilisateur est quasi totale, et le rejet des faux participants est presque aussi net. 64 % se déclarent sceptiques ou opposés, 28 % refusent délibérément d'y recourir. Ce n'est pas un retard d'adoption, c'est un choix.

Trois autres chiffres retiennent l'attention. 88 % des répondants s'inquiètent de la qualité des insights générés, et 79 % craignent que les décideurs accordent trop de crédit à des résultats simulés. Cette seconde crainte est très intéressante, car elle ne porte pas seulement sur la pertinence de l'outil, mais sur ce que l'organisation en fera.

Enfin, 63 % des organisations n'ont aucune politique écrite encadrant leur usage : donc en gros, tout le monde tâtonne, et c'est bien normal.

Pourquoi les chercheurs disent non, et pourquoi ils ont raison

La méfiance n'est pas un réflexe corporatiste, elle s'appuie sur des travaux publiés qui pointent trois limites structurelles.

L'IA cherche à plaire

Le Nielsen Norman Group a comparé des sorties de personas synthétiques à trois de ses propres études menées avec de vrais utilisateurs. Résultat constant : les participants générés se montrent nettement plus enthousiastes que les vrais. L'exemple le plus parlant concerne les forums de discussion d'une plateforme de formation. Les vrais utilisateurs les jugeaient artificiels et inutiles, et n'y participaient pas. Le participant synthétique, lui, y participait activement et vantait leur valeur pour approfondir sa compréhension et créer du lien avec la communauté.

Même écart sur l'assiduité : le persona généré déclarait avoir terminé tous ses cours, quand les vrais testeurs abandonnaient après les trois premiers, faute de temps.

Un modèle de langage optimisé pour être agréable produit des utilisateurs agréables. Si vous cherchez une validation, vous l'obtiendrez.

Les réponses sont trop lisses

Une étude de l'université du Wisconsin-Madison, menée par Neeraj Arora et son équipe, a généré 605 utilisateurs synthétiques calqués sur 605 répondants réels. La direction des résultats était correcte, mais l'amplitude ne l'était pas, et la variabilité encore moins : l'écart-type des réponses simulées est systématiquement inférieur à celui des humains.

Or ce sont justement les écarts, les cas limites et les réponses qui ne rentrent pas dans la case qui font avancer une conception. Un panel qui ne se contredit jamais ne vous apprend rien.

Le vécu ne se simule pas, et c'est mesurable

C'est ici que la comparaison devient vraiment instructive, parce que deux approches s'opposent.

L'approche par données démographiques : Junsol Kim et Byungkyu Lee ont construit des jumeaux numériques à partir des réponses d'enquête d'environ 69 000 adultes. Résultat, 78 % de précision pour compléter des données manquantes, mais seulement 67 % pour prédire la réponse à une question nouvelle. Et un biais net : le modèle est plus juste sur les répondants blancs et à statut socio-économique élevé que sur les autres.

L'approche par entretien réel : l'étude Stanford et Google de 2025 a simulé 1 052 adultes américains, à condition d'avoir mené deux heures d'entretien avec chaque personne. Précision de 85 % sur les questionnaires, 80 % sur les inventaires de personnalité, 66 % sur les jeux économiques.

Le point décisif est ailleurs que dans l'écart de précision. Ces jumeaux construits à partir d'entretiens réduisent le biais démographique de 36 à 62 % sur l'idéologie politique et de 7 à 38 % sur l'origine, par rapport aux modèles fondés sur les seules données démographiques.

Traduisons. Ce qui rend un utilisateur simulé fiable et ce qui corrige ses biais, c'est la quantité d'entretien humain qu'on a mis dedans. La performance est obtenue en partant d'humains, pas en s'en passant. Plus votre cible est spécifique, moins le modèle a de matière, et plus il invente avec aplomb.

Ce que nous avons vu lors de nos expérimentations

Chez Wex, nous réalisons beaucoup de tests utilisateurs. C'est même notre métier d'origine, il y a plus de quinze ans. Nous avons voulu regarder cela de près avec Valentin Labit, UX researcher senior, qui s'est prêté à l'exercice sur des cas réels, de la préparation jusqu'à la restitution finale.

En amont : peu de gains, beaucoup de vigilance

Le choix de la méthodologie, le dimensionnement des tests, la préparation du guide d'entretien et du tableau des profils ne justifient pas vraiment l'utilisation de l'IA, sauf marginalement, sur le compte rendu de la réunion de cadrage par exemple.

Le guide d'entretien mérite qu'on s'y arrête. Traduire les objectifs d'une étude en scénarios, en tâches et en questionnements engage une expertise très forte des méthodes qualitatives. Un mauvais questionnement biaise le test et génère de mauvaises conclusions, le biais de confirmation étant l'exemple le plus classique. On peut générer un premier jet à partir du compte rendu de cadrage, mais ce n'est qu'une base très imparfaite qu'il faut revoir, réorganiser, challenger. Une démarche qui prend quasiment autant de temps que de le faire soi-même.

C'est un peu comme tout ce que produit l'IA générative en marketing digital, non ?

Préparer des personas synthétiques pour vérifier la pertinence du guide d'entretien pourrait s'envisager. Mais obtenir des personas correctement décrits implique une charge de travail complémentaire importante, et on ne parviendra jamais à construire un contexte personnel aussi riche que celui de vraies personnes. Le résultat doit donc faire l'objet d'un regard critique en profondeur. Il ne faut pas espérer de gain de temps sur cette étape.

La modération : hors de portée

En aucun cas la modération des tests ne peut être prise en charge par une IA, au moment où nous écrivons ces lignes. L'écoute, la prise en compte de la communication non verbale, le questionnement et l'empathie sincère déterminent la qualité des échanges, donc des retours et des apprentissages.

Une des qualités essentielles du modérateur expérimenté, ergonome de profession, consiste à rebondir sur les observations verbalisées ou non des testeurs, au fil du test. Il ne se contente pas de la première explication : il creuse pour comprendre la nature réelle du point de friction, en déterminer le niveau de sévérité et la récurrence sur l'ensemble du parcours. Quand le défaut ergonomique est significatif, la première réponse ne donne presque jamais la raison profonde du problème. S'agit-il d'un défaut de positionnement, d'un problème de compréhension de l'offre, d'un ordonnancement de parcours mal pensé, d'un mauvais choix de vocabulaire ? Valentin creuse pour être sûr de bien comprendre, et pour pouvoir proposer les meilleures options de correction.

J'ajoute un point qui compte au moins autant. La diffusion d'extraits vidéo lors de la restitution, avec de vraies personnes à l'écran, met tout le monde d'accord. Quand un problème est rencontré par un, deux, dix testeurs, et qu'on en comprend l'origine, la discussion ne tourne plus autour des légendes urbaines. Que l'on soit dirigeant, directeur marketing ou directeur commercial, on prend en compte la parole des clients, on comprend leurs difficultés, et on cherche ensemble les meilleures solutions.

L'analyse : l'IA en fait trop

Chez Wex, analyser un test utilisateur consiste à revisionner l'ensemble des entretiens et à consigner dans une grille, testeur par testeur, page par page, parcours par parcours, chaque difficulté rencontrée, perçue ou non par l'utilisateur, avec une note de sévérité.

Ce travail doit rester humain, pour deux raisons.

1. L'identification des erreurs repose sur de nombreux signaux qui ne sont pas toujours évidents à percevoir. La verbalisation n'est pas systématique, et une machine ne collecte pas ce qui n'est pas dit.
2. L'analyse construit un document de restitution qui s'appuie à la fois sur le détail de chaque situation et sur une vision globale de l'expérience. Il est fréquent que les utilisateurs ne voient pas des défauts ergonomiques pourtant bien présents. Cette finesse permet ensuite un échange beaucoup plus riche en séance : avoir vécu les entretiens et mené l'analyse ne se remplace pas.

Par ailleurs, selon Valentin, l'analyse produite par l'IA sur-interprète les retours. Elle en fait trop, sans discernement : le résultat est soit trop plat, soit exagéré. Comme souvent, ce n'est pas à la première lecture qu'on s'en aperçoit. On voit dès la seconde lecture de nombreuses exagérations, des excès d'optimisme, ou des défauts qui s'avèrent secondaires.

Pour autant, l'IA générative reste utile pour améliorer une formulation, générer une synthèse percutante, traduire un support. Des tâches réelles, mais à faible valeur ajoutée.

Compte tenu de la vitesse d'évolution des modèles, nous restons en veille, avec un objectif fondamental : élever le niveau de qualité, pas le dégrader. C'est la même exigence qui guide notre approche de la conception augmentée par l'IA.

Mais on ne rejette pas totalement les utilisateurs synthétiques

Refuser l'outil pour la décision ne veut pas dire le jeter. Trois usages tiennent la route.

1. Préparer un guide d'entretien. Faire tourner ses questions sur un persona généré révèle les formulations ambiguës, les questions fermées mal posées et les angles morts, avant de brûler un créneau avec un vrai utilisateur. L'approche se défend surtout quand on retravaille régulièrement les mêmes personas : l'effort de création est alors amorti. À manier avec beaucoup de précautions.
2. Défricher un domaine inconnu. Sur un secteur que l'équipe découvre, le modèle synthétise la documentation existante et donne un vocabulaire de départ. C'est de la recherche documentaire accélérée, pas de la recherche utilisateur.
3. Formuler des hypothèses à tester. Un proto-persona généré est une hypothèse écrite, utile s'il est explicitement étiqueté comme telle et confronté ensuite au terrain.

Le point commun de ces trois usages : aucun ne produit une décision. Ils produisent de meilleures questions.

La question à poser à votre prestataire

L'argument commercial des plateformes de participants synthétiques est le coût. Il est réel. Mais notre boussole reste la qualité, et à ce jour l'IA ne fait pas gagner de temps significatif sur un test utilisateur, parce que les deux phases les plus consommatrices, la modération et l'analyse, doivent rester humaines. Cela ne changera pas de sitôt.

La bonne question à poser à votre équipe ou à votre prestataire n'est donc pas « utilisez-vous l'IA pour vos tests utilisateurs ». La réponse est oui pour à peu près tout le monde, et elle ne vous apprend rien.

C'est : à quel moment exact du projet de vrais humains entrent-ils dans la danse ?

Vous pourrez alors apprécier la valeur des retours qui vous sont proposés.

Sources

• User Interviews, State of Synthetic Users Report, mai 2026, enquête du 11 au 22 mai auprès de 150 professionnels de la recherche : userinterviews.com
• Maria Rosala et Kate Moran, Synthetic Users: If, When, and How to Use AI-Generated "Research", Nielsen Norman Group, 21 juin 2024 : nngroup.com
• Raluca Budiu, Evaluating AI-Simulated Behavior: Insights from Three Studies on Digital Twins and Synthetic Users, Nielsen Norman Group, 15 août 2025, synthétisant Kim et Lee 2024, Park et al. 2025 (Stanford et Google) et Arora et al. 2025 (université du Wisconsin-Madison) : nngroup.com