La promesse du « tout synthétique » dans les phases d’UX Research : interroger des personas IA plutôt que des personnes

Depuis deux ans, les plateformes d’utilisateurs synthétiques promettent de répondre à une question qui coûte cher : comment savoir ce que pensent vos publics sans avoir à les recruter, les interroger et analyser leurs réponses ?

Une réponse : il suffirait de générer des profils par IA, de leur poser vos questions et de récupérer les tendances en quelques minutes.

Je comprends l’attrait, dans mes missions de conseil, que ce soit pour un client industriel, un acteur de la santé ou une institution culturelle, le budget consacré à la recherche utilisateur est toujours le premier à être coupé.
Le synthétique apparaît alors comme un raccourci tentant…

La nouvelle étude du Nielsen Norman Group, publiée le 16 octobre 2026 par Rachel Banawa, apporte justement des données pour juger de ce raccourci.

Le protocole de l’étude NN/g

604 professionnels réels contre 120 répondants générés par IA
Le principe est simple. NN/g a repris une question ouverte d’une enquête précédente sur la terminologie UX, à laquelle 604 professionnels de la tech et du design avaient répondu : quel nom donneriez-vous au fait de recueillir des informations sur les besoins des gens et de les transformer en recommandations pour un produit ou un service ?

La même question a été posée à 120 répondants synthétiques générés en février 2026 sur la plateforme Synthetic Users. Chacun avait un profil complet : métier, âge, pays, culture d’origine, type d’organisation, et même des traits de personnalité selon le modèle des Big Five. Les deux jeux de données ont ensuite été analysés de la même façon.

Même conclusion générale : un premier point pour l’IA

Le terme « UX » reste dominant dans les deux échantillons. Sur la conclusion principale, humains et machines sont d’accord : aucun autre terme n’a remplacé « UX » pour désigner ce métier.
84 % des répondants synthétiques ont utilisé un vocabulaire lié à l’UX, contre environ 70 % des humains.

Si l’on s’arrête là, on peut croire que l’IA a réussi. C’est ce que retiendront beaucoup de décideurs pressés. Mais un détail aurait dû alerter : l’écart de 14 points est statistiquement significatif, et il va dans le sens inverse de ce qu’on attendrait.

Un paradoxe qui révèle le biais

L’échantillon humain était composé à 67 % de professionnels de l’UX, contre seulement 20 % dans l’échantillon synthétique, construit volontairement avec des quotas pour représenter plus de métiers.
En toute logique, les synthétiques auraient donc dû moins parler d’UX. Ils en ont parlé plus.
NN/g reconnaît ne pas pouvoir expliquer précisément pourquoi, mais rappelle que d’autres recherches ont montré que les réponses synthétiques se concentrent autour des réponses courantes ou attendues.

Le « mode collapse » : quand l’IA efface les singularités

Plus de 50 termes chez les humains, une douzaine chez l’IA.
C’est le résultat central de l’étude. Les humains ont utilisé plus de 50 termes différents, dont « consumer-behavior research », « digital-experience strategy », « journey management » ou « human-factors engineering ».
La plupart n’apparaissaient qu’une ou deux fois. Les répondants synthétiques, eux, se sont limités à une douzaine de libellés, sans aucun des termes rares ou spécialisés présents chez les humains.

NN/g appelle ce phénomène le mode collapse : les données synthétiques reproduisent la réponse la plus fréquente mais perdent la « longue traîne » des réponses moins courantes.
Détail important : les synthétiques répondaient sous forme d’entretien, avec des réponses plus longues, donc plus d’occasions de varier. Ils ont malgré tout produit moins de diversité.

Les différences entre groupes sont gommées

93 % des chefs de produit synthétiques ont utilisé un vocabulaire UX, contre 44 % des chefs de produit réels.
L’IA n’efface pas totalement l’effet du métier, mais elle réduit fortement l’écart entre les groupes.
Pour qui veut comprendre comment différents publics perçoivent une même offre, c’est un vrai problème : les données synthétiques risquent de masquer précisément les différences qu’on cherchait à mettre en évidence.

Ce que l’étude confirme des travaux précédents

Cette étude s’ajoute à une série de travaux de NN/g sur le sujet. Dans une synthèse de trois études sur les jumeaux numériques et les utilisateurs synthétiques, Raluca Budiu notait déjà que l’écart-type des données synthétiques était systématiquement plus faible que celui des données humaines.
Les répondants IA se regroupent autour de la moyenne, ce qui pose problème dès qu’il faut repérer des cas limites ou des opinions polarisées.

Les tests plus anciens de NN/g sur des entretiens allaient dans le même sens : des utilisateurs synthétiques affirmaient avoir terminé tous les cours en ligne commencés, alors que les vrais participants admettaient en abandonner, comme le rappelle cette analyse publiée sur LinkedIn.

L’IA décrit un utilisateur idéal, pas un utilisateur réel.

Pourquoi c’est crucial pour le secteur culturel

Dans les musées, les galeries, les festivals ou le spectacle vivant, on sait depuis longtemps que le « visiteur moyen » est une fiction. Une institution culturelle ne s’adresse pas à un public, mais à plusieurs : habitués, familles, scolaires, touristes, collectionneurs, amateurs éclairés, et surtout les non-publics, ceux qu’on ne voit pas encore dans les salles.

Toute la médiation culturelle repose sur cette attention à la diversité des rapports à l’œuvre. Un outil qui ramène tout le monde vers la réponse dominante va donc à l’encontre de ce qui fait la qualité d’une étude de publics.

Dans les arts d’Asie, qui sont ma spécialité, ce sont souvent les réponses rares qui comptent le plus. Un visiteur qui évoque une pratique du thé apprise en famille, un amateur qui fait le lien entre une estampe japonaise et un manga, une étudiante qui découvre la calligraphie par TikTok : aucune de ces réponses n’est majoritaire, mais chacune peut inspirer un parcours de visite, un contenu Instagram ou un atelier.

Même logique en art contemporain et en art numérique : les usages émergents apparaissent d’abord à la marge. Si votre outil d’étude supprime la marge, vous passez à côté de l’innovation.

Un dernier point me semble important : les modèles reproduisent les régularités de leurs données d’entraînement. Les publics les moins visibles en ligne, ou les pratiques culturelles de niche, sont aussi ceux que l’IA représentera le moins bien. Or ce sont souvent les publics que les politiques de démocratisation culturelle cherchent à atteindre en priorité.

Comment utiliser l’IA intelligemment dans vos études de publics ?

« Le synthétique en amont, l’humain pour décider« 

Il ne s’agit pas de rejeter l’IA. NN/g ne le fait pas non plus. Sa recommandation est nuancée : utiliser les répondants synthétiques pour générer des hypothèses ou vérifier des tendances générales, mais faire appel à de vrais participants dès que la longue traîne des réponses compte.

En pratique, voici comment je conseille de répartir les rôles :

• Avec l’IA : préparer un guide d’entretien, tester la clarté d’un questionnaire, lister des hypothèses avant une étude, faire une première analyse des verbatims.
• Avec de vrais publics : comprendre les freins à la visite, tester un dispositif de médiation numérique, segmenter vos audiences, explorer les attentes des non-publics, valider un positionnement.

NN/g fait aussi une remarque qui me paraît essentielle : demander à l’IA de produire des réponses « plus variées » ne règle rien. Plus de variété ne veut pas dire une variété représentative. Sans données humaines pour comparer, impossible de savoir si cette diversité correspond à la réalité de vos publics.

L’étude relève aussi un problème méthodologique : la plateforme a parfois reformulé la question posée, alors qu’un petit changement de formulation peut influencer les réponses. Quand on ne contrôle pas la façon dont une question est présentée, on ne peut pas vraiment interpréter les résultats.

En conclusion, la recherche utilisateur reste une affaire d’humains

La conclusion de NN/g est sans ambiguïté : la recherche avec des utilisateurs synthétiques n’est pas de la recherche utilisateur, puisqu’aucun utilisateur réel n’est étudié.
Les résultats synthétiques sont un point de départ, pas une preuve de ce que les gens pensent ou font.

Pour les acteurs culturels, c’est une bonne nouvelle. Cela confirme que la connaissance fine des publics, construite sur le terrain, en salle et en ligne, reste un avantage qu’aucun outil ne peut automatiser. L’IA donne la moyenne. Vos publics, eux, sont faits de singularités. C’est là que se trouvent vos meilleures idées de médiation et de communication.


source : étude NN/g

---

Luc Hédin, consultant senior en marketing digital et marketing culturel, spécialiste de la médiation culturelle digitale. luc-hedin.com et sur instagram @marketingculturel