BLOG | Le designer augmenté #2 : Quand l'IA accélère la recherche utilisateur

La recherche utilisateur produit une matière particulièrement riche : des heures d’entretiens, des observations, des verbatims, des comportements parfois contradictoires et une multitude de signaux qu’il faut ensuite organiser, confronter et interpréter. Une grande partie du temps du researcher est consacrée à des tâches indispensables mais chronophages, où les erreurs peuvent facilement se glisser : transcrire, structurer, classer, retrouver un verbatim ou croiser différentes observations.
Sur un projet stratégique de refonte d’expérience pour un acteur majeur de la santé, j’ai mené une recherche auprès de 38 participants sur le terrain. Face à cette quantité de matière, une question s’est rapidement posée : jusqu’où peut-on utiliser l’IA sans lui déléguer ce qui fait la valeur de la recherche utilisateur ?
L’objectif n’était pas de lui demander de « faire l’analyse » à ma place, mais de l’intégrer à des étapes précises de la méthodologie, avec un principe simple : l’IA traite et accélère, le researcher structure, vérifie et décide.

L’IA traite les données, l’humain construit l’insight

Dans cette expérimentation, l’IA n’a pas été utilisée comme un « researcher automatique ». Elle est intervenue à des moments précis : pour aider à préparer le guide d’entretien, transcrire les échanges, structurer les réponses, retrouver des verbatims et réaliser certains croisements.
La méthode reste humaine : définir ce que l’on cherche, faire évoluer la grille d’analyse, interpréter les comportements et décider de ce qui constitue un enseignement pertinent pour le projet.

La recherche commence par l’écoute et l’observation

Je suis allée à la rencontre de 38 participants directement sur le terrain, dans trois contextes différents. Les entretiens ont été complétés par des immersions et des observations afin de confronter les usages déclarés aux situations réelles. Ils ont été menés à des moments permettant d’échanger dans de bonnes conditions, sans perturber le parcours des participants et au plus près de leur expérience. Les échanges ont simplement été enregistrés afin de permettre leur transcription ultérieure. 

C’est pendant ces moments que se joue une partie essentielle de la recherche : écouter une réponse, percevoir une hésitation, rebondir sur une contradiction, reformuler une question ou décider de creuser un sujet inattendu.

Un « oui » n’est pas toujours un oui

Un exemple illustre bien la différence entre ce qu’un traitement automatisé retient et ce que l’écoute humaine révèle.
Pendant les entretiens, j’ai interrogé les participants sur leur utilisation du compte personnel associé au service. À la question « avez-vous un compte personnel ? », beaucoup ont répondu spontanément : « oui ».
Sur le papier, la donnée semblait simple. Mais en poursuivant les échanges, une réalité plus nuancée est apparue. Certains ont indiqué disposer d’un compte sans en être vraiment certains. D’autres ne savaient plus s’ils s’y étaient réellement connectés. Certains ressaisissaient régulièrement leurs informations tout en pensant disposer d’un compte.
Le « oui » initial cachait donc plusieurs réalités. C’est l’échange avec les participants qui a permis de percevoir ces hésitations. Elles ont ensuite été consignées dans la grille d’analyse avec des catégories plus précises : doute sur la connexion, pense avoir un compte, ressaisit ses informations…
Ces nuances ont fait émerger une catégorie à part entière : les utilisateurs qui doutent de l’existence de leur compte personnel. Cette observation a ensuite été traduite en problématique de conception : comment rendre l’existence, le statut et l’intérêt de ce compte plus compréhensibles dans l’expérience ?
Une transcription brute n’aurait conservé qu’un « oui ». L’IA peut compter les « oui ». Le researcher comprend ce qu’ils signifient dans leur contexte.

Du guide d’entretien au codebook : structurer avant d’automatiser

Il serait tentant de transmettre l’ensemble des entretiens à une IA en lui demandant simplement d’en faire ressortir les grands enseignements. Mais sans cadre d’analyse, elle peut rapprocher des réponses sur la base de similarités lexicales, simplifier certaines nuances ou donner une importance excessive aux éléments les plus fréquemment cités.
J’ai donc structuré l’analyse en amont. À partir du guide d’entretien, j’ai construit un codebook sous forme de tableur : une grille d’analyse d’une trentaine de colonnes correspondant aux dimensions à étudier (profil, habitudes, motivations, freins, parcours, usages numériques, utilisation du compte personnel…). Un format volontairement simple, lisible et contrôlable ligne par ligne.
Cette grille constitue un cadre de départ, pas une structure figée. Elle évolue lorsque la recherche fait émerger une nuance ou un comportement non anticipé, comme l’a montré l’exemple du compte personnel.
Les entretiens ont été transcrits à l’aide d’une IA spécialisée en transcription, puis relus et confrontés à mes notes de terrain. L’IA a ensuite aidé à classer les réponses dans la grille. Les participants ne répondent évidemment jamais avec des catégories parfaitement normalisées. À une question sur une fréquence d’usage, certains répondent « de temps en temps », d’autres « régulièrement », « plusieurs fois dans l’année » ou « dès que j’en ai besoin ». Tout l’enjeu consiste à rendre les réponses comparables sans les appauvrir. C’est au researcher de définir des catégories suffisamment cohérentes pour permettre l’analyse, sans effacer les nuances exprimées.
Une fois les données vérifiées et structurées, l’IA devient particulièrement utile pour les explorer. J’ai pu isoler rapidement les participants présentant un même comportement, comparer leurs réponses sur d’autres critères, puis revenir aux verbatims associés. Là où il aurait fallu relire plusieurs dizaines d’entretiens pour vérifier une intuition, il devient possible d’interroger la matière et de retrouver en quelques minutes ce qui permet d’étayer, de nuancer ou de remettre en question une hypothèse.

Moins de temps à traiter, plus de temps à comprendre

Le bénéfice le plus visible de l’IA est le temps gagné sur certaines tâches particulièrement chronophages : transcription, classement des réponses, recherche d’informations dans plusieurs dizaines d’entretiens ou réalisation de croisements.
Ce gain demande toutefois un investissement de départ : construire le codebook, apprendre à interroger la matière, vérifier les résultats. Sur une première expérimentation, il se mesure donc moins en jours économisés qu’en profondeur d’analyse. Car l’intérêt ne réside pas seulement dans la productivité. C’est surtout la manière dont ce temps peut être réinvesti qui change le travail du researcher. Moins de temps à recopier, rechercher, classer ou manipuler des informations, c’est davantage de temps pour comprendre pourquoi un comportement apparaît, confronter les observations, formuler des hypothèses et traduire ces enseignements en choix de conception.

Trois points de vigilance

Lorsque l’IA produit rapidement une réponse structurée et convaincante, il peut être tentant de lui faire confiance. Or une réponse plausible n’est pas nécessairement une réponse juste.

1. Toujours pouvoir revenir à la source

Chaque donnée produite ou manipulée par l’IA doit pouvoir être reliée à sa source : derrière une catégorie, un chiffre ou un constat, il faut pouvoir retrouver la donnée initiale et le verbatim dont il est issu.
Cela implique de relire les transcriptions, de les confronter aux notes de terrain, de contrôler les classements et de vérifier les données utilisées pour les calculs et les croisements. Dans certains cas, j’ai préféré extraire moi-même les données du codebook avant de demander à l’IA d’effectuer un calcul, pour qu’elle travaille sur une base maîtrisée. L’IA accélère le traitement. Elle ne supprime pas le contrôle qualité.

2. Ne pas confondre facilité de calcul et représentativité

Quand il devient facile de compter les occurrences, de produire un graphique ou de croiser plusieurs variables, tout semble devenir quantifiable. Mais 38 entretiens qualitatifs ne constituent pas une enquête statistiquement représentative. Ils font émerger des comportements, des irritants, des contradictions ou des signaux faibles. Et la
fréquence d’apparition d’un sujet ne détermine pas son importance : un problème rencontré par trois personnes peut révéler un obstacle majeur dans un parcours.
C’est pourquoi j’ai choisi de présenter certains résultats en effectifs, par exemple « 16 participants sur 38 », plutôt que de leur donner artificiellement l’apparence d’une statistique avec un pourcentage.

3. Protéger les participants, de la collecte à l’outil

Cette vigilance commence avant même d’utiliser l’IA. Dès la conception de l’étude, j’ai fait le choix de ne demander aucune donnée directement identifiante ni aucune information sensible : les entretiens portaient exclusivement sur les pratiques et l’expérience du service, et ce cadre était rappelé au début de chaque échange.
Dans un entretien ouvert, un participant peut néanmoins partager spontanément une information personnelle. Repérer et retirer ces éléments des transcriptions avant tout traitement par un outil d’IA est une étape à formaliser dans le protocole.
Les enregistrements audio et les transcriptions sont eux-mêmes des données à protéger. Le choix de l’outil fait donc partie du protocole : mode d’hébergement, conformité au RGPD, conditions d’utilisation des données. C’est à l’utilisateur d’interroger le fournisseur sur ces points.
La protection des participants se construit ainsi à chaque étape, en limitant la collecte et le traitement à ce qui est réellement nécessaire à l’analyse.

Ce que j’en retiens

L’IA ne comprend pas les utilisateurs à notre place. Elle nous donne davantage de temps pour les comprendre.
À mesure que ces outils progressent, traiter rapidement une grande quantité de données deviendra de moins en moins différenciant. La valeur du researcher reste dans sa capacité à poser les bonnes questions, construire une méthode fiable, interpréter ce qu’il observe et transformer ces enseignements en décisions de conception.
C’est là, à mon sens, que se trouve la logique du designer augmenté : utiliser l’IA là où elle apporte réellement de la valeur, pour consacrer davantage de temps à ce qui demande de la compréhension, du recul et du discernement.

Source
CNIL – Les questions-réponses de la CNIL sur l’utilisation d’un système d’IA générativ