La discovery augmentée : l'IA peut-elle vraiment comprendre vos utilisateurs ?

Il y a un moment précis où j'ai compris que quelque chose n'allait pas.

Un PM me montrait fièrement son processus : interviews hebdomadaires avec des utilisateurs, synthèse automatique dans Dovetail, ticket créé en trente secondes. Efficace. Scalable. Presque parfait. Sauf qu'en lisant la synthèse, j'ai réalisé qu'elle ne contenait que ce que l'utilisateur avait dit explicitement. Pas ce qu'il avait hésité à dire. Pas ce que son silence révélait. Pas la contradiction entre sa réponse de façade et son comportement réel.

L'IA avait capturé le transcript. Elle n'avait pas capturé l'insight.

C'est le paradoxe de la discovery augmentée en 2026 : jamais les outils n'ont été aussi puissants, jamais la confusion entre vitesse de traitement et profondeur de compréhension n'a été aussi facile à faire, ni aussi lourde de conséquences.

L'accélération est réelle, et les chiffres le confirment

Commençons par les faits, sans hype.

L'adoption de l'IA dans la recherche utilisateur a connu une accélération notable ces deux dernières années. Selon un rapport de Perspective AI publié en mai 2026 (à lire avec précaution : la source est un acteur commercial du secteur), l'IA serait devenue le mode de discovery par défaut pour 81 % des équipes research, 73 % des équipes UX et 67 % des équipes produit [1]. Le délai médian de collecte d'insight serait passé de 26 jours (études panel classiques) à 3,2 jours (entretiens conduits par IA). Le budget médian consacré aux outils de recherche IA aurait quadruplé en un an.

Ces chiffres méritent un caveat sérieux : ils sont produits par un outil concurrent, ce qui crée un biais d'incitation à surestimer l'adoption. Mais même divisés par deux, ils signalent une transformation structurelle réelle.

Du côté des outils, le marché s'est considérablement étoffé. Des plateformes comme Dovetail proposent désormais transcription automatique, analyse thématique par LLM, clustering de feedback, et génération de rapports VoC avec citations sources [2]. Maze a intégré des fonctionnalités d'entretien non-modéré avec synthèse IA. De nouveaux acteurs comme Perspective AI ou Looppanel proposent des "AI interviewers" capables de conduire des conversations de découverte en autonomie.

Les équipes UX peuvent désormais lancer une étude de tests utilisateurs en 48 heures là où cela prenait deux semaines. C'est réel, et c'est utile.

Mon point de vue : La rapidité d'exécution était un frein structurel à la discovery continue. Si l'IA supprime ce frein, elle rend le framework de Teresa Torres plus praticable, pas superflu. Mais accélérer un mauvais processus produit du mauvais résultat plus vite.

Teresa Torres avait raison, et elle sonne l'alarme

Teresa Torres, auteure de Continuous Discovery Habits et référence mondiale sur la discovery produit, a une position nette sur la question : l'IA rend la discovery plus importante, pas moins.

Son argument est simple : quand on peut construire n'importe quoi en une après-midi, la vraie contrainte devient de construire la bonne chose. Cheap building ne remplace pas good thinking [3].

Mais Torres ne s'arrête pas là. Elle identifie ce qu'elle appelle "le plus grand antipattern du moment : la synthèse paresseuse d'interviews par IA." Le workflow qu'elle décrit, et déconseille, ressemble à ceci : conduire un entretien, coller le transcript dans un outil IA, lire le résumé, créer un ticket. Résultat ? Une fraction seulement de ce que contenait réellement la conversation, l'essentiel de la nuance, du contexte et des signaux faibles passe à la trappe [3].

Sa propre méthode : faire la synthèse soi-même d'abord, demander ensuite à l'IA de la faire de son côté, puis comparer les deux. "À chaque fois, je capte des choses que l'IA a manquées. À chaque fois, l'IA capte des choses que j'ai manquées." La valeur n'est pas dans la délégation, elle est dans la confrontation de deux perspectives sur le même matériau [3].

C'est une distinction cruciale que beaucoup d'équipes effacent : l'IA excelle à traiter du signal explicite. La discovery cherche du signal implicite.

L'écueil des "synthetic users" : le vrai débat

L'essor des personas génératifs, des profils utilisateurs simulés par IA que l'on peut "interviewer", cristallise mieux que tout autre sujet la tension entre promesse et risque.

L'idée est séduisante : au lieu de recruter des participants, fixer des rendez-vous et conduire des entretiens, on interroge un LLM entraîné sur des données publiques qui "joue" le rôle de l'utilisateur cible. Résultats immédiats, zéro friction logistique.

Le Nielsen Norman Group a testé l'approche de façon rigoureuse, en comparant les réponses de synthetic users à des études réelles menées avec de vrais participants. Le constat, publié en juin 2024 par Maria Rosala et Kate Moran, est net [4].

Trois limitations s'avèrent structurelles, indépendantes des progrès futurs des modèles :

1. La sycophanie systématique. Les LLMs ont tendance à vouloir plaire. Dans les tests de NNG, les synthetic users ont approuvé des concepts que les vrais utilisateurs ont rejetés, prédit un comportement idéalisé (cours complétés à 100 %, forums de discussion enthousiastement utilisés) là où les vrais utilisateurs rapportaient des abandons fréquents et une méfiance vis-à-vis des forums. L'IA a tendance à dire ce qu'on veut entendre [4].

2. La platitude des profils. Les synthetic users "semblent unidimensionnels, comme une approximation plate des expériences de dizaines de milliers de personnes, parce que c'est exactement ce qu'ils sont." Ils citent sept facteurs d'engagement dans un cours en ligne avec une assurance égale pour chacun. Les vrais utilisateurs, eux, ont des priorités contradictoires, des opinions tranchées, et se désintéressent franchement de certains facteurs [4].

3. L'impossibilité des "unknown unknowns". C'est le point le plus fondamental, bien formulé par Radhika Dutt de Radical Product : "Les synthetic users ne peuvent vous dire que ce qui est déjà connu. Mais les opportunités produit vivent dans ce qui ne l'est pas encore." [5]

Dutt raconte un exemple révélateur. Lors d'un entretien avec un dirigeant, sa question sur les critères d'évaluation de ses brokers provoque un long silence, de la gêne, une incapacité à répondre clairement. Un transcript n'aurait retenu que la réponse finalement donnée ("l'accuracy est importante"). Le silence révélait l'essentiel : le CEO lui-même n'avait pas de critères clairs, ce qui rendait impossible une adoption top-down de l'outil. L'IA n'a pas de corps. Elle ne peut pas lire un silence [5].

La conclusion de NNG est directe : "Présenter des résultats de synthetic users comme équivalents à une vraie recherche utilisateur est une façon non-éthique de partager vos apprentissages." [4]

Mon point de vue : Le débat sur les synthetic users n'est pas "IA vs humains". Il est "que cherche-t-on vraiment ?" Si vous cherchez à confirmer ce que vous savez déjà sur un marché bien documenté, les LLMs sont utiles, comme desk research accéléré. Si vous cherchez à découvrir ce que vous ne savez pas encore, vous avez besoin d'être surpris. Et seuls les humains peuvent vous surprendre.

Ce que l'IA fait bien, et ce qu'elle ne remplacera pas

La nuance est importante : rejeter l'IA de la discovery en bloc serait aussi une erreur que de lui déléguer toute la synthèse.

Où l'IA crée une valeur réelle :

Préparation aux entretiens. Utiliser un LLM pour se familiariser avec le vocabulaire métier d'un secteur inconnu, identifier les questions à ne pas poser (car déjà documentées), arriver en interview en "paraissant appartenir au secteur", c'est un gain de temps réel sans risque de contamination des insights [4][5].
Traitement du volume. Analyser 300 tickets de support, 500 avis app store, ou 100 transcripts pour identifier des thèmes émergents : l'IA fait ce travail en minutes là où il fallait des semaines. Dovetail, EnjoyHQ, ou des outils comme "Channels" permettent ce genre de monitoring continu des signaux qualitatifs à grande échelle [2].
Double-check de synthèse. La méthode Torres, synthétiser soi-même d'abord, puis comparer avec la synthèse IA, augmente la rigueur plutôt que de la réduire. C'est de l'augmentation, pas de la délégation [3].
Prototypage rapide post-discovery. Une fois une hypothèse formulée à partir de vrais entretiens, l'IA peut générer un prototype en quelques heures pour le tester dans la session suivante [5].

Où l'IA échoue structurellement :

Capturer le non-verbal, les hésitations, les contradictions entre discours et comportement
Découvrir ce que l'utilisateur ne sait pas lui-même qu'il ne sait pas
Générer de l'empathie dans l'équipe, lire un résumé IA ne crée pas le même souvenir vivant qu'une conversation directe
Tester une idée véritablement inédite (aucun entraînement possible sur du futur)

La "dette méthodologique" de la discovery

Il y a un risque systémique que la vitesse masque : ce que j'appelle la dette méthodologique de la discovery.

Quand une équipe adopte des outils IA pour accélérer sa recherche sans avoir auparavant défini ce qu'elle cherche et pourquoi, elle produit du signal mal interprété à grande vitesse. Le coût n'apparaît pas immédiatement, il arrive lors du lancement raté, de la fonctionnalité sans traction, du roadmap qui ne résout pas le vrai problème.

Teresa Torres l'a dit autrement : quand le coût de construction s'effondre, le coût des mauvaises décisions explose. La discovery n'est pas optionnelle dans un monde d'IA generative, elle devient le seul avantage défendable [3].

La vraie question pour un PM en 2026 n'est pas "est-ce que j'utilise Dovetail ou Maze ?" Elle est : est-ce que mes entretiens cherchent encore à me surprendre, ou cherchent-ils à confirmer ce que l'IA m'a déjà dit ?

Mon point de vue : On peut décrire un continuum de maturité en trois états. État 1 : pas de discovery, décisions d'intuition. État 2 : discovery accélérée par IA, synthèse déléguée, biais de confirmation non détecté. État 3 : discovery augmentée par IA pour le volume et la préparation, entretiens humains pour les unknowns, double-synthèse pour la rigueur. Beaucoup d'équipes qui pensent être à l'état 3 sont en réalité plus proches de l'état 2, sous une apparence de productivité.

Bonnes pratiques : la discovery augmentée sans les écueils

Pour les équipes qui veulent tirer parti de l'IA sans tomber dans les trappes identifiées :

Préservez l'entretien humain comme cœur non-négociable. L'IA peut automatiser la préparation, la transcription, et une première passe de synthèse. Elle ne remplace pas la conversation.
Utilisez la double-synthèse. Avant de lire la synthèse IA, notez vos 3-5 insights principaux. Comparez. Les écarts sont votre vrai apprentissage.
Étiquetez explicitement vos sources. "Insight issu d'entretiens avec 8 utilisateurs" vs "Hypothèse générée par LLM à tester", cette distinction est éthique et méthodologique [4].
Réservez les synthetic users à la préparation, jamais à la conclusion. Ils sont utiles pour se familiariser avec un domaine. Ils sont risqués pour prendre des décisions de roadmap.
Méfiez-vous du "nous avons fait 50 entretiens IA ce mois" comme métrique de santé. La quantité de feedback traité n'est pas un proxy de la qualité des insights. La vraie métrique : combien de fois avez-vous été surpris ?

La discovery augmentée n'est ni une menace ni une solution. C'est une amplification. Elle amplifie ce que vous cherchez, et si vous cherchez de la confirmation rapide, elle vous en donnera en abondance, sans nécessairement vous montrer ce que vous avez besoin de voir.

L'empathie réelle, celle qui change un roadmap, qui renomme une priorité, qui fait renoncer à une feature bien engagée, vient encore du moment où un utilisateur dit quelque chose que vous n'attendiez pas. Aucun LLM n'a encore appris à produire de la surprise authentique.

Sources

[1] The 2026 State of AI in Customer Research: Adoption, Spend, and What's Replaced Surveys, Perspective AI (mai 2026). Étaye les chiffres d'adoption par type d'équipe, les données de budget, et le délai médian de collecte d'insight. Note : source commerciale avec biais d'incitation.

[2] AI Analysis, Turn raw feedback into actionable intelligence, Dovetail. Étaye les fonctionnalités de traitement IA (transcription, thematic analysis, Channels, génération de rapports).

[3] "Building is cheap now, but don't build everything": Teresa Torres on AI product management, Airfocus by Lucid (avril 2026). Étaye la citation sur la "lazy AI interview synthesis", l'approche double-synthèse, et la thèse "cheap building rend la discovery plus importante".

[4] Synthetic Users: If, When, and How to Use AI-Generated "Research", Maria Rosala et Kate Moran, Nielsen Norman Group (juin 2024). Étaye l'ensemble du débat sur les synthetic users : sycophanie, profils unidimensionnels, exemples comparatifs réel vs synthétique, recommandation éthique.

[5] Why AI-generated synthetic users will lead you astray (and what to do instead), Radhika Dutt, Radical Product (mars 2026). Étaye la notion d'"unknown unknowns", l'anecdote du CEO et du silence révélateur, et les usages légitimes de l'IA en préparation d'entretiens.