120 répondants IA ont conclu comme 604 humains. Aucune des réponses rares n'est apparue.

Le 16 octobre, Nielsen Norman Group a publié une courte étude de Rachel Banawa dont le titre donne le résultat : « Synthetic Users vs. Human Respondents: Same Conclusion, Less Variation » (utilisateurs synthétiques contre répondants humains : même conclusion, moins de variation).

Le montage est simple. Dans une enquête menée en avril 2026, NN/g a demandé à 604 professionnels de la tech et du design de lire la description d'un travail en une phrase (« An individual gathers insights about people's needs and experiences and turns those insights into recommendations for how a product or service should be planned, built, and improved ») et de nommer le seul domaine qu'elle décrit. En février 2026, l'équipe a posé la même question à 120 répondants synthétiques générés sur Synthetic Users, une plateforme commerciale qui simule des participants à une étude. Puis elle a comparé les deux jeux de données.

Les deux disent la même chose : « UX » reste le nom dominant de ce métier. Ce que le panel synthétique n'a pas reproduit, c'est tout ce qui entoure cette réponse.

Je construis des produits avec des modèles de langage tous les jours, et je connais la tentation à laquelle cette étude répond. Pour un produit comme BidForge, l'outil que j'ai construit pour lire les dossiers d'appels d'offres publics français pour les petites entreprises, le raccourci bon marché est évident : demander à un modèle de jouer vingt patrons de petites entreprises et de les interviewer. J'ai donc lu la méthode avant la conclusion.

Ce que le panel synthétique a bien fait

Le résultat principal a tenu. 84 % des répondants synthétiques ont utilisé des termes liés à l'UX, contre environ 70 % des humains. NN/g indique que l'écart de 14 points est statistiquement significatif, mais il ne change pas la conclusion pratique de l'étude d'origine : aucune autre appellation n'a remplacé « UX ».

Le rôle professionnel a continué de façonner le vocabulaire. Parmi les professionnels synthétiques de la connaissance client, 45 % ont utilisé le mot « customer » ; aucun des professionnels UX synthétiques ne l'a fait. 30 % des chargés d'études de marché synthétiques ont dit « market », là encore contre 0 % des professionnels UX synthétiques. NN/g indique que les deux différences sont statistiquement significatives.

Si ta question est « que dirait la plupart des gens de ce groupe ? », le panel y a répondu.

Ce qu'il a raté : la longue traîne

Les humains ont utilisé plus de 50 appellations distinctes, dont « consumer-behavior research », « digital-experience strategy », « journey management » et « human-factors engineering ». La plupart n'apparaissaient qu'une fois ou quelques fois. Les répondants synthétiques ont produit 12 appellations au total : six liées à l'UX, et six autres (customer experience, customer insights, data science, market research, product management, service design). Aucun des termes inhabituels ou spécialisés des données humaines n'est apparu, comme « digital management » ou « business analysis ». « Human factors », « experience design » et « consumer research », que contiennent les réponses humaines, non plus.

NN/g appelle ça un effondrement de mode (mode collapse) : des données synthétiques qui reproduisent la réponse la plus courante et abandonnent la longue traîne des réponses moins courantes.

Un détail renforce le constat. La plateforme simule des entretiens, donc les répondants synthétiques ont donné des réponses plus longues que des humains qui remplissent une enquête. Plus de mots, plus d'occasions de nommer une alternative. Ils en ont pourtant nommé moins.

Une réserve sur ce chiffre, cependant. Le nombre d'appellations distinctes augmente avec la taille de l'échantillon, et 120 n'est pas 604. L'article ne dit pas combien d'appellations un tirage aléatoire de 120 humains aurait produit. Je ne m'appuierais donc pas sur « 12 contre plus de 50 » seul. La preuve la plus solide est ailleurs.

Conçu pour être plus divers, il est revenu plus uniforme

L'échantillon humain de NN/g a été recruté en partie par ses propres canaux, dont son Practitioner Panel, et 67 % de cet échantillon étaient des professionnels UX. Le rapport de juillet sur l'enquête d'origine avertissait déjà que cela pouvait surestimer la fréquence d'« UX ». L'échantillon synthétique a été paramétré avec des quotas par rôle, volontairement : seulement 20 % de professionnels UX.

On s'attendrait à ce qu'un échantillon avec moins d'un tiers de la part UX utilise moins le vocabulaire UX. Il l'a utilisé davantage.

Les product managers le montrent le mieux. 93 % des product managers synthétiques ont utilisé des termes liés à l'UX, contre 44 % des product managers humains. En juillet, NN/g avait indiqué que 38 % des product managers humains avaient utilisé le mot « product », contre 10 % des praticiens UX. Le graphique de NN/g montre la même attraction sur l'ensemble du panel : 3,3 % des répondants synthétiques ont utilisé « product », contre 12,4 % des humains, alors que le panel synthétique comptait bien moins de professionnels UX.

Mets les deux pages de NN/g côte à côte et l'effet n'est pas non plus un simple aplatissement. En juillet, 18 % des professionnels humains de la connaissance client avaient utilisé « customer ». Dans le panel synthétique, 45 % l'ont fait. Cette comparaison est la mienne, pas celle de NN/g, et aucun des deux articles ne donne la taille des sous-groupes. Mais elle suggère que le panel peut amplifier l'indice évident, le mot du titre du poste, pour un groupe tout en écrasant une vraie différence pour un autre. Sans données humaines à côté, impossible de savoir dans quel sens ça a joué.

Ce que l'étude ne montre pas

C'est une seule question ouverte, sur une seule plateforme, avec des réponses synthétiques obtenues en février 2026. L'article ne nomme pas le modèle derrière la plateforme (l'éditeur décrit une fonction qui alterne entre plusieurs grands modèles de langage), et ce genre de produit change vite. La « vérité terrain » humaine est elle-même un échantillon biaisé. Deux aspects de la plateforme échappaient au contrôle de NN/g, qui les signale comme des facteurs de confusion possibles : le format d'entretien, et la plateforme qui reformule parfois la question (« people's needs, behaviors, and experiences » au lieu de « people's needs and experiences »). NN/g dit ne pas pouvoir déterminer exactement pourquoi les répondants synthétiques ont autant penché vers les termes UX ; il renvoie à des recherches antérieures montrant que les réponses synthétiques se regroupent autour des réponses courantes ou attendues.

Ce n'est donc pas la preuve que les répondants synthétiques échouent à tout, ni qu'un autre outil ou un autre prompt échouerait de la même façon. C'est cohérent avec la revue de trois études publiée par NN/g en août 2025, qui concluait que les utilisateurs synthétiques « may capture trends in human behavior but not the magnitude of the effects or the variability in the human data » (peuvent saisir des tendances du comportement humain, mais pas l'ampleur des effets ni la variabilité des données humaines). NN/g met aussi en garde contre le correctif évident : demander à un modèle des réponses plus variées produit de la variété, pas forcément la variété que les vraies personnes ont, aux fréquences où elles l'ont.

La FAQ de l'éditeur est d'accord

Cette partie n'est pas dans l'étude. Sur son site, lu le 19 octobre, Synthetic Users se décrit comme « a discovery co-pilot » et affirme : « Real user research stays essential for validation and edge-case work » (la vraie recherche utilisateur reste essentielle pour la validation et les cas limites). Les cas limites, c'est la longue traîne. Sur ce point, l'éditeur et l'étude disent la même chose.

Deux autres lignes méritent une seconde lecture. Le site dit que, sur ses études comparatives indépendantes, « parity sits between 85% and 92% depending on audience type, measured across thematic overlap, depth, and qualitative alignment » (la parité se situe entre 85 % et 92 % selon le type d'audience, mesurée sur le recouvrement thématique, la profondeur et l'alignement qualitatif). Dans l'étude de NN/g, le recouvrement était réel : même thème dominant. Ce qui a disparu, c'est la traîne, et un score construit sur le recouvrement thématique peut rester élevé alors que la traîne a disparu. La FAQ dit aussi que 10 à 12 participants bien définis « typically reach saturation » (atteignent généralement la saturation), avec un score indiquant « when new participants stop adding novel themes » (quand de nouveaux participants cessent d'ajouter des thèmes inédits). Avec un générateur qui converge vers une douzaine d'appellations, un plateau précoce en dit peut-être plus sur le générateur que sur ton marché. Les formules démarrent à 12 500 $ par an.

Ce que j'en ferais

Je fact-checke mes propres posts avec un modèle, Jev, utilisé comme juge. C'est un travail étroit : un verdict sur une affirmation, face à une source que je peux ouvrir. Un répondant synthétique fait le travail inverse. Il invente ce qu'une personne dirait, sans rien contre quoi le vérifier. Je placerais la barre en conséquence.

Avant une série d'entretiens, j'utiliserais un panel synthétique pour rédiger le guide d'entretien, lister les objections évidentes et repérer les formulations confuses. Cela correspond à l'usage que NN/g laisse ouvert : générer des hypothèses et vérifier des tendances larges.

Je ne m'en servirais pas pour dimensionner une niche, comparer deux segments, ou trouver l'early adopter dont la formulation bizarre se révèle être le produit. Ce sont la traîne et les sous-groupes, exactement ce qui a disparu ici.

Dans une vraie série d'entretiens, je compterais les réponses distinctes, pas seulement la première, et je garderais dans leur propre colonne celles qui n'apparaissent qu'une fois. C'est de là que vient la question suivante.

Et si une décision importante reposait sur un panel synthétique, je poserais la même question à un échantillon humain, même petit, avant de faire confiance à une différence entre groupes. NN/g le dit sans détour : la recherche avec des utilisateurs synthétiques « is still not user research, because no actual users are being studied » (n'est toujours pas de la recherche utilisateur, parce qu'aucun utilisateur réel n'est étudié).

Un panel synthétique peut te dire ce que dirait la plupart des gens. Le client que tu cherches est souvent celui qui dit autre chose.

Sources

• Nielsen Norman Group, "Synthetic Users vs. Human Respondents: Same Conclusion, Less Variation" (16 octobre 2026, texte et graphiques)
• Nielsen Norman Group, "No New Name Has Replaced 'UX'" (31 juillet 2026)
• Nielsen Norman Group, "Evaluating AI-Simulated Behavior: Insights from Three Studies on Digital Twins and Synthetic Users" (15 août 2025)
• Synthetic Users, page d'accueil et FAQ (consultées le 19 octobre 2026)
• Synthetic Users, "Pricing" (consulté le 19 octobre 2026)
• Synthetic Users, "Science" (consulté le 19 octobre 2026)