UX Insight : L’UX Research face au miroir de l’IA et du Business Design

En avril 2026 s'est tenue la 10e édition du célèbre UXinsight Festival.

Pendant trois jours, des centaines de passionnés de recherche utilisateur se sont réunis autour d'un mot d'ordre fort : Re:ground, Re:invent, Re:search. Côté Ippon, nous avons eu la chance de suivre ces échanges passionnants pendant deux jours à distance.

Ce fil conducteur ne devait rien au hasard. L’UX Research traverse aujourd’hui une véritable zone de turbulences, prise entre des budgets rationalisés, des équipes réduites et une injonction permanente à la vitesse. C’est précisément dans ce contexte de transformation profonde que le festival a lancé les débats avec une session d'ouverture percutante : "The Research Re:mix – Adapting Workflows for the Age of AI".

Une question cruciale a guidé l'ensemble de l'événement : comment s'assurer que la course à la vitesse et à la productivité ne se fasse pas au détriment de la vérité terrain et de la rigueur éthique ?

De la découverte du Business Design pour s'ancrer dans la stratégie d'entreprise à la déconstruction des métriques traditionnelles, en passant par les garde-fous indispensables face aux algorithmes, je vous propose un décryptage des 5 talks qui m’ont le plus marqué.

Un condensé d'insights essentiels pour quiconque souhaite faire évoluer sa pratique du design aujourd'hui.

1. Quand la Recherche rencontre le Business Design : L'art de cartographier les risques

Par Nidhi Jalwal, Design Research Manager at IKEA & Serena Westra, Experience Design Leader at IKEA Digital

Talk : "Expanding your identity: where research meets business design”

Pour beaucoup d’entre nous, le Business Design est une discipline encore méconnue, et pourtant, sa perspective est fascinante pour quiconque souhaite innover.

Son objectif principal ? Réduire radicalement les risques d'un projet en testant très rapidement des hypothèses business et utilisateur, articulées autour de trois piliers fondamentaux : la désirabilité, la faisabilité et la viabilité.

Pour formaliser ces hypothèses, les speakers partagent un format simple mais redoutable : débuter chaque croyance par la formule « Nous croyons que… ».

La méthodologie en 4 étapes :

1. Formuler et cartographier : Inscrire toutes les hypothèses sur une matrice Importance - Preuves.

Sur l'axe horizontal, on va placer les éléments en fonction de ce qui a des preuves (à gauche) vers ce qui n'en a pas (à droite).

2. Cibler le risque : Identifier les hypothèses situées en haut à droite (les plus cruciales pour le projet, mais pour lesquelles nous n'avons encore aucune preuve). Ce sont elles qu’il faut tester en priorité absolue.

3. Évaluer le niveau de preuve : Analyser la solidité des données recueillies grâce à un framework de graduation (allant de l'absence de preuve à la preuve irréfutable du marché).

4. Prendre des décisions éclairées : Émettre des recommandations claires basées sur le niveau de risque que l'équipe accepte de prendre pour la suite (Next Steps).

Ce qu’il faut retenir :

• Cette approche rigoureuse se prête particulièrement bien aux gros projets à fort enjeu. 
• On peut valider certaines hypothèses en interne grâce à de la donnée existante, sans avoir à mener des tests lourds à chaque fois.
• Le Business Design est une autre façon de faire de la recherche, résolument ancrée dans la stratégie d'innovation.

2. Comprenez-vous vraiment le fonctionnement de l'IA ?

Par Colman Walsh, Founder/CEO at UX Design Institute

Talk : "Do You Really Understand AI?"

Rédiger des prompts pertinents est un défi de taille.

Pour mieux prompter, il faut comprendre que l'IA n’est pas un logiciel classique ("déterministe") comme un distributeur automatique : elle est intrinsèquement probabiliste, créative et non-déterministe.

Les LLM (Large Language Model) sont entraînés à prédire la suite d'une phrase selon des probabilités. Sans garde-fous, l’IA comble ses lacunes par sa créativité. Elle est optimisée pour parler couramment, pas pour dire la vérité ! C'est la source directe de ses hallucinations.

Pour fiabiliser la GenAI, l'architecture RAG (Retrieval-Augmented Generation) s'impose comme le levier indispensable. Elle suit un parcours strict :

1. La question utilisateur : L'internaute pose sa question (par exemple : "Proposez-vous des tarifs pour raisons familiales de force majeure ?").
2. L'orchestration cherche : Le système va fouiller en temps réel dans les documents internes et officiels de l'entreprise (les politiques d'Air Canada, dans l'exemple du speaker).
3. Les snippets pertinents : Le moteur extrait les extraits de texte (snippets) les plus adaptés et les inclut directement dans le prompt masqué de l'IA.
4. Le LLM répond : L'intelligence artificielle génère sa réponse finale en utilisant le LLM pour la fluidité, mais en s'ancrant uniquement sur ces sources vérifiées.

Pour aller plus loin, Colman Walsh insiste sur la mise en place de "House rules" (des règles maison), de véritables barrières textuelles intégrées au système pour contraindre l'IA.

Par exemple, dans le contexte de la compagnie aérienne qu’il nous a présenté en début de conférence :

• « Tu es un assistant Air Canada. Réponds uniquement en utilisant des citations de documents approuvés. »
• « Si tu ne trouves aucune source pour appuyer ta réponse, dis "Je ne peux pas confirmer cela, je peux vous mettre en relation avec un agent". »
• Exigences strictes : citer les identifiants de documents, être concis, adopter un ton respectueux, ne donner aucun conseil juridique et s'interdire toute spéculation.

Ce qu’il faut retenir :

• L'IA n'est pas magique. Elle est bien plus sûre et efficace lorsqu'elle est confinée au back-office, là où elle décuple la productivité interne sans risque direct sur l'expérience client.
• Surtout, la GenAI ne remplace pas le design : définir le problème, concevoir la solution et tester les parcours avec de vrais humains restent des compétences indispensables et non automatisables.

3. L'IA a-t-elle tué la recherche utilisateur ?

Par Jason Giles, VP of Product Design at UserTesting

Talk : "Did AI kill the research star?"

Le constat de départ de cette conférence est saisissant, basé sur le rapport Design Confidence in 2026 de UserTesting : si 91 % des designers affirment aller plus vite grâce à l'IA, seuls 15 % se sentent confiants dans leurs décisions.

L'accélération a complètement dépassé la certitude. L’évaluation heuristique par l’IA n’affiche qu'entre 50 et 75 % de précision. Pire : une hallucination mineure de l'IA (le remplacement subtil d'un composant) a très concrètement coûté 1 % de baisse de taux de conversion global à un grand site e-commerce américain !

Le plus grand danger aujourd'hui réside dans le fait que le rendu impeccable de l’IA (le polish) crée une illusion de compétence : l'output "sonne juste" mais s'avère extrêmement difficile à vérifier. Pour 46,2 % des designers, c'est la première cause de scepticisme.

Pour contrer ce risque, 52,1 % des équipes appliquent la méthode de la simple relecture ou critique entre pairs (peer review). Jason Giles est catégorique : c'est techniquement une approche "humain dans la boucle" (human-in-the-loop), mais cela ne génère aucune confiance réelle. Il nous dit :

« Nous n'avons pas besoin d'humains dans la boucle. Nous avons besoin de preuves dans la boucle (evidence-in-the-loop). »

Le modèle du gradient de risque (Risk gradient model) :

Pour travailler efficacement, nous devons adapter notre niveau de vérification à la complexité et à l'impact de la décision :

• Risque faible / Décisions réversibles : On peut laisser l'IA accélérer et automatiser seule.
• Risque modéré : Prudence et révision nécessaires.
• Risque élevé / Décisions critiques : Supervision humaine obligatoire, avec un jugement minutieux et une interprétation basée sur de vraies preuves terrain.

Ce qu’il faut retenir :

• Ne rivalisons pas avec l'IA là où elle est forte (la vitesse). Évitons le piège de la neutralité.
• À l'ère des interfaces générées à la volée où chaque utilisateur se retrouve face à un écran potentiellement différent et personnalisé par l'IA, la recherche devient plus vitale que jamais.
• Les algorithmes optimisent ce qui fonctionne déjà, ce qui risque d'uniformiser toutes les interfaces. L'évolution humaine va plus vite que l'apprentissage des machines.

4. Le biais de la science comportementale : Arrêtons de concevoir pour des "participants idéaux"

Par Vidhika Bansal, UX & Behavioral Science Consultant

Talk : "Making UX Research More Human: Lessons from Behavioral Science"

Poser les bonnes questions est un exercice d'une complexité sous-estimée. Si nos questions sont mal formulées, la donnée récoltée sera inutilisable. 

Or, comme le rappelle la conférencière : « Mieux vaut pas de données que de la mauvaise donnée ».

Vidhika Bansal met en garde contre 3 pièges comportementaux majeurs :

• Le piège de la prédiction : Les humains sont de piètres devins de leurs propres actions futures. Interrogés sur l'avenir, ils vont systématiquement idéaliser leur comportement.
• Le piège de la cartographie (modèle mental) : Dans nos questionnaires post-expérience, être trop spécifique est une erreur. Les utilisateurs ne se souviennent pas d'une micro-étape précise, ils gardent une impression globale de leur parcours.
• Le piège du "Pourquoi" : Lorsqu'on demande à un utilisateur pourquoi il a agi de telle sorte, il a tendance à inventer une rationalisation après coup. C’est un point commun troublant avec l’IA : l'humain fabrique une explication pour donner du sens et, inconsciemment, pour être "bien vu" par le chercheur.

Pour obtenir des insights de qualité, nos protocoles doivent s'adresser à de vrais humains, et non à un "participant idéal" (qui n'existe pas).

Ce qu’il faut retenir :

• Il est préférable de s’intéresser aux comportements passés ou actuels plutôt que de demander aux utilisateurs de prédire leur futur. On évite ainsi les questions spéculatives du type « Comment feriez-vous si... ? » qui poussent à la rationalisation.
• Il faut prêter attention au comportement factuel plutôt qu'à la réflexion après-coup. Envisagez d'autres hypothèses en fonction du contexte et croisez vos informations : ne faites pas aveuglément confiance au « pourquoi » fourni par le participant.
• Notre rôle est de déceler ce qui est réellement vrai pour les gens, et non ce que nous aimerions qui soit vrai.

5. Validé n'est pas synonyme de Valide : Le piège des métriques UX traditionnelles

Par Natasha den Dekker, Senior UX Research Consultant

Talk : "Validated ≠ Valid: Why Our Beloved UX Metrics Fail App-First Journeys"

Nous avons une tendance naturelle à nous rassurer derrière des questionnaires standardisés (SUS, NASA-TLX, CSAT, NPS) sous prétexte qu’ils sont validés scientifiquement. Pourtant, une mesure peut être scientifiquement irréprochable et passer complètement à côté de la réalité vécue par l’utilisateur.

Sur les forums professionnels comme Reddit ou LinkedIn, les experts tirent la même sonnette d'alarme : pris de manière isolée, ces scores deviennent des "tests de Rorschach" où chacun interprète ce qu'il a envie de croire.

Un exemple marquant partagé lors du talk : une entreprise a vu son NPS exploser en 2020 ; le management a célébré le "dur labeur de l'équipe" alors que ce pic était simplement causé par... le début des confinements liés au COVID-19 !

Le problème ? Ces métriques s'intéressent principalement à la perception (ce que les gens disent ou ressentent) . Or, la perception est subjective et parfois déconnectée des faits.

En plus de ça, ce n'est pas parce qu'un utilisateur réussit à accomplir sa tâche qu'il a vécu une bonne expérience.

Natasha den Dekker rappelle que l'impact réel se niche dans le comportement (ce que les gens font différemment) et l'outcome (le changement concret généré pour le business et l'utilisateur) :

• Outcome : Plus de demandes complétées, moins d'abandons, décisions plus rapides.
• Comportement : Moins de tentatives infructueuses, saisie plus rapide, réduction du besoin d'assistance.

L'exemple de l'application de sport PureGym est frappant : les analytics affichent fièrement des badges "Félicitations pour votre 10e visite !".

Le business y voit un succès de rétention. Mais en allant creuser le comportement réel, Natasha nous dit qu'elle fait en réalité des travaux chez elle, n'a plus d'eau courante, et utilise uniquement l'application pour scanner l'entrée de la salle de sport, prendre sa douche en 20 minutes et repartir.

L'application mesure "l'assiduité sportive", l'utilisateur vit une "gestion de crise logistique" .

Ce qu’il faut retenir :

• Une métrique validée scientifiquement peut totalement rater la réalité de l'expérience.
• La clé n'est pas de choisir la "meilleure" métrique, mais de choisir la métrique qui s'aligne sur l'outcome recherché. Il faut impérativement croiser l'analyse qualitative et les analytics pour supprimer les angles morts.
• Le score NPS ne suffit plus ; c'est en comprenant comment le produit aide concrètement l'utilisateur dans son quotidien que la recherche prend toute sa valeur.

Conclusion : Prendre de la hauteur pour devenir des navigateurs stratégiques

Ce qu'il faut retenir de cet événement, c'est que notre métier est à un tournant passionnant.

Pour que nos insights ne restent pas lettre morte et influencent vraiment les décisions stratégiques, nous devons lever le nez de nos outils et regarder l'impact réel de nos actions.

Ce festival nous invite à opérer trois bascules majeures dans notre quotidien :

• Arrêter de concevoir pour des utilisateurs parfaits : En couplant le qualitatif aux données d'analytics (Natasha den Dekker) et en apprenant à poser des questions adaptées aux vrais gens (Vidhika Bansal), on s'assure enfin de récolter des données exploitables et proches de la réalité terrain.
• S'approprier la valeur business : La découverte du Business Design et de sa matrice Importance-Preuves montre qu'il y a une autre façon de faire de la recherche et d'être dans l'innovation (Nidhi Jalwal & Serena Westra). En apprenant à cartographier et tester les plus gros risques d'un projet, on aide l'entreprise à prendre les bonnes décisions stratégiques dès le départ.
• Piloter l'outil plutôt que le subir : L'IA apporte une vitesse incroyable, mais elle reste un outil probabiliste qui a besoin de garde-fous (Colman Walsh & Jason Giles). C'est à nous de donner la direction. À nous de définir quand elle fait gagner du temps (tâches simples et réversibles) et quand le jugement humain et les vrais tests utilisateurs sont non négociables.

Notre rôle évolue de manière radicale.

Notre vraie valeur ajoutée aujourd'hui, c'est d'agir comme des navigateurs stratégiques : aider nos équipes à trancher, à naviguer dans le flou et à oser tester de nouvelles choses en utilisant au mieux les compétences humaines que nous possédons déjà.

L'IA sait optimiser ce qui existe déjà, mais seuls les humains savent encore décrypter les vrais gens pour inventer la suite.

L'IA donne la vitesse. Nous donnons la direction.