Les Synthetic Users sont des agents IA configurés pour simuler un profil utilisateur précis. Chez TheFork et Sodexo, nos consultants les ont utilisés comme outil de validation rapide d'hypothèses. Voici comment les construire, quand les mobiliser et pourquoi ils ne remplacent pas vos utilisateurs réels... Même si on aimerait parfois que ce soit le cas !
Recruter des participants, organiser des entretiens, analyser les retours... Obtenir du feedback de qualité prend du temps. C'est normal : comprendre ses utilisateurs ne devrait jamais être expédié.
Le problème, c'est qu'entre deux phases de recherche, quand une équipe veut tester une hypothèse rapidement ou identifier les premiers points de friction d'un parcours, les utilisateurs réels ne sont pas toujours disponibles.
C'est ce contexte qui nous a poussés à expérimenter les Synthetic Users dans plusieurs missions Design, notamment chez TheFork et Sodexo. Ces agents IA reproduisent les comportements, besoins et contraintes de profils utilisateurs donnés. L'objectif : boucher les trous entre deux phases de recherche terrain.
Comment fonctionne un Synthetic User
Un Synthetic User est un persona créé et simulé par IA. Il peut répondre à des questions, exprimer des frustrations, donner un avis sur une interface ou réagir à un scénario d'usage.
Pour le construire, on enrichit un modèle de langage (ChatGPT, Gemini, Claude, Copilot …) avec des insights issus de la recherche utilisateur existante : données démographiques, objectifs, besoins et motivations, frustrations et pain points collectés lors des phases de discovery. L'IA dispose alors d'un contexte suffisamment riche pour simuler les réactions d'un profil donné de manière crédible.
Un point à poser d'emblée : les Synthetic Users ne se substituent pas aux échanges avec de vrais utilisateurs. Ils fonctionnent comme un speed-tester : une première étape de validation d'hypothèse qui permet d'identifier des problèmes potentiels avant d'investir du temps en tests terrain approfondis.
Les 3 étapes pour construire un Synthetic User pertinent
Créer un Synthetic User efficace ne se résume pas à demander à votre LLM de jouer un rôle. La qualité des réponses dépend directement de la qualité du contexte fourni. Un persona construit sur trop peu de données sera peu fiable et plus enclin à l'hallucination.
1. Le prompting de rôle : définir le personnage
Commencer par définir précisément le rôle que l'IA doit incarner.
Par défaut, un modèle répond comme un assistant généraliste : poli, équilibré, plein de bonne volonté et sans aucun point de vue métier. Demandez-lui ce qu’il pense d’un écran de réservation, il vous listera des bonnes pratiques UX. Posez la même question à un desk manager en plein service du samedi soir, il vous répondra qu’il n’a pas le temps de cliquer cinq fois sur sa tablette pour placer une table de quatre.
Définir le contexte revient à donner au modèle un maximum d’informations sur son rôle : qui il est, où il travaille, ce qu’on attend de lui et dans quelles conditions il le fait. C’est ce cadre qui l’amène à raisonner avec des priorités et des arbitrages proches de ceux d’un vrai utilisateur.
Dans le cadre de TheFork, le prompt ressemblait à ceci :
"Tu es desk manager dans un restaurant gastronomique étoilé. Ton rôle est d'accueillir les clients, gérer les réservations, optimiser le placement en salle et coordonner les équipes d'accueil pendant les services. Tu travailles sous forte pression aux heures de pointe et tu privilégies toujours la rapidité d'exécution."
On peut ensuite enrichir ce contexte avec le niveau d'expertise digitale du persona, ses contraintes opérationnelles, ses frustrations quotidiennes, ses objectifs professionnels et son environnement de travail. Plus le rôle est détaillé, plus les réponses seront cohérentes.
2. Le Seed Data : nourrir l'IA avec de la matière réelle
Fournir au modèle les données de recherche existantes correspondant au persona défini : interviews utilisateurs, comptes-rendus de tests, enquêtes de satisfaction, restitutions d'ateliers, avis clients. Plus les données sont nombreuses et précises, plus les comportements simulés seront proches du terrain.
3. La simulation de tâche : confronter le profil à un scénario
Une fois le Synthetic User créé, on le met en situation avec des questions contextuelles :
- Que penses-tu de cette nouvelle interface de dashboard ?
- Tu dois créer une réservation pour un groupe de 12 personnes pendant un service chargé. Décris les difficultés que tu rencontres habituellement.
L'objectif est de reproduire une situation réelle pour observer les incompréhensions, les cas d'erreur non couverts, les attentes et les besoins non exprimés.
Une recherche bien synthétisée, un persona mieux nourri. La formation Synthétiser sa Research utilisateur avec l'IA montre comment transformer des transcripts d'interviews en synthèse croisée structurée, avec ses verbatims.
En pratique : deux cas, deux logiques différentes
TheFork : tester plusieurs profils simultanément
Les Synthetic Users se révèlent utiles pour challenger une idée ou un concept avant même de concevoir l'expérience, réaliser un quick testing sur une maquette, couvrir des edge cases et error cases non identifiés, ou faire réagir plusieurs personas simultanément à une même fonctionnalité.
Chez TheFork, les équipes Produit ont créé plusieurs utilisateurs synthétiques représentant différents profils : manager, membre du staff, chef de cuisine, desk manager… Cette approche a permis de tester les fonctionnalités auprès de personas aux rôles variés, pour couvrir les différentes réalités opérationnelles d’un même restaurant.
Sodexo : un Synthetic User intégré dans les outils du quotidien
La situation de départ chez Sodexo était plus contrainte. Fin 2025, l'équipe lance une nouvelle app de Workplace & Facility Management. Le besoin d'un flux continu de feedback utilisateur est réel, mais les conditions le rendent quasi impossible à satisfaire : produit tout juste lancé avec peu de données disponibles, écosystème client distribué et géographiquement dispersé, sensibilité autour d'un produit encore nouveau qui complique l'accès direct aux utilisateurs. Et des insights existants... mais bien cachés dans des fichiers trop peu partagés.
La solution testée : un agent IA construit dans Microsoft Copilot Studio, accessible directement depuis Teams, là où les équipes travaillent déjà. Sa base de connaissances combine données persona, insights de recherche consolidés et informations sur la roadmap Produit.
L'agent incarne un “Expert", un spécialiste senior qui travaille en deep focus, déteste les interruptions inutiles et attend de ses outils qu'ils respectent son temps et son autonomie. Un profil volontairement polarisé, pour générer des signaux forts.
Les usages développés vont de la Q&A conversationnelle à l'aide à la décision Design, en passant par le screen mockup challenge. Le point commun aux trois : on obtient une réponse sans passer par quelqu'un d'autre, sans consulter un humain.
La Q&A conversationnelle permet d'interroger le persona sur ses objectifs ou ses frustrations directement dans Teams. Une question qui aurait auparavant nécessité de relire un rapport de recherche, ou de solliciter le Designer qui a mené les interviews, trouve sa réponse en quelques secondes. Sur une semaine de travail, ce sont plusieurs de ces micro-interruptions qui disparaissent du planning de Discovery.
L'aide à la décision Design fonctionne sur le même principe, à un moment plus critique : avant un arbitrage. Plutôt que d'attendre le prochain rituel dédié pour savoir si une option correspond aux attentes du persona, l'équipe obtient une recommandation ancrée sur le moment. Un arbitrage qui traînait parfois plusieurs jours en attendant une disponibilité se tranche le jour même.
Le screen mockup challenge va plus loin : soumettre une maquette et la faire évaluer contre les modèles mentaux du persona, avant même de la présenter en revue. Une maquette qui aurait pu revenir avec des retours de fond après un cycle de revue complet arrive à cette revue déjà confrontée aux attentes des utilisateurs.
Quelques bonnes pratiques
Trois pratiques se révèlent particulièrement efficaces après plusieurs expérimentations.
- Poser une seule question à la fois : les prompts complexes dégradent fortement la qualité des réponses, exactement comme en entretien utilisateur.
- Fournir un maximum de contexte : une réponse pertinente dépend rarement du modèle utilisé, elle dépend surtout de la qualité du contexte transmis.
- Préparer son questionnaire même pour un persona virtuel, car il mérite la même attention. Et demander des justifications systématiquement : "Pourquoi penses-tu cela ? Comment ferais-tu pour…?". Une réponse fermée n'apprend pas grand-chose.
Les limites qu'on a observées
Trois limites reviennent régulièrement.
1-Une vision partielle du terrain, avec peu de prise en compte des contraintes réelles (organisation, politique interne, opérationnel) : tout contexte manquant en entrée se fera rapidement sentir dans la qualité des réponses.
2-Un manque d'émotion authentique : les réponses sont plus logiques et pragmatiques que comportementales. Capter de vrais niveaux de satisfaction ou de frustration reste difficile, les émotions étant souvent surjouées ou peu lisibles.
3-Un risque d'hallucination, avec des contenus plausibles mais inventés. Plus le contexte fourni sera limité, plus les risques d’hallucinations seront importants.
Faire vivre ses Synthetic Users dans le temps
Pour rester pertinents, les Synthetic Users doivent être enrichis au fil des recherches utilisateurs. Leur point de vue peut évoluer : ils apprennent des choses, ils peuvent se frustrer face à des nouveautés...
Un Synthetic User pertinent ne se configure pas une fois pour toutes. Il s'entretient dans le temps, exactement comme vos personas traditionnels.
Ce que ça change, et ce que ça ne change pas
Les Synthetic Users ouvrent une possibilité réelle : obtenir en quelques secondes un premier niveau de feedback là où il fallait auparavant plusieurs jours (voire une impossibilité). Pour les équipes Produit et Design, c'est un outil d'exploration utile, capable d'accélérer l'idéation et de challenger les hypothèses tôt dans le processus.
Mais la question qui mérite d'être posée, après quelques semaines d'utilisation, c'est moins "est-ce que ça marche ?" que "est-ce qu'on fait encore la différence entre un signal synthétique et un signal humain ?" La qualité des décisions dépend toujours de la capacité à ne pas confondre les deux.
Après quelques semaines d'utilisation, la question n'est finalement plus tant « est-ce que ça marche ? » mais plutôt « fait-on encore la différence entre un signal synthétique et un signal humain ? ». La réponse est oui, les Synthetic Users produisent rapidement des retours cohérents et utiles pour explorer des hypothèses. Mais un signal synthétique reste une projection probable à partir de données existantes, tandis qu'un signal humain est ancré dans une expérience réelle et peut révéler l'inattendu. La valeur des Synthetic Users n'est donc pas de remplacer les utilisateurs, mais d'aider à mieux préparer les questions que l'on ira ensuite confronter au terrain.
Chez Deepki, un agent « synthetic persona » nourri par une simple Deep Search s'est révélé trop générique pour préparer un offsite de stratégie Produit : retour sur une mission où l'IA est devenue un allié stratégique.
