L'IA va-t-elle remplacer les chercheurs UX ? L'insight humain au cœur de la recherche

Le laboratoire de recherche a un nouvel assistant

54 % d''exposition à l''IA, 38 % de risque d''automatisation [Fait]. Le niveau d''exposition est classé comme élevé, mais le mode d''automatisation est d''augmentation plutôt que de remplacement. Cette distinction est d''une importance capitale — elle signifie que l''IA devient un outil puissant dans la boîte à outils du chercheur UX, et non un substitut au chercheur lui-même. Le large écart entre exposition et risque est le signal de carrière à surveiller : l''IA touche la majeure partie du travail, mais les éléments qui produisent une véritable insight restent fermement entre les mains humaines.

Imaginez que vous êtes un chercheur UX qui prépare une étude d''utilisabilité. Vous devez recruter des participants, rédiger un guide de discussion, modérer des sessions, transcrire des heures d''entretiens, coder les données qualitatives et synthétiser le tout en recommandations actionnables. Il y a deux ans, chacune de ces étapes nécessitait un effort humain considérable. Aujourd''hui, l''IA en gère plusieurs plus vite que vous ne terminez votre café du matin.

Là où l''IA change la donne

La tâche la plus fortement automatisée dans la recherche UX est l''analyse des données utilisateur qualitatives et quantitatives, à 65 % d''automatisation [Fait]. L''IA peut maintenant traiter des milliers de réponses à des enquêtes, taguer le sentiment, identifier des schémas dans les données comportementales et générer des insights préliminaires en quelques minutes. Les outils propulsés par de grands modèles de langage peuvent transcrire et résumer des enregistrements d''entretiens, mettant en évidence les thèmes clés sans qu''un chercheur écoute chaque seconde d''audio. Ce qui était autrefois une semaine d''analyse post-entretien est maintenant une journée, et cette journée est consacrée au jugement plutôt qu''à la mécanique.

La création de personas utilisateur et de cartes de parcours suit de près à 58 % d''automatisation [Fait]. Alimentez un système IA avec suffisamment de données utilisateur et il peut rédiger des profils de personas, cartographier les flux d''utilisateurs courants, et même suggérer des points de friction basés sur le regroupement comportemental. Le premier brouillon qui prenait autrefois des jours prend maintenant des minutes. Le changement plus important est que les personas et les cartes de parcours peuvent être régénérées en continu à mesure que de nouvelles données arrivent, plutôt que d''être un livrable statique qui périme rapidement.

Même les tests d''utilisabilité eux-mêmes sont partiellement automatisés à 42 % [Fait]. Les plateformes de test propulsées par IA peuvent exécuter des tests non modérés à grande échelle, suivre les mouvements oculaires, mesurer les temps de complétion des tâches et signaler automatiquement les problèmes d''utilisabilité. Platforms comme Maze et UserTesting ont intégré des fonctionnalités IA qui gèrent une grande partie du travail fastidieux d''analyse des tests.

Le recrutement de participants et la gestion des opérations de recherche est également passé en territoire assisté par IA. L''IA peut présélectionner les réponses du panel, gérer la planification, envoyer des rappels et trier les participants par adéquation aux critères de l''étude. La charge administrative de la gestion d''un programme de recherche s''est comprimée, ce qui signifie que chaque chercheur peut soutenir davantage d''études parallèles qu''auparavant.

L''avantage humain que l''IA ne peut pas reproduire

Voici où cela devient intéressant. La conduite d''entretiens avec les parties prenantes et les études de terrain a un taux d''automatisation de seulement 28 % [Fait]. C''est le cœur de ce qui fait de la recherche UX une discipline uniquement humaine.

Quand un chercheur UX s''assoit face à un utilisateur frustré dans une salle d''urgence hospitalière, observant comment il interagit avec une borne d''enregistrement pendant qu''il est stressé et souffrant, aucune IA ne peut reproduire ce moment de compréhension empathique. Quand un chercheur lit la salle lors d''une réunion avec les parties prenantes — percevant les tensions politiques entre les équipes d''ingénierie et de design, captant les priorités non dites — c''est une reconnaissance de schémas que l''IA ne possède tout simplement pas.

La meilleure recherche UX a toujours consisté à poser des questions auxquelles personne n''avait pensé à demander. C''est remarquer ce que les utilisateurs ne disent pas, pas seulement ce qu''ils disent. L''IA excelle dans le traitement des réponses ; les humains excellent dans la formulation des questions. Les questions qui comptent le plus viennent souvent d''une intuition sur le contexte d''un utilisateur qu''aucun ensemble de données ne capture, et cette intuition se construit à partir d''années d''exposition directe à des situations humaines complexes.

La synthèse des résultats en recommandations stratégiques reste également largement humaine. Traduire « les utilisateurs étaient confus par le flux de paiement » en « l''entreprise devrait restructurer toute la séquence d''intégration » nécessite de comprendre le contexte commercial, le paysage politique, les contraintes techniques et le moment culturel. L''IA peut identifier des schémas ; les humains traduisent les schémas en stratégie. Le chercheur senior qui peut s''asseoir face à un VP Produit et présenter un argumentaire contextuel convaincant pour un changement stratégique effectue un travail qu''aucun outil IA ne peut substituer.

Le jugement éthique dans la conception de la recherche est une autre tâche obstinément humaine. Savoir quand une conception d''étude risque de nuire aux participants, quand les procédures de consentement doivent être renforcées, quand les résultats doivent être communiqués avec soin parce qu''ils révèlent quelque chose de douloureux sur une population vulnérable — ces décisions nécessitent une formation éthique et une expérience vécue que l''IA n''a pas. À mesure que les outils IA accélèrent l''exécution de la recherche, la fonction de surveillance éthique croît en importance, et non en déclin.

Les perspectives à l''horizon 2028

D''ici 2028, nos projections montrent que les chercheurs UX atteindront 69 % d''exposition globale à l''IA avec un risque d''automatisation de 51 % [Estimation]. Le rôle franchira pour la première fois le seuil de risque de 50 %, ce qui semble alarmant jusqu''à ce qu''on comprenne ce que cela signifie en pratique.

Les chercheurs qui prospéreront seront ceux qui s''appuient sur ce changement. Au lieu de passer 60 % de leur temps sur le traitement des données et 40 % sur les insights stratégiques, le ratio s''inversera. L''IA gère les données. Vous fournissez les insights. Les entreprises auront besoin de moins de chercheurs pour traiter les données mais de plus de chercheurs capables de traduire les résultats en stratégie commerciale, de faciliter des conversations difficiles avec les parties prenantes et de concevoir des programmes de recherche qui posent des questions véritablement nouvelles.

Le marché de l''emploi reflète déjà cela. Les offres d''emploi pour les chercheurs UX mentionnent de plus en plus « recherche stratégique », « expertise en méthodes mixtes » et « gestion des parties prenantes ». Pendant ce temps, les offres mettant l''accent sur « l''analyse des enquêtes » et « le traitement des données » sont en déclin. Les chercheurs qui se positionnent à l''extrémité stratégique et qualitative du spectre voient leur profil de rémunération et de demande augmenter.

Rémunération et vision de carrière

La rémunération des chercheurs UX varie largement selon la localisation, le secteur et l''ancienneté, mais le schéma général est que les chercheurs seniors dans les entreprises technologiques bien financées et les cabinets de conseil figurent parmi les rôles les mieux rémunérés dans le domaine du design et de la recherche. Les chercheurs en milieu de carrière dans les grandes métropoles technologiques dépassent régulièrement six chiffres, et les chercheurs principaux et directeurs de recherche dans les grandes entreprises peuvent gagner significativement plus.

Le parcours de carrière inclut également des options latérales significatives. Les chercheurs UX se dirigent vers la gestion de produit, la stratégie d''expérience utilisateur, le leadership de l''expérience client et de plus en plus vers des rôles de produit IA où la recherche qualitative sur la façon dont les gens vivent les systèmes IA est très demandée.

Ce que cela signifie pour vous

Si vous êtes chercheur UX ou aspirez à le devenir, votre chemin à suivre est clair. Misez davantage sur les compétences que l''IA ne peut pas toucher : les méthodes de recherche ethnographique, la facilitation, la narration et la capacité à relier les résultats de recherche aux résultats commerciaux. Apprenez à utiliser les outils IA couramment — ils vous rendront considérablement plus productif. Mais investissez le temps libéré dans le travail profond, désordonné et humain qu''aucun algorithme ne peut automatiser.

Les chercheurs qui auront du mal sont ceux qui ont défini leur valeur par le volume de données qu''ils pouvaient traiter. Les chercheurs qui prospéreront sont ceux qui ont défini leur valeur par la qualité des questions qu''ils pouvaient poser, la profondeur des insights qu''ils pouvaient faire remonter, et l''impact qu''ils pouvaient provoquer dans leur organisation.

Pour la ventilation complète tâche par tâche, visitez la page dédiée aux chercheurs UX. Vous trouverez peut-être utile de comparer avec les data scientists pour voir comment l''IA remodèle les rôles analytiques adjacents.

Un projet de bout en bout en 2026

Parcourons un projet de recherche réel pour une équipe d''application fintech qui veut comprendre pourquoi la rétention du premier mois baisse. La conversation de lancement se tient le lundi. Le chercheur rencontre le chef de produit, le responsable ingénierie et le représentant de la réussite client pour délimiter la question. Cette conversation ne peut pas être remplacée par l''IA — elle nécessite de lire la salle, de percevoir les tensions organisationnelles, de faire remonter les hypothèses et de s''aligner sur ce qui constituerait une réponse utile. À la fin de la réunion, la question de recherche est affinée et les méthodes sont décidées.

La première semaine est consacrée au recrutement et à la conception des instruments. Les outils IA rédigent les questions de sélection, les éléments d''enquête et le guide d''entretien. Le chercheur examine chacun, identifie les éléments qui manquent de précision ou portent un cadrage suggestif, et les affine. Ce qui prenait autrefois deux semaines de travail opérationnel se comprime à quatre jours.

La deuxième semaine apporte les entretiens. Le chercheur mène huit entretiens sur quatre jours. Chaque session est enregistrée, automatiquement transcrite et partiellement codée par des outils IA qui identifient les thèmes au fur et à mesure qu''ils émergent. Le chercheur mène les vraies conversations — établit le rapport, pose des questions de suivi, perçoit ce qui n''est pas dit. L''IA gère la documentation.

La troisième semaine est la synthèse. Les outils IA produisent un brouillon des thèmes, des décomptes de fréquence et des citations à l''appui. Le chercheur lit tout, trouve les trois ou quatre insights qui comptent réellement pour la question de rétention, et construit un récit stratégique. Ce récit est le livrable — pas les données, pas les thèmes, pas les citations. Le récit explique ce qui se passe, pourquoi cela se passe, et ce que l''organisation devrait faire à ce sujet. Aucun outil IA ne produit ce récit ; le chercheur senior le fait.

La quatrième semaine est la présentation. Le chercheur présente à la direction, répond aux questions difficiles et accompagne une décision. Le projet qui aurait pris huit semaines en 2020 a pris quatre semaines en 2026, et le livrable était plus fort parce que le temps humain était concentré sur le travail à haute valeur.

C''est le flux de travail de recherche UX moderne. L''IA gère le volume ; le chercheur fournit les insights. La carrière est en meilleure forme que les chiffres d''automatisation bruts ne le suggèrent.

Historique des mises à jour

• 2026-03-30 : Publication initiale avec les données réelles 2025 et les projections 2028.
• 2026-05-14 : Enrichi avec l''automatisation des opérations, le jugement éthique, les évolutions de trajectoire de carrière et le contexte de rémunération.

Sources

• Eloundou et al. (2023). « GPTs are GPTs : un premier regard sur le potentiel d''impact sur le marché du travail des grands modèles de langage. »
• Brynjolfsson et al. (2025). « L''IA générative au travail. »
• Anthropic Economic Research (2026). Évaluation de l''impact IA sur le marché du travail.

---

Cette analyse a été produite avec l''assistance de l''IA. Toutes les statistiques font référence à notre ensemble de données soigneusement sélectionné combinant des recherches évaluées par les pairs avec des données industrielles. Pour les détails méthodologiques, voir À propos de nos données.