Personas synthétiques : fais tester ton produit par des utilisateurs qui n'existent pas

Tu vas livrer un nouveau flow d'onboarding. Tu n'as pas trois semaines pour recruter des utilisateurs et les faire tester avant. Voilà comment monter une poignée de faux utilisateurs qui te sortent les objections en une heure.

Tu connais le trou. Tu as une roadmap à trancher, un wording à valider, un flow à figer. La vraie recherche utilisateur prendrait trois semaines : recruter, planifier, mener les entretiens, dépouiller. Alors tu tranches à l'instinct, tu livres, et tu découvres les frictions en prod. Un mois plus tard, un ticket support te dit ce qu'un utilisateur t'aurait dit avant de coder.

Les personas synthétiques bouchent ce trou. Pas pour remplacer la recherche. Pour la précéder. Tu montes trois ou quatre faux utilisateurs, tu leur fais traverser ton flow, et tu récoltes une première salve d'objections en une heure. Tu les emmènes ensuite devant de vrais utilisateurs, avec les bonnes questions déjà en main.

C'est quoi un persona synthétique

Un persona synthétique, c'est un agent IA à qui tu donnes un profil, un contexte et des objectifs, puis que tu interroges comme un utilisateur. Il joue un rôle précis (une ops manager pressée, un admin IT prudent) et réagit à ton produit depuis ce rôle. Pas une slide de persona morte : un interlocuteur que tu peux relancer.

La différence avec le proto-persona classique, c'est le verbe. Un proto-persona, tu le lis. Un persona synthétique, tu lui parles. Tu lui montres un écran, il te dit où il décroche. Tu changes un mot, tu lui remontres, il te dit si c'est plus clair.

L'idée n'est pas neuve. En 2023, une équipe de Stanford et Google a peuplé un bac à sable façon Sims avec vingt-cinq agents qui se réveillaient, allaient travailler, se formaient des opinions et se souvenaient de leurs journées (Generative Agents, UIST 2023). La même année, des chercheurs publiaient dans Political Analysis une méthode d'« échantillons de silicium » : conditionner un modèle sur des profils sociodémographiques réels lui fait reproduire les distributions de réponses de sous-groupes humains (Argyle et al., 2023). Ce que tu vas faire à ton échelle repose sur le même principe.

Monte ta poignée de personas en une heure

Pas cent personas. Trois ou quatre, chacun taillé pour une tension de ton produit. Trop peu, tu ne vois qu'un angle. Trop, tu noies le signal. Prends les profils qui vont réagir différemment au même écran.

Voilà les trois que je monte pour tester un nouvel onboarding.

Le piège numéro un est de croire qu'il suffit de dire « tu es Nadia, aimes-tu cette feature ». Un modèle a une tendance nette à faire plaisir. Il te dira oui, il trouvera ça super, il inventera trois raisons d'adorer. C'est le défaut de fond de la méthode, et on y revient plus bas. Ton brief est ta seule défense.

Une fois les trois briefés, tu leur fais traverser le flow. Tu colles tes écrans, ton wording, ta séquence, et tu leur demandes de réagir en personnage.

Trois objections, trois profils, en quelques minutes. Aucune ne remplace un vrai utilisateur. Toutes te disent où regarder. Tu tiens maintenant une liste de frictions probables que tu peux corriger avant de construire, ou emmener en entretien pour vérifier sur du vrai monde.

Chaque persona est un agent persistant, pas un prompt jetable

Le saut de niveau, c'est d'arrêter de rejouer le prompt à chaque fois. Un persona synthétique gagne à devenir un agent que tu gardes et que tu ré-interroges. La roadmap avance, le persona reste. Tu lui remontres le flow trois itérations plus tard, il réagit avec la même grille.

Dans Claude Code, tu codifies le persona dans un fichier, exactement comme un custom agent de discovery. Un markdown posé dans .claude/agents/, que tu rappelles par son nom.

À partir de là, la relance tient en une ligne. Deux semaines plus tard, nouvelle version du flow :

Le persona a mémoire de son rôle, pas de rancune. Il valide ce qui est corrigé et te sort la friction suivante. Tu tiens une boucle de test que tu rejoues à chaque itération, sans reconvoquer personne.

Ce que ça ne remplace pas

Un persona synthétique n'est pas un utilisateur. Il ne connaît ni ta vraie base client, ni les contraintes que personne ne t'a dites, ni la fatigue d'un mardi après-midi. Il simule une posture, pas une vie.

Le Nielsen Norman Group a testé la chose sérieusement. En juin 2024, Maria Rosala et Kate Moran ont comparé une plateforme de personas synthétiques à trois études qu'ils avaient menées avec de vrais participants (NN/g, 2024). Verdict : les réponses synthétiques étaient trop lisses pour beaucoup d'usages. Sur une étude d'apprentissage en ligne, le persona synthétique affirmait avoir terminé tous les cours et adorer les forums. Les vrais apprenants, eux, ne finissaient pas les cours et trouvaient les forums inutiles.

C'est le défaut cardinal : le modèle veut faire plaisir. Il approuve, il enjolive, il te renvoie rarement l'objection qui fait mal si tu ne l'y forces pas. D'où le mandat critique du brief. Mais même bien briefé, il reste une simulation.

Ce qui marche le mieux, c'est de l'ancrer dans du réel. La simulation de 1 052 Américains publiée par Joon Sung Park et son équipe fin 2024 reproduisait les réponses au General Social Survey à peu près aussi fidèlement que les participants se répondaient à eux-mêmes deux semaines plus tard (Park et al., 2024). La clé de ce score : chaque agent était construit sur un entretien de deux heures avec une vraie personne. Le synthétique porte quand il repose sur du vrai signal. Nourris tes personas de vrais verbatims clients (tu sais déjà les récupérer avec des sub-agents) et ils réagiront plus juste.