De l'intuition à la certitude : mieux décider en conception produit

Concevoir un produit numérique implique de prendre des décisions dans un environnement incertain. Évolution des usages, transformations technologiques, changements de cap internes à l'entreprise, dynamiques du marché, cadres législatifs mouvants : autant de facteurs qui se combinent et complexifient la prise de décision des équipes de conception.

A cette complexité, s’ajoute une réalité humaine fondamentale : les individus ne s’appuient pas toujours sur un raisonnement strictement rationnel ou objectif. Pour juger rapidement une situation et agir, ils utilisent des raccourcis cognitifs - appelés heuristiques. Bien que souvent utiles, ces heuristiques peuvent conduire à des erreurs systématiques de jugement. Lorsque ces erreurs se répètent de manière prévisible chez un grand nombre d’individus, elles prennent le nom de biais cognitifs. Par nature implicites, ces biais influencent nos raisonnements et nos comportements sans que nous ayons conscience d’agir sous leurs effets (Tversky & Kahneman, 1974, Habib et al., 2018, Hodent, 2020).

Si l’environnement des équipes de conception est intrinsèquement incertain, que les raisonnements comme les jugements de leurs membres sont faillibles, comment est-ce que ces équipes peuvent malgré tout faire des choix éclairés ?

À travers cet article, je vous propose d’explorer dans un premier temps comment la démarche scientifique favorise la prise de décision en conception produit. Afin de rendre cette démarche concrète et actionable, nous passerons ensuite en revue trois méthodes couramment utilisées par les équipes de conception. Nous poursuivrons avec des études de cas qui vous permettront de vous entraîner à choisir la méthode la plus adaptée selon des situations présentées. Enfin, nous ouvrirons la discussion sur le rôle de l’IA dans la démarche scientifique.

1. Au delà des intuitions et opinions

Face aux zones d’ombre et aux incertitudes, les équipes ne peuvent se fier uniquement à leurs intuitions et opinions. Les expériences personnelles de chacun ne sont pas toujours représentatives des besoins réels des utilisateurs ou du marché, et les jugements restent inévitablement vulnérables aux biais cognitifs. Pour lever les incertitudes, la solution est de collecter des données et les transformer en connaissances fiables qui viendront compléter - voire corriger - les intuitions et opinions initiales. C’est précisément là le rôle de la démarche scientifique : fournir un cadre qui formalise les étapes à suivre, limite les biais cognitifs et permet de tirer des conclusions.

Pour être précis, la démarche scientifique se définit comme « un ensemble de procédés de recherches consistant à formuler une hypothèse, à recueillir des données à l’aide de méthodes rigoureuses et objectives, à vérifier l'hypothèse et à tirer des conclusions à partir des résultats obtenus et théories existantes. Les chercheurs disposent de plusieurs méthodes pour tester une hypothèse » (Berger, 2012).

Pour les équipes de conception, cela revient à identifier une problématique et considérer les intuitions et opinions des membres - et parfois même des parties prenantes - comme des hypothèses à valider ou invalider auprès d’un échantillon d’utilisateurs, le plus représentatif possible de l’audience réelle.

Pour affiner ces hypothèses, il est judicieux de s’appuyer sur diverses sources d’informations préalablement récupérées. Ces sources peuvent être des documents internes de l'entreprise, la littérature scientifique, des recherches antérieures menées par l’équipe de conception elle-même, des podcasts en lien avec la problématique, etc. Par exemple, une équipe qui s'interroge sur la charge cognitive d’un dashboard pourra consulter les documentations métiers afin de comprendre les indicateurs clés, tout en s’informant sur les limites de la mémoire humaine à travers des articles scientifiques.

Pour tester ces hypothèses, (i.e., les valider ou invalider), les équipes peuvent recourir à diverses méthodes rigoureuses et objectives comme l’observation (e.g., observer l’usage de certaines fonctionnalités par des utilisateurs en situation réelle), ou l’expérimentation (e.g., tester une nouvelle idée pour en évaluer la pertinence) entre autres.

Enfin, les données recueillies seront analysées et interprétées pour pouvoir prendre des décisions adaptées au contexte de l’équipe.

Figure 1. Représentation simplifiée des étapes de la démarche scientifique | Source : créée par Nora Kabbani (2026)

2. La démarche scientifique dans l’agilité

Les équipes de conception de produits numériques sont habituées à travailler selon la méthode agile, notamment à travers les pratiques Scrum. Schwaber, cofondateur de cette approche, la définit comme une théorie qui « repose sur l’empirisme et le Lean Thinking. L’empirisme affirme que la connaissance provient de l’expérience et de la prise de décision fondée sur ce qui est observé. Le Lean Thinking vise à réduire le gaspillage et à se concentrer sur l’essentiel. » (1980) Les pratiques Scrum suivent une approche itérative et incrémentale, ce qui permet aux équipes de mieux prévoir l’avancement des développements et maîtriser les risques. (Schwaber, 1980)

Scrum partage avec la démarche scientifique des fondements communs : l’observation, l’expérimentation et l’apprentissage progressif à partir de l’expérience. Toutefois, le cadre agile ne précise pas comment structurer la recherche, ni comment garantir la rigueur méthodologique nécessaire à la production de connaissances fiables. La démarche scientifique devient ainsi indispensable en conception produit : en apportant un cadre formalisé et applicable à tout contexte produit, elle permet de transformer l’empirisme agile en décisions véritablement éclairées, tout en limitant l’influence des biais cognitifs.

Concrètement, il est nécessaire que les équipes de conception intègrent à leur feuille de route, des temps adéquats pour tester leurs hypothèses et intégrer les connaissances qui en découlent dans les phases de développement. Enfin, il est important pour ces équipes de s’entourer de personne(s) qui sauront mener correctement une démarche scientifique - pour citer quelques exemples d’expertises et d’outils : des data analystes qui analysent des données comportementales, des data scientistes qui conduisent des A/B testings, des PO/PM qui mènent des expérimentations méthodiques, des UX researchers qui interrogent directement des utilisateurs à travers des entretiens.

Dans les paragraphes qui suivent, nous allons voir un panorama de trois méthodes de recherche répandues dans la conception produit : la recherche exploratoire, la recherche corrélationnelle et la recherche expérimentale.

3. La recherche exploratoire

Qu’est-ce que c’est ? « On parle de recherche exploratoire quand le champ de la recherche est nouveau, encore peu investigué, le chercheur mettra en place une recherche dite exploratoire pour « défricher le terrain » et essayer de comprendre mieux ce qu’il a observé durant l’exploration. » (Lavarde, 2008).

Objectif : Décrire des patterns et générer des hypothèses.

Quelques méthodes/outils souvent utilisés en conception de produit : Observation, questionnaire, entretien

Exemple dans la conception produit : Pourquoi les utilisateurs abandonnent-ils à l'étape 3 ?

Limite : La recherche exploratoire ne permet pas de généraliser ce qui a été observé. Imaginons qu’une équipe de conception ait mené 5 entretiens utilisateurs et constate que plusieurs répondants abandonnent à l’étape 3, faute de voir le bouton « valider ». Ce résultat ne peut pas être généralisé à l’ensemble des utilisateurs. En revanche, cette observation peut être formulée comme une hypothèse à tester à plus grande échelle.

4. La recherche corrélationnelle

Qu’est-ce que c’est ? « Le mot corrélation désigne un lien entre deux ou plusieurs variables. Ce terme statistique signifie qu’il est probable ou, au contraire, improbable qu’une variable se manifeste en même temps que l’autre. Il existe, par exemple, une corrélation entre la taille et le poids : plus une personne est grande, plus elle est pesante. » (Berger, 2012).

Objectif : Décrire des liens entre deux éléments qui apparaissent en même temps, i.e., établir une corrélation.

Quelques méthodes/outils souvent utilisés en conception de produit : Analyse d’analytics, questionnaire, entretien, échelles UX standardisées, analyse de régression

Exemple dans la conception produit : Les utilisateurs qui utilisent la fonctionnalité X ont un taux de rétention plus élevé.

Limite : La recherche corrélationnelle ne permet pas de prouver une relation de causalité. Si nous reprenons notre exemple, il serait erroné d’interpréter que la fonctionnalité X cause une meilleure rétention. Nous prendrions potentiellement le risque de prioriser la fonctionnalité X sans avoir prouvé son réel impact. Nous pourrions supposer d'une relation de causalité mais encore faudrait-il la prouver.

5. La recherche expérimentale

Qu’est-ce que c’est ? « L’expérimentation permet de vérifier une hypothèse qui prédit un lien de cause à effet de manière contrôlée : le chercheur limite le nombre de variables de manière à pouvoir les manipuler.» (Berger, 2012).

Objectif : Tester une relation de causalité

Quelques méthodes/outils souvent utilisés en conception de produit : A/B testing, méthode expérimentale

Exemple dans la conception produit : Cette nouvelle fonctionnalité permet-elle plus de conversions ?

Limite : L’expérimentation repose l’étude sur de mesures et facteurs clairement identifiés. Le fait d’isoler ces variables pourrait donner l’impression d’une simplification d’un phénomène pourtant complexe. Toutefois, il est impossible de mesurer et contrôler l’ensemble des paramètres simultanément. Cette contrainte, inhérente à toute démarche scientifique, ne constitue donc pas une limite en soi, mais plutôt un élément à garder en tête lors de l’interprétation et la restitution des résultats : n’hésitez pas à rappeler le périmètre de votre exploration à vos interlocuteurs, là où elle s’arrête et les pistes d’explorations futures qu’elle ouvre.
Finalement, la principale limite de cette méthode est qu’elle exige un haut niveau d’expertise et de connaissance pour être menée correctement.

Limites liées au contexte : Ainsi, chaque méthode répond à un objectif qui lui est propre, et il revient à l’équipe de conception de choisir la plus pertinente selon la problématique à adresser. Néanmoins, certains contextes peuvent compliquer la conduite d’une recherche rigoureuse : e.g., échantillon d’utilisateurs non représentatif, facteurs non contrôlées impactants les résultats l’expérimentation, contraintes de temps ou de ressources. Pour faire face à ces limites, le chercheur (i.e., la personne qui utilise une de ces méthodes de recherches) peut recourir à des méthodes statistiques pour limiter certains biais, ou simplement faire preuve de transparence en indiquant les limites de son étude dans sa restitution. Dans ces deux cas, il convient de rester prudent dans l'interprétation des résultats et la prise de décision qui en découle.

Parmi ces trois méthodes, la recherche expérimentale - lorsqu’elle est menée dans un contexte adapté avec rigueur et objectivité -, permet de tirer des conclusions fiables et généralisables à l’ensemble de la population des utilisateurs. Elle reste le choix privilégié pour une prise de décision éclairée.

Figure 2. Présentation succincte de trois méthodes de recherche : exploratoire, corrélationnelle et expérimentale | Source : créée par Nora Kabbani (2026)

6. Choisir la bonne méthode

Pour cette dernière partie, je vous propose de vous familiariser avec les 3 recherches vues ensemble : le tableau ci-dessous présente des cas d’usages (OpenAI, 2025), pour chacun d’entre eux, choisissez la meilleure recherche à adopter.

Note : ce premier tableau vierge vous permettra de cocher la réponse que vous estimez être bonne (nous considérons qu’il n'y a qu’une seule bonne réponse par cas d’usage). Un deuxième tableau est présenté à la suite avec une solution proposée.

SPOILER ALERT. Le deuxième tableau avec une solution proposée.

7. Ouverture sur l’IA

Vous êtes désormais convaincu que la démarche scientifique est un levier stratégique pour prendre des décisions éclairées (voilà du moins l’intention de cet article). Avec l’essor de l’intelligence artificielle (IA), les équipes de conception disposent d’outils capables de compléter et d’accélérer l’application des méthodes de recherche : e.g., générations d’hypothèses à tester, traitement rapide de grandes quantités de données, synthèses succinctes, etc.

Cette évolution soulève néanmoins de nouvelles questions : l’IA peut-elle automatiser certaines étapes de la démarche scientifique tout en garantissant la validité des conclusions ? Peut-elle réduire l’impact des biais cognitifs dans la prise de décision produit ? Quelles limites et précautions doivent être envisagées pour que l’IA guide des décisions produit de manière fiable et éthique ? Etc.

Bien que l’IA soit puissante, il semble bon de rappeler que nous avons très peu de recul sur son utilisation actuellement et qu’elle doit être utilisée avec prudence. Sa fiabilité dépend des données fournies, des prompts écrits, l’IA ne saisit pas les nuances humaines, elle peut amplifier les biais existants et ne remplace pas la validation expérimentale. Le respect des bonnes pratiques éthiques, du RGPD et l’impact écologique restent également essentiels. L’IA peut donc compléter la démarche scientifique mais doit être utilisée avec discernement : elle guide mais le jugement critique et la décision finale doivent rester éclairés par l’expertise humaine.

8. Pour aller plus loin

Si votre recherche comprend un questionnaire, cet article vous guidera pas à pas dans sa construction de manière pertinente : Comment construire un questionnaire en 4 étapes ?

9. Remerciements

Je tiens à remercier chaleureusement Alexandre Pellerin pour ces retours pertinents, Teilo Millet qui m’aura apporté un regard nouveau, et particulièrement Joy Desdevises, PhD et Capuccina Giffaut pour leurs lectures approfondies qui ont tiré cet article toujours plus haut.

10. Bibliographie

• Berger, M. K. S. (2012). Psychologie du développement. De Boeck Supérieur.
• Habib, M., Lavergne, L., & Caparos, S. (2018). Psychologie cognitive: Concepts fondamentaux, méthodes et exercices. Armand Colin.
• Hodent, C. (2020). Dans le cerveau du gamer: Neurosciences et UX dans la conception de jeux vidéo. Dunod.
• Lavarde, A. (2008a). Guide méthodologique de la recherche en psychologie. De Boeck Supérieur.
• OpenAI. (2025). ChatGPT. https://chat.openai.com/
• Tversky, A., & Kahneman, D. (1974). Judgment under Uncertainty: Heuristics and Biases: Biases in judgments reveal some heuristics of thinking under uncertainty. Science, 185(4157), 1124-1131.
• Schwaber, K. (1980). Agile Project Management with Scrum. http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=015628603&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA