Synthetic users et expérimentation en 2027

L’IA permet aux équipes d’expérimentation de passer plus vite de l’idée à la variation prête à tester. Mais pouvoir créer davantage de tests ne signifie pas pouvoir tous les lancer. Pour obtenir des résultats exploitables, chaque test a besoin de visiteurs, et le trafic disponible ne grandit pas au rythme des idées.

Une équipe peut ainsi préparer plusieurs versions d’une fiche produit ou d’un parcours de commande, sans disposer du trafic nécessaire pour toutes les comparer. Comment choisir celles qui méritent un test en conditions réelles ?

Les synthetic users, des profils d’utilisateurs simulés par l’IA, pourraient aider à effectuer ce premier tri en explorant leurs réactions à un message, à une interface ou à un parcours. L’équipe pourrait ainsi affiner ses hypothèses avant de les confronter à de vrais visiteurs.

Leur intérêt pour l’expérimentation reste à évaluer : que peuvent-ils exactement nous apprendre, à quelles étapes et avec quel niveau de confiance ?

Que sont les synthetic users ?

Les synthetic users sont des profils d’utilisateurs simulés par l’IA, conçus pour explorer les réactions possibles d’une audience à des questions, des concepts, des contenus ou des expériences.

Pour construire cette audience synthétique, l’IA s’appuie sur les données que vous détenez sur vos clients : enquêtes, entretiens, données comportementales, informations démographiques, avis clients ou toute autre information sur les utilisateurs. Chaque plateforme combine ces sources et applique ses propres techniques de modélisation. Il ne s’agit donc pas d’une méthode unique et standardisée.

Dans le cadre de l’expérimentation, les synthetic users peuvent aider à explorer la façon dont différents segments d’audience pourraient réagir à une idée, à une expérience ou à une variante, avant un test en conditions réelles ou parallèlement à celui-ci.

Ce qu’on sait sur les synthetic users en 2027

Les médias comptent parmi les premiers secteurs à utiliser les synthetic users dans un cadre commercial. Éditeurs et annonceurs modélisent leurs audiences à partir de données propriétaires et d’autres sources afin de tester leurs messages, leurs publicités et leurs stratégies.

Times ExplorAItion : tester les publicités avant de les créer

En avril 2026, News UK a lancé Times ExplorAItion, une solution d’audiences synthétiques développée avec Electric Twin. D’après Electric Twin, la plateforme « crée une audience simulée à partir de vos données clients, afin que chaque réponse reflète ce que vos clients réels diraient ».

Concrètement, News UK transmet à Electric Twin ses données propriétaires ainsi que de nombreuses données tierces. La plateforme de modélisation utilise ensuite ces informations pour créer des versions synthétiques des principaux segments d’audience du Times. Les équipes peuvent ensuite interroger ces audiences comme un panel d’étude : tester des messages, mener des enquêtes et explorer des idées créatives. Les annonceurs peuvent ainsi mettre à l’épreuve leurs propositions et leurs concepts de campagne avant de lancer une campagne réelle.

Mais le plus intéressant est que ces utilisateurs synthétiques (synthetic users) servent à autre chose qu’à la publicité. News UK les a notamment utilisés pour choisir le nom d’un nouveau podcast Business. L’équipe a testé quatre noms auprès de son audience synthétique, et « The Business » est arrivé en tête. Ce nom a obtenu de bons résultats auprès de l’ensemble du panel, et plus spécifiquement auprès du public visé par le podcast.

Svenska Dagbladet : intégrer le point de vue de l’audience aux décisions

Le rapport 2026 du Reuters Institute sur les tendances du secteur décrit les essais menés par l’éditeur suédois avec un groupe d’étude généré par l’IA, à partir d’entretiens avec des abonnés actuels et potentiels. Les « jumeaux numériques » ainsi créés doivent permettre à la rédaction de disposer à tout moment du point de vue de son audience sur des sujets comme le traitement des articles ou leurs titres.

WPP Media et Givsly : des audiences simulées à l’achat média réel

En juin 2026, Digiday publie un article expliquant que WPP Media teste des audiences créées par l’IA pour cibler ses campagnes publicitaires, en utilisant notamment des données sur les dons aux associations. Elle souhaite ainsi toucher les consommateurs selon leurs valeurs, au-delà de leurs caractéristiques démographiques ou de leur comportement en ligne.

WPP Media s’associe à Givsly, qui utilise Claude pour croiser des données géographiques, démographiques, électorales et des informations sur les dons par code postal (fréquence, volume et causes soutenues). WPP enrichit ces données avec ses propres sources pour construire des segments d’audience. 

Ces profils sont ensuite utilisés dans des campagnes programmatiques pour quatre marques de beauté et de mode, sur la télévision connectée (CTV) et la vidéo en ligne. Suite aux premiers tests, les résultats montreraient une hausse de 2 % du taux de complétion des vidéos, néanmoins sans effet sur les ventes.

Utiliser les synthetic users en A/B testing

1. Avant le test : décider de ce qui mérite du trafic réel

Avant de consacrer du trafic réel à une hypothèse, l’usage le plus évident est de soumettre aux synthetic users :

• des concepts et des prototypes
• des messages et des textes
• différentes options tarifaires
• des landing pages et des sites en préproduction
• des parcours de commande
• des parcours d’onboarding
• des modifications d’éléments tels que les CTA ou la mise en page

Des plateformes comme Personia ou neuroflash proposent déjà des audiences synthétiques. Celles-ci ne remplacent ni les tests A/B en conditions réelles ni la validation statistique de leurs résultats. Elles permettent toutefois de soumettre de nombreuses variantes à un panel synthétique, d’en réduire le nombre, puis de tester les variantes retenues avec du trafic réel.

Les termes varient (présélection, prétest, études synthétiques) mais l’idée reste la même : filtrer avant d’investir.

2. Pendant le test : un indicateur complémentaire

Les synthetic users ne remplacent pas le trafic réel d’un test. Ils peuvent toutefois aider les équipes à explorer les réactions possibles de différents segments et à repérer des questions à approfondir à partir des résultats réels.

Des plateformes comme Synthetic Users permettent déjà à des personas IA de parcourir des sites en préproduction, d’effectuer des tâches et de signaler les points de confusion ou de friction.

On pourrait donc envisager le dispositif suivant :

Mené en parallèle d’un test auprès d’une audience réelle, un test synthétique peut aussi aider à vérifier son bon déroulement : détecter des frictions inattendues, repérer des dysfonctionnements ou faire émerger de nouvelles hypothèses avant que les données réelles soient disponibles.

Les synthetic users n’ajoutent pas de preuves statistiques au test A/B. Ils apportent surtout des pistes complémentaires à explorer.

3. Après le test : transformer les résultats en nouvelles hypothèses

Après le test, l’usage des synthetic users reste plus incertain. Il peut toutefois être utile lorsque leurs réactions vont dans le même sens que les résultats obtenus auprès des utilisateurs réels.

Imaginons qu’un test A/B montre que la variation B augmente la conversion, aussi bien auprès des utilisateurs réels que des synthetic users. Seul le test réel permet de valider ce résultat. L’audience synthétique peut toutefois aider à explorer des pistes similaires avant de leur consacrer davantage de trafic.

Il faut néanmoins rester prudent : cette concordance ne prouve pas que le modèle a compris pourquoi B a fonctionné, ni qu’il prédira correctement le résultat du prochain test. Lorsqu’il connaît les résultats d’un test, un modèle peut formuler des explications plausibles. Ces explications ne constituent pas pour autant des preuves.

Quels sont les bénéfices et les limites de l’utilisation des synthetic users en expérimentation ?

Les atouts des synthetic users peuvent aussi devenir des limites. Il faut donc utiliser ces audiences simulées avec prudence.

Les synthetic users sont-ils fiables ?

À ce jour, une grande partie des éléments disponibles proviennent de premiers projets pilotes. La précision et la fiabilité des synthetic users dépendent de la qualité et la pertinence des données avec lesquelles elles ont été construites.

Pour vous assurer que votre audience synthétique peut être ajoutée à vos process, commencez donc par un test rétrospectif à l’aveugle sur vos dix derniers A/B tests, en incluant des variantes gagnantes, perdantes et sans effet.

Comparez les réponses du panel aux résultats de vos tests passés. A-t-il repéré la variation gagnante ? A-t-il au moins anticipé une hausse ou une baisse ? Son estimation était-elle proche du résultat réel ?

S’il ne parvient pas à identifier les variations gagnantes, ou au moins la tendance des résultats, ne l’utilisez pas pour sélectionner vos prochaines variations.

Comparez aussi les réponses des différents groupes de synthetic users que vous avez créés. Si elles sont presque toujours identiques, le panel reflète peut-être mal les différences entre vos audiences.

Enfin, vérifiez régulièrement ses performances. Les audiences et les modèles évoluent : un panel fiable aujourd’hui ne le sera pas forcément demain.

Ce qu’il faut retenir

Les synthetic users n’ajoutent aucune puissance statistique à un test. Ils pourraient toutefois être utiles à chaque étape de l’expérimentation, tout comme les jumeaux numériques (digital-twins).

Leur rôle ne se limite pas à la phase de test. Ils pourraient aider les équipes à trier les idées avant de mobiliser du trafic réel, à explorer les réactions possibles pendant un test et à identifier de nouvelles pistes. Le but n’est pas de remplacer les vrais utilisateurs, mais de mener auprès d’eux des tests mieux préparés et plus utiles.