Ce que la recherche en interaction humain-machine observe
L'étude de la psychologie utilisateur appliquée aux chatbots ne part pas d'une hypothèse abstraite : elle observe des comportements réels. Un dialogue avec une machine active des attentes sociales, des réflexes de politesse, parfois une confiance qui ne correspond à aucune compétence vérifiable du système. Les chercheurs en interaction humain-machine documentent depuis longtemps ce phénomène d'anthropomorphisme : l'utilisateur prête une intention à une réponse qui n'est qu'une suite de probabilités. Comprendre ces mécanismes est la condition d'une conception honnête, qui ne s'appuie pas sur la crédulité mais choisit de guider sans tromper, en sachant à qui elle s'adresse.
Les protocoles classiques d'ergonomie cognitive s'appliquent ici, avec une nuance de taille. Là où une interface graphique présente un état stable, un chatbot produit une réponse différente à chaque formulation. La charge mentale ne vient donc plus seulement de la lecture, elle vient de l'incertitude : l'utilisateur ne sait pas ce que l'assistant a réellement compris. Observer la reformulation spontanée, les pauses, les abandons en cours de saisie, en dit davantage sur la qualité du dialogue qu'un questionnaire de satisfaction rempli après coup. C'est cette matière comportementale, fragile et fugace, que l'étude doit capter en priorité.
Les biais cognitifs à l'œuvre dans un dialogue avec une machine
Trois biais reviennent régulièrement. Le premier est l'ancrage : la première réponse reçue façonne toute la suite de l'échange, même lorsqu'elle demeure approximative. Le deuxième est le biais de confirmation : l'utilisateur retient les éléments qui valident ce qu'il pensait déjà trouver. Le troisième, plus délicat, est l'effet de complaisance que les Anglo-Saxons nomment sycophancy : un modèle entraîné à plaire tend à acquiescer plutôt qu'à contredire. Reconnaître ces biais, c'est se donner les moyens de concevoir des relances qui rétablissent l'utilisateur dans son jugement au lieu de l'y enfermer durablement.
Un chatbot bien conçu ne se contente pas de répondre, il rend visible son incertitude. Demander confirmation avant une action, expliciter une limite, proposer une vérification par une source externe : ces micro-décisions réduisent la surconfiance. À l'inverse, une formulation trop assurée sur un sujet mouvant installe une confiance mal placée que l'utilisateur paiera plus tard, parfois cher. L'enjeu n'est donc pas seulement d'améliorer la performance du modèle, mais d'aligner le niveau de certitude exprimé sur le niveau de certitude réel. Cet alignement se teste, il ne se décrète pas dans un cahier des charges rédigé une fois pour toutes.
Mesurer la confiance et la frustration : méthodes concrètes
On n'évalue pas une émotion avec un curseur unique. Les équipes sérieuses croisent plusieurs sources : analyse des journaux de conversation, entretiens d'explicitation où l'utilisateur raconte après coup ce qu'il a pensé, tests d'utilisabilité filmés autour de tâches précises. La confiance se mesure indirectement, par le taux de vérification des réponses, par la reformulation spontanée, par la propension à confier une décision à l'assistant. La frustration, elle, se lit dans les abandons, les répétitions, les changements de ton. Aucun de ces signaux n'est décisif seul, c'est leur convergence qui produit un diagnostic solide et exploitable.
Les questionnaires gardent leur place, à condition de les placer au bon moment. Interroger juste après l'usage capte des impressions encore vives ; interroger plusieurs jours après renseigne sur la mémoire de l'expérience, qui décide souvent du retour. Croiser le déclaratif et l'observé évite l'écueil du tout-déclaratif, où l'utilisateur rationalise ce qu'il vient de faire sous le regard de l'enquêteur. Un écart marqué entre ce qu'il dit et ce qu'il fait constitue en soi un résultat précieux pour la conception : il signale un point où le discours officiel masque une difficulté bien réelle, qu'aucune métrique automatique ne relèverait à elle seule.
Ce que ces études changent dans la conception d'un assistant
Concrètement, une étude de psychologie utilisateur débouche rarement sur un rapport qui dort. Elle alimente des décisions : réécrire les messages d'erreur, ajouter des points de contrôle avant une action irréversible, revoir le ton de l'assistant, cesser d'ouvrir une conversation par une promesse que la machine ne peut tenir. Chaque ajustement se justifie par un comportement observé plutôt que par une intuition de designer. Cette traçabilité entre observation et modification est précisément ce qui distingue un véritable travail d'étude d'une simple succession d'opinions échangées en réunion, où le dernier à parler impose souvent sa vue.
Pour les organisations qui déploient de l'IA, cette démarche rejoint les exigences de gouvernance. Une analyse des risques pour l'utilisateur, un avis sur l'ergonomie d'un système, une documentation des effets sur les personnes : ces éléments s'appuient naturellement sur des données de terrain. Le règlement européen sur l'IA incite à documenter les conséquences d'un système sur les personnes concernées, et une étude psychologique fournit exactement ce type de preuves. Former des équipes capables de tenir ce dialogue entre recherche et conception devient donc un enjeu de compétence, pas seulement de bonne volonté.
Aller plus loin
Une équipe qui sait observer avant de déployer limite les mauvaises surprises et gagne en confiance auprès de ses utilisateurs. Nous accompagnons les professionnels qui veulent maîtriser ces méthodes dans notre catalogue des 31 formations.
Vous voulez maîtriser ce sujet en pratique ?
Cabinet MARA forme en ligne, sur des cas réels, avec des modules courts et un suivi de progression.
Voir la formation liée Les 31 formations