IA : Personnaliser les Choix pour Réduire le Temps de Décision

Pourquoi l'IA change la donne pour la Loi de Hick

Jusqu'à 2022, réduire le nombre d'options proposées à chaque visiteur supposait un travail manuel coûteux : segmentation marketing, A/B tests, landing pages personnalisées. Au-delà d'une centaine de segments, ce travail devenait économiquement infaisable.

Avec les LLM et les modèles de recommandation moderne, on peut désormais :

• Détecter en temps réel ce qui intéresse un visiteur
• Réduire dynamiquement le nombre d'options visibles
• Réordonner les options par pertinence individuelle
• Personnaliser la formulation de chaque option

Un site qui afficherait à chaque visiteur la bonne paire d'options (la sienne, pas celle d'un autre) aurait des taux de conversion 2 à 3× supérieurs à la moyenne. C'est l'objectif de ce chapitre.

Détection de l'intent : du visiteur anonyme à la personnalisation

Avant de personnaliser, il faut inférer l'intent. Plusieurs signaux sont exploitables :

L'IA agrège ces signaux et infère un score d'intent par segment. Les segments à faible intent reçoivent une page minimaliste (1 CTA, 0 distraction). Les segments à fort intent reçoivent une page d'expert (options détaillées).

Le pattern « Less is more, but adaptive »

Au lieu d'afficher 12 options pour tout le monde, ou 3 options pour tout le monde, l'IA permet d'afficher 3 options choisies parmi 12 — celles qui maximisent la probabilité de clic pour ce visiteur.

graph LR
    A[12 options possibles] --> B{Modèle de scoring}
    B -->|Visiteur A| C[Options 2, 5, 9]
    B -->|Visiteur B| D[Options 1, 4, 11]
    B -->|Visiteur C| E[Options 3, 7, 12]

Chaque visiteur reste donc dans la zone Hick optimale (3 options), mais le système global couvre les 12 segments. Le compromis classique « simplicité vs. exhaustivité » disparaît.

Implémentation pragmatique en 4 étapes

Étape 1 : cartographier l'inventaire d'options

Lister, sans tabou, toutes les options présentes sur votre site : plans, fonctionnalités, ressources, CTA, modules de démo, etc. Vous obtenez souvent 30 à 80 entrées. C'est normal.

Étape 2 : tagger chaque option par profil pertinent

Pour chaque option, attribuer 1 à 3 tags de profil cible. Exemples :

• « Plan Pro » → freelance, agence
• « Module API » → CTO technique
• « Témoignage Direction Marketing » → CMO mainstream

Étape 3 : construire le moteur de scoring

SCORE(option, visiteur) = Σ pondération(tag_option ∩ tag_visiteur)

Pour démarrer, des règles simples suffisent. Plus tard, un modèle de ML supervisé (XGBoost, logistic regression) prend le relais.

Étape 4 : afficher les 3 options de plus haut score

C'est tout. Aucune sorcellerie. La magie vient de la cohérence Hick × personnalisation.

Prompt LLM pour générer le scoring automatiquement

Si vous n'avez pas d'équipe data, un LLM peut faire le boulot — en JSON, instantanément :

Tu es un expert en personnalisation web.

Voici la liste exhaustive des options proposées sur mon site :
[COLLE LA LISTE]

Voici les profils de visiteurs que je veux cibler :
[FREELANCE / PME / GRAND COMPTE / DEVELOPPEUR / MARKETER / DIRECTION]

Pour chaque profil, sélectionne les 3 options à afficher en priorité,
en justifiant chaque choix.

Format de réponse :

{
  "freelance": {
    "options_prioritaires": ["...", "...", "..."],
    "justification": "..."
  },
  ...
}

Ajoute en fin de réponse 3 indicateurs à monitorer pour
valider que la personnalisation est efficace.

Ce prompt produit en 10 secondes une matrice profil × options exploitable directement par un développeur front.

Personnaliser la formulation, pas seulement la liste

Une étape souvent oubliée : réécrire chaque option pour qu'elle résonne avec le profil cible. Exemple :

L'option est la même. La friction n'est pas la même. Un LLM peut générer ces variantes :

Tu es copywriter B2B.

Voici une option de mon produit :
[NOM] : [DESCRIPTION]

Génère 5 reformulations, une par profil :
1. Freelance
2. PME (5-50 personnes)
3. Direction commerciale ETI
4. CTO grand compte
5. DAF

Contrainte : chaque reformulation = 1 phrase, max 15 mots,
zéro jargon marketing creux. Reste factuel et concret.

L'usage de l'IA dans les chatbots de vente

Les chatbots traditionnels affichaient un menu à 8 boutons. Erreur Hick classique. Les nouveaux chatbots LLM-based ont compris la leçon :

1. Ils posent une seule question ouverte : « Que cherchez-vous à automatiser ? »
2. Ils interprètent la réponse
3. Ils proposent 2 chemins binaires : « Plutôt envoi d'emails ou plutôt collecte de signatures ? »
4. Ils convergent vers la bonne démo ou le bon contact commercial

Ce design réduit T de 30+ secondes à moins de 10 secondes par interaction. Et le taux de qualification grimpe de 15 à 40 %.

Personnaliser le pricing : éthique et limites

L'IA permet techniquement de personnaliser le prix affiché à chaque visiteur. Légalement, cela touche au discriminatoire (UE : DSA, DMA ; France : DGCCRF). Éthiquement, c'est largement contestable.

Recommandation : personnaliser les options et la formulation, pas le prix. Si une logique de remise existe, qu'elle soit déclenchée par une action volontaire du visiteur (code promo, abonnement newsletter, formulaire de demande de devis) — jamais à son insu.

Cas d'application : un funnel SaaS optimisé Hick × IA

Un éditeur SaaS d'outils financiers (cible : freelances et PME) a refondu son funnel selon Hick + IA :

Résultat global : conversion site → trial multipliée par 2,3.

Surveiller la dérive : quand l'IA ferme trop

Attention au piège : si l'IA filtre trop, elle peut enfermer un visiteur dans des options qui ne correspondent pas à son vrai besoin (effet bulle). Trois garde-fous :

1. Toujours laisser une option « Voir toutes les options » accessible
2. Logguer les clics « Voir toutes » : un taux > 15 % signale un mauvais scoring
3. Réentraîner régulièrement le modèle (mensuel pour les sites à fort trafic)

Auditer son site avec l'IA : prompt clé en main

Tu es auditeur UX expert en Loi de Hick.

Voici une capture textuelle de la page [URL] :
[COLLE LE CONTENU OU UNE DESCRIPTION DES SECTIONS]

1. Compte le nombre d'options de premier niveau (CTA, liens menu,
   choix de plans).
2. Estime le temps de décision T pour un visiteur moyen
   (b = 0,17).
3. Classe les options en 3 catégories :
   - Essentielles (à garder absolument)
   - Secondaires (à déplacer dans un sous-menu)
   - Bruit (à supprimer)
4. Propose une version réduite à 3 CTA visibles maximum.
5. Pour chaque CTA conservé, suggère un wording optimisé
   en moins de 5 mots.

Format : tableau Markdown + verdict de 3 phrases.

Résumé

L'IA permet pour la première fois de tenir simultanément deux exigences contradictoires : couvrir un grand nombre de profils et n'afficher à chacun que 3 options. La personnalisation dynamique des choix (et de leur formulation) divise par 2 à 3 le temps de décision et multiplie d'autant la conversion. Les outils sont accessibles à n'importe quelle startup grâce aux LLM, sans équipe data dédiée. Le prochain chapitre explore comment intégrer ces principes au cœur du produit lui-même et de la stratégie entrepreneuriale.