L’eye tracking, autrefois réservé aux laboratoires universitaires et aux études marketing à très haut budget, est devenu accessible aux équipes CRO grâce à deux évolutions. La première évolution est la baisse spectaculaire du coût des capteurs oculométriques, désormais intégrables à un PC ordinaire (Tobii, EyeTech) ou activables via webcam standard avec des plateformes comme RealEye, Sticky AI ou Lab.js. La seconde évolution est la diffusion d’études comparatives mises en ligne par des cabinets spécialisés (Nielsen Norman Group, Baymard Institute) qui partagent leurs cartes de regard et leurs interprétations. Pour les équipes CRO, l’eye tracking livre une donnée qu’aucune heatmap ne capte : où le regard se pose vraiment, dans quel ordre, combien de temps, et où il revient. Cette donnée est précieuse mais sa lecture exige une discipline et une grille d’analyse que peu d’équipes maîtrisent. Chez Propuls’Lead, nos 15 ans d’accompagnement de plus de 500 clients montrent que l’agentification de cette lecture rend l’outil exploitable au quotidien.
Comprendre l’eye tracking en CRO
L’eye tracking enregistre le parcours du regard d’un utilisateur sur une interface. Trois indicateurs principaux structurent la lecture. Le premier indicateur est le point de fixation : zone précise où le regard s’arrête plus de cent millisecondes. Plus une zone reçoit de fixations, plus elle capte l’attention. Le deuxième indicateur est la saccade : mouvement rapide du regard entre deux fixations, qui révèle l’ordre de lecture et les chemins visuels privilégiés. Le troisième indicateur est la dilatation pupillaire, indice de charge cognitive : une dilatation marquée signale un effort de compréhension élevé.
Les cartes de regard agrègent ces données sur un échantillon de testeurs. Une carte de chaleur de fixations montre les zones les plus regardées en chaud (rouge, orange) et les zones délaissées en froid (vert, bleu). Une carte de parcours moyen trace les saccades les plus fréquentes et révèle l’enchaînement spontané de la lecture. Une carte de temps cumulé indique combien de secondes le regard a passé sur chaque zone.
Pour le CRO, ces cartes éclairent des questions que les heatmaps de souris ne touchent pas. Le visiteur a-t-il vu le bénéfice principal avant le CTA ? L’argument de réassurance a-t-il été lu avant ou après la décision d’inscription ? Le bouton principal est-il regardé en premier ou perdu dans l’arrière-plan visuel ? Notre article sur heatmaps CRO : laisser un agent IA lire les zones chaudes à votre place éclaire la dimension comportementale des clics qui complète la lecture oculométrique.
Mise en œuvre côté humain : la méthode classique
L’exploitation manuelle de l’eye tracking suit quatre temps qui demandent une expertise rare en interne. Le premier temps est la conception du protocole de test. L’équipe définit la tâche à confier au testeur (par exemple : « trouvez le prix de l’abonnement annuel »), sélectionne un panel représentatif, choisit le matériel (capteur dédié pour la précision, webcam pour le volume), et fixe la durée d’observation. Cette conception engage la valeur de l’étude et exige une formation en méthodologie expérimentale.
Le deuxième temps est la collecte des sessions. Le panel teste l’interface dans des conditions contrôlées, soit en présentiel dans un laboratoire UX, soit à distance via une plateforme en ligne (RealEye, Sticky AI). Cette phase consomme entre une et deux semaines pour atteindre un panel représentatif d’une trentaine à une cinquantaine de testeurs.
Le troisième temps est l’analyse des cartes agrégées. Le UX researcher ou le responsable CRO ouvre la plateforme, parcourt les cartes de fixations, de parcours et de temps cumulé, repère les anomalies (zones critiques non vues, parcours surprenants, fixations longues sur éléments accessoires), et formule des observations qualifiées. Cette analyse mobilise une journée entière par étude.
Le quatrième temps est la traduction en hypothèses de test. Chaque observation se traduit en hypothèse testable inscrite au backlog CRO. Cette traduction exige une expérience UX solide pour ne pas confondre un signal d’attention avec un signal d’intérêt commercial. Notre article sur frameworks ICE et PIE : déléguer la priorisation des tests à un agent IA éclaire la dimension de scoring qui prolonge la lecture oculométrique.
Et avec un agent IA ?
Plusieurs étapes du cycle d’eye tracking se prêtent à une délégation à un agent IA visuel. La lecture des cartes agrégées représente le terrain le plus mature pour l’agentification. Un agent IA branché sur l’API de la plateforme (RealEye, Sticky AI, Tobii Pro Lab exposent des exports automatisés) récupère les cartes de fixations, de parcours et de temps cumulé, les croise avec la structure éditoriale de la page extraite via crawler, et restitue un compte rendu structuré : zones critiques non vues, parcours surprenants, charge cognitive excessive sur tel bloc, fixations longues sans clic suivant. L’agent IA combine un LLM multimodal (Claude 3.5 Sonnet, GPT-4o avec capacité vision) pour la lecture des cartes, un module d’extraction HTML pour reconstituer la structure, et une plateforme d’orchestration n8n qui rejoue l’analyse à chaque nouvelle étude. Là où le UX researcher passait une journée par étude, l’agent IA restitue le compte rendu en quelques minutes.
La traduction en hypothèses bénéficie d’une formalisation continue. À partir des observations, l’agent IA propose des hypothèses testables formulées au format ICE ou PIE, avec un pré-scoring sur les axes Impact et Confiance. Le backlog d’expérimentation s’enrichit immédiatement après chaque étude, sans attente de la disponibilité du UX researcher.
Le gain mesurable est documenté. Sur les programmes que nous pilotons, le passage à une lecture agentifiée des études d’eye tracking libère 85 pourcents du temps consacré à l’analyse oculométrique et permet de mener trois études par mois là où une seule était possible. Cette montée en cadence rend l’outil exploitable comme instrument de pilotage continu plutôt que comme dispositif d’étude ponctuelle. Chez Propuls’Lead, nous concevons et déployons les agents IA qui lisent et interprètent les études d’eye tracking CRO à la place de nos clients, dans le cadre de la méthodologie PROPULSE.
Quand l’humain reprend la main
L’agent IA excelle sur la lecture régulière mais reste limité sur trois décisions critiques que l’humain garde sous contrôle. La première décision concerne la conception du protocole. Définir la tâche à confier au testeur, sélectionner le panel, fixer la durée d’observation : ces choix engagent la validité de l’étude. Ils exigent une expertise méthodologique que l’agent IA ne porte pas. Le UX researcher reste indispensable au cadrage initial.
La deuxième décision touche à l’interprétation des fixations longues. Une fixation prolongée sur un bloc peut signaler un intérêt fort ou un effort de compréhension excessive. Distinguer les deux exige souvent un croisement avec un entretien post-test ou une lecture qualitative que l’humain conduit mieux que l’agent IA. Notre article sur A/B testing CRO : confier le pilotage des variantes à un agent IA dédié éclaire la dimension test-par-test qui prolonge l’analyse.
La troisième décision concerne les enseignements stratégiques. Une étude d’eye tracking peut révéler qu’un parti pris de design (par exemple un visuel central très chargé) détourne le regard du bénéfice principal. La décision de refondre ce parti pris engage l’identité de la marque et appelle une validation humaine au plus haut niveau. Notre article sur tests multivariés CRO : orchestrer des dizaines de variantes par agent IA éclaire la dimension combinatoire qui peut se brancher sur les enseignements oculométriques.
Stack recommandée Propuls’Lead
Pour agentifier la lecture des études d’eye tracking, nous combinons plusieurs briques. Un agent IA visuel basé sur Claude 3.5 Sonnet récupère les cartes depuis RealEye, Sticky AI ou Tobii Pro Lab via API. Une plateforme d’orchestration n8n rejoue l’analyse à chaque nouvelle étude et déclenche le reporting. Un module d’extraction HTML reconstitue la structure éditoriale des pages testées pour corréler les fixations avec les blocs précis. Un agent IA éditorial reformule les observations en hypothèses ICE versées au backlog. Un agent IA observateur compare les cartes avant et après chaque déploiement pour mesurer l’effet d’une modification. La méthodologie PROPULSE encadre l’ensemble pour garantir que chaque délégation reste mesurable, observable et auditable.