Temps de lecture : 15 minutes
Un chiffre résume l’enjeu de l’architecture de l’information mieux que tous les discours : quand un utilisateur clique au bon endroit dès son premier clic, il a 87 % de chances de réussir sa tâche. Quand son premier clic est erroné, ce taux tombe à 46 % (Bailey & Wolfson, série d’études 2006-2009). Tout se joue donc dans les premières secondes — et ce qui se joue, ce n’est pas la qualité graphique de l’interface, c’est la structure invisible qui organise les contenus : les catégories, leurs intitulés, leur hiérarchie.
Cette structure invisible a un coût quand elle est mauvaise. En e-commerce, le Baymard Institute mesure un taux moyen d’abandon de panier de 70,22 % (agrégation de 50 études, mise à jour 2025) ; et lors de ses tests utilisateurs sur des tâches de recherche de produit, les sites dont les listes et la navigation sont mal conçues subissent 67 à 90 % d’abandons, contre 17 à 33 % pour les sites au dispositif même légèrement optimisé — sur les mêmes tâches exactement (Baymard Institute, benchmark de 50 grands sites e-commerce américains). En interne, le constat est tout aussi sévère : les travailleurs de l’information passent près de 20 % de leur semaine à chercher de l’information en interne ou la personne qui la détient (McKinsey Global Institute, 2012). La findability n’est pas un raffinement d’ergonome : c’est une variable de chiffre d’affaires et de productivité.
La bonne nouvelle, c’est que l’architecture de l’information se conçoit et se valide avec deux méthodes éprouvées, peu coûteuses et complémentaires : le tri de cartes (card sorting), qui révèle comment les utilisateurs regroupent et nomment les contenus, et le test d’arborescence (tree testing), qui mesure si une structure donnée permet réellement de trouver l’information. Ces deux méthodes appartiennent à la famille « recherche d’architecture » de notre panorama des méthodes d’UX research au service de l’innovation — et ce tutoriel les détaille pas à pas.
Au programme : pourquoi l’architecture de l’information conditionne la findability, comment conduire un tri de cartes rigoureux (variantes, échantillon, analyse), comment construire et interpréter un test d’arborescence, comment enchaîner les deux dans un cycle itératif, et ce que les outils 2026 — et leur couche d’IA — changent concrètement à la pratique.
1. Pourquoi l’architecture de l’information conditionne la findability
Architecture de l’information (AI) : discipline qui consiste à organiser, structurer et étiqueter les contenus d’un site, d’une application ou d’un intranet pour que les utilisateurs trouvent l’information et accomplissent leurs tâches. Elle se matérialise par l’arborescence (hiérarchie des catégories), les systèmes de navigation et la terminologie des intitulés. Le tri de cartes (card sorting) est la méthode de recherche utilisateur qui révèle les modèles mentaux de classement des utilisateurs ; le test d’arborescence (tree testing) est la méthode qui évalue, sur des tâches concrètes, si une arborescence donnée permet de trouver l’information — avant tout investissement en design ou en développement.
L’erreur la plus répandue en matière de navigation est structurelle : organiser les contenus selon la logique de l’organisation — ses départements, ses gammes, son organigramme — plutôt que selon les modèles mentaux des utilisateurs. Le client d’une banque ne cherche pas « Produits d’épargne réglementée » ; il cherche « mettre de l’argent de côté ». Le visiteur d’un site immobilier ne pense pas en « programmes neufs éligibles Pinel » ; il pense « acheter pour louer ». Chaque écart entre la taxonomie interne et le vocabulaire réel des utilisateurs se paie en hésitations, en mauvais clics — et, on l’a vu, un premier clic erroné divise presque par deux les chances de réussite de la tâche (Bailey & Wolfson).
Ce problème ne se corrige pas en aval. Un moteur de recherche interne ne compense pas une arborescence défaillante : il déplace le problème vers la formulation de requêtes. Un design soigné ne le compense pas davantage : il rend l’échec plus esthétique. L’architecture de l’information se traite à la racine, au moment de la conception ou de la refonte — et elle se traite avec des données, pas avec des opinions. C’est précisément ce que permettent le tri de cartes et le test d’arborescence : remplacer le débat d’experts (« je pense que cette rubrique devrait s’appeler… ») par des mesures reproductibles.
L’enjeu dépasse le site web. Dans une expérience omnicanale, la cohérence des catégories entre le site, l’application, le magasin et le support conditionne la fluidité du parcours — un point que nous développons dans notre méthode de cartographie du parcours client phygital : une taxonomie incohérente entre canaux crée des ruptures de repérage que l’utilisateur paie à chaque transition.
2. Le tri de cartes : révéler les modèles mentaux des utilisateurs
Le principe du tri de cartes est d’une simplicité trompeuse : on présente aux participants un jeu de cartes — chacune portant un contenu, une fonctionnalité, un produit — et on leur demande de les regrouper selon leur propre logique. Donna Spencer, autrice de l’ouvrage de référence Card Sorting: Designing Usable Categories (Rosenfeld Media, 2009), résume ce que la méthode apporte : « Le plus important, c’est que vous apprenez comment les gens pensent les idées en question. Vous comprenez quelles choses vont ensemble pour eux. Vous apprenez énormément sur la façon dont ils nomment ces choses. »
Ouvert, fermé ou hybride : choisir la variante
| Variante | Principe | Quand l’utiliser | Livrable principal |
|---|---|---|---|
| Tri ouvert | Les participants groupent librement et nomment eux-mêmes les catégories | Début de conception ou refonte : découvrir les modèles mentaux et le vocabulaire | Regroupements émergents + terminologie utilisateur |
| Tri fermé | Les catégories sont imposées ; les participants y répartissent les cartes | Valider une structure pressentie, arbitrer le rattachement de contenus ambigus | Taux d’accord par carte et par catégorie |
| Tri hybride | Catégories proposées, mais possibilité d’en créer de nouvelles | Itération intermédiaire : tester une structure tout en laissant émerger les manques | Validation + signaux de catégories manquantes |
Deuxième arbitrage : modéré ou non modéré. Le tri modéré (en présence d’un facilitateur, sur table ou à distance) permet de faire verbaliser les hésitations — pourquoi cette carte résiste au classement, quels mots le participant cherche — et produit une richesse qualitative précieuse. Le tri non modéré, administré en ligne via une plateforme, permet de monter en volume à coût marginal faible. La pratique robuste combine les deux : quelques sessions modérées pour comprendre, un volume non modéré pour quantifier.
Taille d’échantillon : ce que disent les données
La question de l’échantillon a une réponse empirique précise. L’étude de référence de Tullis et Wood (2004), conduite sur 168 participants dont les résultats ont été comparés à des sous-ensembles aléatoires, établit que 15 participants suffisent pour atteindre une corrélation de 0,90 avec la structure obtenue sur le très grand échantillon, et que 30 participants portent cette corrélation à 0,95. Au-delà de 60 participants, le gain devient marginal (0,98). Jakob Nielsen en tire la recommandation qui fait toujours autorité : « Tester toujours plus d’utilisateurs en tri de cartes a des rendements décroissants, mais testez au moins 15 utilisateurs — trois fois plus que pour un test d’utilisabilité classique » (NN/g, 2004). Pour un tri quantitatif dont on veut généraliser les résultats à plusieurs segments, la littérature converge vers 30 à 50 participants.
Conduire l’étude pas à pas
- Définir le périmètre : 30 à 60 cartes maximum. Au-delà, la fatigue dégrade la qualité des regroupements. Sélectionner des contenus représentatifs, pas exhaustifs.
- Rédiger les cartes : un libellé par carte, dans un langage neutre — surtout pas les intitulés actuels du site, qui biaiseraient le tri.
- Recruter : 15-30 participants représentatifs des segments cibles ; séparer les analyses par segment si les profils diffèrent fortement (clients vs prospects, B2B vs B2C).
- Administrer : 2-3 sessions modérées pour la profondeur, le reste en non modéré via une plateforme dédiée.
- Analyser : c’est l’étape critique (voir ci-dessous).
- Synthétiser : une proposition d’arborescence argumentée, avec les zones de consensus et les zones d’ambiguïté explicitement documentées.
Analyser : matrice de similarité et dendrogrammes
Deux artefacts structurent l’analyse d’un tri de cartes. La matrice de similarité croise toutes les paires de cartes et indique, pour chacune, le pourcentage de participants qui les ont placées ensemble : deux cartes regroupées par 85 % des participants appartiennent presque certainement à la même catégorie ; un score de 45 % signale un contenu frontière qu’il faudra rendre accessible par plusieurs chemins. Le dendrogramme, produit par clustering hiérarchique, visualise ces proximités sous forme d’arbre : en faisant varier le seuil de regroupement, on voit émerger des structures candidates à 4, 6 ou 8 catégories.
Une mise en garde méthodologique : ces artefacts décrivent, ils ne décident pas. Un dendrogramme propose des regroupements statistiques ; il ne dit rien de la terminologie à employer, de la profondeur acceptable, ni des contenus à forte valeur business qui méritent un raccourci. L’analyse quantitative doit toujours être confrontée aux verbatims des sessions modérées — c’est là que se niche le « pourquoi » des regroupements.
3. Le test d’arborescence : valider la structure avant de la construire
Le tree testing inverse la logique du tri de cartes : au lieu de faire construire la structure par les utilisateurs, on leur soumet une structure et on mesure s’ils y trouvent leur chemin. Concrètement, le participant voit une arborescence textuelle dépouillée — pas de design, pas de moteur de recherche, pas d’images — et reçoit des tâches du type : « Vous voulez connaître les frais de résiliation de votre contrat. Où cliqueriez-vous ? » Il navigue dans l’arbre jusqu’à désigner l’emplacement où il pense trouver la réponse.
Ce dépouillement est la force de la méthode : il isole la variable « structure et intitulés » de toutes les autres (design visuel, contenu des pages, performance). Si les participants échouent sur un arbre nu, aucun habillage graphique ne sauvera la navigation réelle.
Construire le protocole
- Reproduire l’arborescence complète (ou la branche à tester) dans l’outil, intitulé par intitulé.
- Rédiger 8 à 12 tâches formulées en langage utilisateur, sans jamais reprendre les mots des intitulés testés — sinon le test mesure la lecture, pas la findability.
- Définir les bonnes réponses (une tâche peut en avoir plusieurs si le contenu est légitimement accessible par plusieurs chemins).
- Recruter environ 50 participants : c’est l’ordre de grandeur qui offre une précision raisonnable pour des métriques quantitatives — NN/g recommande au moins 50 participants par arbre pour obtenir des intervalles de confiance suffisamment étroits.
- Randomiser l’ordre des tâches pour neutraliser les effets d’apprentissage.
Lire les quatre métriques
| Métrique | Définition | Repères d’interprétation |
|---|---|---|
| Taux de réussite (success rate) | % de participants ayant désigné le bon emplacement | Moins de 40 % : faible · 41-60 % : moyen · 61-80 % : bon · 80-90 % : très bon · plus de 90 % : excellent (Albert & Tullis, 98 études) |
| Directness | % de participants arrivés au bon endroit sans retour en arrière | Une réussite avec faible directness signale des intitulés ambigus qui forcent l’exploration |
| Temps par tâche | Durée moyenne entre le début et la fin de la tâche | À comparer entre tâches et entre itérations, pas dans l’absolu |
| Premier clic | Catégorie de premier niveau choisie en premier | Diagnostique les conflits entre rubriques de tête ; rappel : premier clic correct = 87 % de réussite finale (Bailey & Wolfson) |
L’interprétation croise toujours réussite et directness. Une tâche réussie à 85 % avec une directness de 40 % n’est pas un succès : la majorité des participants a erré avant de trouver — dans la vraie vie, une partie d’entre eux aurait abandonné. Optimal Workshop retient 80 % de réussite comme seuil d’une arborescence performante ; et la grille d’Albert et Tullis le précise : pour une tâche critique ou génératrice de revenus — demander un devis, prendre rendez-vous, finaliser un achat — il faut viser plus de 90 % (NN/g, 2024).
Le diagnostic fin passe par l’analyse des chemins empruntés : où les participants en échec sont-ils allés ? S’ils convergent massivement vers une mauvaise catégorie, l’intitulé de celle-ci est trompeur (il « aspire » la tâche) ; s’ils se dispersent, c’est le contenu qui n’a pas de domicile évident et qu’il faut exposer par plusieurs chemins ou renommer.
4. Combiner les deux méthodes : le cycle itératif
Tri de cartes et tree testing ne sont pas des alternatives : ce sont les deux temps d’un même cycle — l’un génératif (découvrir les modèles mentaux), l’autre évaluatif (mesurer une structure). Cette distinction génératif/évaluatif structure toute la discipline, comme le détaille notre panorama des méthodes d’UX research en 2026. Le cycle complet se déroule en six étapes :
- Audit de l’existant : analytics de navigation (pages orphelines, taux de rebond des pages de catégories, requêtes du moteur interne — révélatrices de ce que les utilisateurs ne trouvent pas), benchmark des arborescences concurrentes.
- Tri de cartes ouvert (15-30 participants) : découverte des regroupements et du vocabulaire naturels.
- Conception de 1 à 2 arborescences candidates, en croisant dendrogrammes, verbatims et contraintes business.
- Tree testing comparatif (~50 participants par arbre) : mesure de la réussite et de la directness, tâche par tâche, éventuellement contre l’arborescence actuelle qui sert de référence chiffrée.
- Correction ciblée : renommage des intitulés ambigus, déplacement des contenus en échec, dédoublement des chemins d’accès pour les contenus frontières.
- Re-test sur les tâches corrigées : on ne conclut jamais sur une seule itération — c’est l’écart entre les deux mesures qui constitue la preuve d’amélioration.
Ce cycle tient en 4 à 6 semaines pour un site de taille moyenne, et son coût est sans commune mesure avec celui d’une refonte de navigation ratée. Il s’insère naturellement dans les phases amont d’un projet de conception rapide : dans un design sprint augmenté par l’IA, un tree testing non modéré lancé le lundi livre ses résultats avant le prototypage, et la même logique d’itération courte s’applique de l’insight au prototype en 48h.
Deux erreurs classiques condamnent le cycle. La première : tester l’arborescence avec le vocabulaire du test calqué sur les intitulés — les tâches doivent décrire des besoins (« résilier mon abonnement »), jamais des rubriques (« allez dans Gestion du contrat »). La seconde : valider une structure en interne, avec des collaborateurs qui connaissent l’organisation par cœur — leur taux de réussite sera systématiquement surestimé, car ils partagent précisément la taxonomie interne que le tri de cartes cherche à dépasser.
5. Outils 2026 et apport de l’IA
Le marché 2026 des outils d’architecture de l’information s’est consolidé autour de spécialistes historiques et de plateformes généralistes qui ont intégré le tri de cartes et le tree testing à leur offre. Rappel de contexte : 69 % des chercheurs déclarent utiliser l’IA dans au moins une partie de leurs projets, en hausse de 19 points sur un an (Maze, Future of User Research Report 2026) — et les outils d’AI n’échappent pas au mouvement.
| Outil | Positionnement 2026 | Points forts | Ordre de prix |
|---|---|---|---|
| Optimal Workshop | Spécialiste historique (OptimalSort, Treejack) | Analyses statistiques les plus poussées (clustering automatisé, z-scores), référence des équipes AI | À partir de ≈199 $/mois (plan annuel) |
| UXtweak | Alternative spécialisée la plus proche | Tri hybride avec sous-groupes, insights générés par IA, bon rapport fonctionnalités/prix | Offre gratuite, puis ≈92 €/mois |
| Lyssna (ex-UsabilityHub) | Généraliste léger, renommé en 2023 | Panel de recrutement intégré, first click testing natif, offre gratuite | Free tier puis plans payants |
| Maze | Plateforme produit orientée vitesse | Tri ouvert et fermé intégré à la même plateforme que les tests de prototypes Figma, analyse IA embarquée | Tarification par siège/étude |
(Données prix : pages tarifaires publiques des éditeurs, relevées en juin 2026 ; à revérifier au moment de l’achat, les grilles évoluent vite.)
L’apport de l’IA dans ces outils est réel mais circonscrit à trois fonctions. Le clustering automatique : les algorithmes regroupent les catégories nommées par les participants d’un tri ouvert (« Tarifs », « Prix », « Combien ça coûte ») et accélèrent une normalisation qui prenait des heures — c’est le gain le plus net. La synthèse assistée : génération de premiers constats à partir des matrices et des chemins, utile comme brouillon d’analyse. La simulation : des agents IA « parcourent » une arborescence candidate pour un pré-test instantané — un filtre grossier acceptable pour éliminer une structure manifestement défaillante avant d’engager un panel, mais dont les résultats ne se substituent jamais à un test sur participants réels, pour les mêmes raisons qui limitent les utilisateurs synthétiques en recherche : les modèles reproduisent des régularités de corpus, pas les modèles mentaux situés de vos clients.
La règle d’arbitrage est simple : l’IA compresse le temps d’analyse, elle ne compresse pas le besoin de données réelles. Quinze vrais participants restent quinze vrais participants.
6. L’approche Agalma : l’architecture de l’information comme objet d’étude qualitative
Chez Agalma Études, nous abordons le tri de cartes et le test d’arborescence non comme des procédures techniques, mais comme ce qu’ils sont fondamentalement : des méthodes d’accès aux représentations mentales — la matière même des études qualitatives que nous pratiquons depuis 2006. Trois principes structurent nos interventions.
Le vocabulaire avant la structure. Un dendrogramme propose des regroupements ; il ne dit pas comment les nommer. Or l’essentiel des échecs de tree testing se joue dans les intitulés — ces mots-frontières que l’organisation comprend et que le client ne comprend pas. Nous traitons systématiquement la terminologie comme un objet d’étude à part entière : verbatims des sessions modérées, requêtes du moteur de recherche interne, vocabulaire spontané recueilli en entretien. C’est le croisement de ces sources, pas la statistique seule, qui produit des intitulés qui fonctionnent.
La mesure avant et après. Toute mission d’architecture de l’information commence par un tree testing de l’arborescence existante : il fournit la référence chiffrée (taux de réussite, directness, tâche par tâche) contre laquelle la nouvelle structure sera objectivement évaluée. Cette discipline du « avant/après » transforme un débat d’opinions en décision documentée — et elle donne au commanditaire un indicateur de ROI défendable en interne.
L’architecture au service du parcours. Une arborescence n’existe pas en vase clos : elle est un maillon du parcours client global, et sa cohérence avec les autres canaux — magasin, application, support — conditionne l’expérience d’ensemble. Nos études d’architecture s’articulent donc avec la cartographie de parcours et, quand le projet l’exige, avec des ateliers de co-création qui impliquent les équipes internes dans la construction de la taxonomie, y compris à distance.
Le tri de cartes et le test d’arborescence comptent parmi les méthodes au meilleur ratio coût/impact de toute la recherche utilisateur : quelques semaines, quelques dizaines de participants, et une variable aussi décisive que la findability passe du statut d’opinion à celui de mesure. Pour explorer comment ces méthodes s’intègrent dans une démarche d’innovation complète, parcourez notre pilier innovation et design sprint — ou découvrez nos expertises pour en discuter directement.