Quand on travaille dans la data, Google fait partie des entreprises qui font rêver. Mais que fait-on vraiment à l'intérieur ? Pour le découvrir, j'ai reçu Pierre Petronin, installé à Zurich, plus de 19 ans d'expérience, dont onze chez Google — d'abord comme data scientist, puis comme Quantitative UX Researcher dans l'équipe GEO (Google Maps, Google Earth).
Une précision d'abord : cet épisode me tient particulièrement à cœur. Il y a quelques années, en pleine période de doute professionnel, j'ai contacté Pierre sur LinkedIn sans le connaître. Il m'a répondu, m'a guidée, m'a aidée. Cet épisode est ma façon de partager ce qu'il m'a apporté. (Pierre s'exprime ici en son nom, pas au nom de Google.)
Un métier que 99 % des gens ignorent
Le Quantitative UX Researcher, c'est « une sorte de data scientist de l'expérience utilisateur » : quelqu'un qui se fait l'avocat de l'utilisateur dans toutes les discussions produit, en s'appuyant sur des données.
Exemple concret sur Google Maps : imaginons l'idée de laisser l'utilisateur exclure un quartier de ses itinéraires. Faut-il y investir des ressources ? Le Quant UX Researcher analyse le feedback existant, met les idées en compétition dans des sondages (modèles de choix discrets), teste les interfaces conçues par les designers, puis mesure l'impact au lancement via des tests A/B. À chaque étape, le projet peut s'arrêter.
💡 À retenir : quand on a des compétences data, on ne pense qu'à postuler « data scientist ». Mais la tech regorge de métiers voisins méconnus — Quantitative UX Researcher, économiste, marketing quantitatif, trust & safety — souvent moins concurrentiels et tout aussi passionnants. Chez Google, le data scientist construit surtout des outils et métriques pour que d'autres analysent ; le Quant UX Researcher, lui, intervient en amont du cycle, aux côtés des designers.
Comment Google recrute (vraiment)
Le processus n'a pas changé en dix ans : filtre CV, premier entretien en visioconférence, puis une journée de panel — pour ce poste, une présentation devant trois personnes suivie d'entretiens individuels ciblés chacun sur une compétence (statistiques, manipulation de données, code en direct). La décision finale revient à un comité indépendant qui pondère les feedbacks.
Ce que Pierre en retire pour les candidats :
- Il ne faut être trop mauvais nulle part. Google cherche des profils solides sur tout le spectre — un point faible est acceptable, pas une lacune.
- Le code évalue le raisonnement, pas la syntaxe. L'objectif est de produire un algorithme cohérent à partir d'un problème en langage naturel.
- La communication est le vrai différenciateur. « On voit des gens qui savent résoudre des problèmes mais sont incapables d'expliquer comment. Ces gens-là sont filtrés. »
⚠️ Point important : ni le nom de votre grande école ni vos certifications n'impressionnent Google — l'ENSAI y est aussi inconnue que vos badges en ligne. Ce qui compte : ce que vous avez fait de vos connaissances, et la diversité des situations réelles rencontrées. La cooptation aide à décrocher l'entretien, mais seulement si elle est sérieuse et documentée.
Salaires et culture : les chiffres et les coulisses
Sur la rémunération, Pierre renvoie aux données publiques de levels.fyi : autour de Paris, un data scientist Google avec quelques années d'expérience gagne environ 90 000 € bruts par an (70 000 € fixes + 20 000 € variables), auxquels s'ajoutent des actions (RSU) débloquées sur quatre ans. Avec une bonne performance et une promotion, comptez environ +50 % en cinq ans — tout est au mérite, pas d'augmentation générale.
📌 Exemple : sa première impression en arrivant ? « La nourriture gratuite. » Au-delà de l'anecdote, le message : « ça dit au salarié qu'on veut qu'il soit bien ». Côté culture : un niveau de compétence très élevé, une forte responsabilité individuelle — personne ne vous dira quoi faire, il faut identifier les opportunités et les pitcher — et un équilibre vie pro/perso réel : « on ne fait pas 11 ans à 80 heures par semaine sans mourir d'une crise cardiaque ».
Ce que l'IA change au métier
L'IA générative transforme déjà le quotidien : classification automatique des réponses ouvertes des sondages, analyse de conversations entières plutôt que de simples clics, et surtout des sondages hybrides — le modèle de langage génère des questions de suivi pertinentes en temps réel, rapprochant le quantitatif de la profondeur d'une interview qualitative.
Sur la peur du remplacement, la position de Pierre est nuancée :
« Même si l'IA produit du code à 90 %, les 10 % restants sont votre responsabilité. On ne peut pas dire "c'est l'IA qui a créé le problème". Il faut rester capable de reprendre les manettes. »
Les compétences d'avenir selon lui : une culture IA — comme la culture internet en son temps, savoir trier, vérifier, garder son esprit critique — et la communication, car « nous serons tous des chefs d'orchestre : il faudra exprimer sa vision avec le contexte nécessaire pour que le travail soit bien fait ».
🚀 Conseil : l'outil que Pierre offrirait à tout le monde : Google AI Studio, pour prototyper des applications en quelques minutes, gratuitement. Et pour explorer le métier de Quant UX Researcher, les publications de la conférence annuelle QuantUXCon sont en accès libre.
La leçon de 11 ans chez Google
Invité à partager sa plus grande leçon, Pierre — l'homme qui mesure tout, professionnellement — répond avec un paradoxe :
« Tout ce qui se mesure ne compte pas forcément, et tout ce qui compte ne se mesure pas forcément. »
L'erreur la plus fréquente qu'il observe dans les projets data : construire une usine à gaz pour mesurer quelque chose sans garantir que cela réponde au problème. Commencez par le problème, pas par la solution.
L'épisode complet (1h13) est en haut de cet article — avec le détail de sa reconversion interne de data scientist vers Quant UX Researcher, sa plus grande fierté professionnelle, et sa réflexion prospective sur les utilisateurs synthétiques dans les sondages.
