« On ne pourrait pas avancer l’étude avec l’IA ? » : la phrase qui revient en réunion
« On ne pourrait pas avancer l’étude avec l’IA ? » Si vous faites du marketing, vous avez sûrement entendu cette phrase en réunion. Ou vous l’avez dite vous-même.
L’étude est nécessaire, mais elle pèse. Le recrutement traîne, la taille d’échantillon bute sur le budget, et chaque retouche du questionnaire repousse le planning.
D’où l’idée de demander d’abord à l’IA. Et beaucoup d’équipes le font déjà : le modèle répond comme un consommateur, ou bien il rédige les questions. Sauf que tout se joue sur la précision et sur l’endroit exact où ça s’insère.
Parce que la réponse change tout en aval. Si l’IA remplace la vraie étude, on monte le processus d’une façon. Si elle accélère seulement l’amont, on le monte autrement. Allons voir deux études qui tranchent entre les deux.
Une IA « plutôt crédible » est montée à 85%
Commençons par le travail de Park et ses collègues, à Stanford et Google DeepMind (étude).
Le truc malin, c’est l’entrée. Ils ont interrogé 1 052 personnes pendant deux heures chacune, puis construit un agent IA de chaque personne à partir de cet entretien. Pas une étiquette démographique, mais un parcours de vie et des valeurs. La densité d’information n’a rien à voir avec le « persona en trois lignes » habituel.
Pour valider les agents, ils ont utilisé la . Et le résultat ? Les agents IA ont reproduit les réponses de chaque personne environ 85% du temps.
Ces 85% ne sont pas un taux de bonnes réponses brut. On les mesure contre les réponses de la même personne quand elle a refait l’enquête deux semaines plus tard. Nous-mêmes ne sommes pas parfaitement cohérents avec nous-mêmes ; autrement dit, l’agent s’est approché de ce plafond humain contre humain.
Et un point compte plus que le titre. Les agents construits à partir d’entretiens montraient moins de biais entre groupes que ceux bâtis sur la seule démographie. Le levier n’est donc pas la magie du modèle : c’est l’épaisseur de la connaissance client qu’on y met.
Rédiger les questions va vite. Les diffuser telles quelles, et ça dérape.
La deuxième étude, de Mburu et ses collègues, inverse les rôles (étude). Ici, l’IA ne répond pas : elle conçoit le questionnaire. Leur procédure SQRA fait rédiger les questions par le modèle, puis les teste contre des réponses synthétiques, avant qu’un humain ne les voie.
Ce qui est ressorti, c’est le bon et le mauvais à la fois. Le modèle est rapide pour produire des questions adaptées au contexte. Mais il glisse aussi des tournures redondantes et des questions à double détente (une seule question qui en pose deux). Autrement dit, le brouillon est solide, mais le contrôle qualité reste du côté humain.
Pour « sortir un premier brouillon vite », c’est vraiment utile. Mais diffuser ces questions en production sans passe de relecture, c’est risqué. Là, il faut poser une ligne nette.
Deux dispositifs opposés, qui butent au même endroit
Une étude met l’IA en répondant ; l’autre en rédacteur de questions. Approches opposées. Et pourtant, ce qui décidait de la précision se superpose presque au mot près. Dans les deux, le résultat tenait à la richesse de l’entrée et à ce que l’humain gardait, pas à l’intelligence du modèle.
Les 85% de Park n’existent que grâce à l’entretien dense de deux heures. Si l’entrée est maigre, la précision baisse, et le biais entre groupes remonte. Le générateur de questions de Mburu sort vite des brouillons, mais enlever la redondance et la double détente est quand même retombé sur une personne.
Renversez l’image et vous avez la vraie leçon : ce que l’IA fait mal, c’est qu’on lui confie une décision lourde sur un matériau maigre. Éviter ce point précis, c’est tout l’enjeu quand on passe à la pratique.
Conclusion : l’IA pour comprimer l’amont, pas pour remplacer l’étude
La valeur d’une étude consommateur avec IA n’est pas de remplacer l’étude humaine en entier, mais d’accélérer l’amont : les hypothèses et le questionnaire. Elle est forte quand un matériau d’entretien dense la nourrit, et quelconque quand l’entrée est maigre. Oubliez cette limite, et il devient facile de prendre un brouillon pratique pour la base d’une décision.
Le premier geste, c’est donc de faire l’inventaire de vos anciens entretiens clients et de vos notes de voix du client, et d’étoffer ce que vous donnez au modèle. Ensuite, fixez la frontière : la sortie de l’IA va jusqu’à tester des hypothèses, et les vraies décisions — répartition du budget, ce que vous lancez vraiment — se prennent sur des données humaines. Cadrez ça, et vous éviterez la plupart des accidents « j’ai pris la vitesse et j’ai perdu la qualité ».
Si vous voulez continuer sur le peu de fiabilité de la mesure IA elle-même, l’article sur le taux d’apparition et la visibilité IA tire le même fil, côté mesure.
Sources
- Park, J. S. et al. (Stanford University, Google DeepMind), “Generative Agent Simulations of 1,000 People”, arXiv:2411.10109, 2024, arXiv
- Mburu, T. K. et al., “Methodological foundations for artificial intelligence-driven survey question generation”, Journal of Engineering Education, 114(3), e70012, 2025, DOI: 10.1002/jee.70012
