Une étude consommateur, c’est lourd. Ça coûte cher, ça prend des semaines, et le temps que les résultats tombent, la question de départ a parfois déjà bougé.
Alors la question sort toute seule, en réunion : « la première moitié, on ne pourrait pas la faire faire par l’IA ? » Hex-ko l’a posée aussi, avec le même petit espoir dans la voix.
Sauf qu’il y a un piège juste derrière. Parce que « remplacer l’étude par l’IA » et « compresser les étapes en amont avec l’IA », ça se ressemble beaucoup à l’oral. Et ça n’a rien à voir dans les faits.
Ces deux idées ne demandent ni la même précision, ni les mêmes garde-fous. Alors regardons les trois approches qu’on croise le plus souvent, et surtout à quel endroit du processus chacune évite l’accident.
« Bon, concrètement, on met l’IA où ? »
Commençons par le malentendu de base. Quand quelqu’un dit « l’IA dans les études », il parle en réalité de trois choses différentes, qui n’ont en commun que les deux lettres.
L’IA peut jouer le répondant. Elle peut écrire les questions. Elle peut aussi devenir l’objet même de l’étude, quand on regarde ce que les gens lui demandent vraiment.
Trois usages, trois niveaux de risque. On les prend un par un.
Premier usage : l’IA dans le fauteuil du répondant, et ça marche presque trop bien
Park et ses collègues (R1) ont construit des agents à partir des entretiens de 1 052 personnes, puis ils ont vérifié à quel point ces agents reproduisaient les réponses des vraies personnes.
Le résultat impressionne : la reproduction monte à 85 %. Sur le papier, c’est costaud.
Mais il y a une condition, et elle est énorme. Cette précision tient au fait que l’entrée était épaisse : des entretiens complets, pas trois lignes de profil.
Avec une persona maigrichonne (« femme, 34 ans, cadre »), on ne peut pas espérer le même score. C’est un peu comme si on vous donnait trois lignes sur quelqu’un en vous demandant de jouer son meilleur ami : vous improviseriez, poliment.
Concrètement, pour vous, ça délimite l’usage : ces répondants simulés servent à dégrossir, à trier des axes de discours, à tester des hypothèses en amont. Pas à trancher la décision finale.
Deuxième usage : laisser l’IA écrire les questions, à condition de relire derrière
Mburu et ses collègues (R2) ont proposé un cadre appelé SQRA, une revue structurée qui inspecte les questions générées par l’IA avant l’envoi.
La vitesse d’adaptation au contexte est franchement séduisante pour qui a déjà fixé un questionnaire vide pendant une heure.
Mais la même étude signale les défauts qui reviennent : des formulations trop longues, et des questions « à double détente », c’est-à-dire des items qui posent deux choses à la fois. Le répondant en choisit une, et vous ne savez plus laquelle.
Autrement dit, la génération de questions par l’IA est une arme contre le temps de brouillon, pas un substitut au contrôle qualité. Elle ne s’utilise qu’avec une relecture humaine avant l’envoi.
Troisième usage : et si on étudiait ce que les gens demandent vraiment ?
Celui-là change de nature. L’analyse d’Otterly AI (R3) rapporte que les prompts réels sont plus longs que ceux qu’on imagine, plus personnels, et bien plus centrés sur un problème concret.
Ce qui apparaît là, c’est une matière rare : la façon dont les gens formulent vraiment leur besoin, sans le filtre d’un questionnaire.
Une réserve, tout de même. Si la de l’échantillon est faible, les enseignements penchent d’autant. Autrement dit : est-ce que les gens observés ressemblent à vos clients, ou juste à ceux qui étaient là ?
Donc on ne traite pas ces données comme une vérité universelle. C’est un signal supplémentaire, qui vient compléter les études existantes.
Conclusion : décider de l’étape avant de décider de l’outil
Répondants simulés, questions générées, données de comportement réel : aucun des trois ne remplace l’étude humaine à lui seul. Ce sont trois outils qui mordent à trois endroits différents du processus.
Élargir les hypothèses, sortir un premier jet de questionnaire, capter un signal comportemental en plus : chacun a sa zone de compétence, et elle est étroite.
D’où la seule décision qui compte au départ, et elle n’est pas celle qu’on croit. La question n’est pas « quelle méthode on adopte ? », mais « à quelle étape on la met ? » Le tri des hypothèses aux répondants simulés, le premier jet du questionnaire à l’IA, et le jugement final qui revient à l’étude humaine.
Deuxième chose à mettre en place, et une seule suffit : une porte commune, tenue par un humain, qui vérifie trois points avant que ça parte. L’entrée est-elle assez épaisse ? Les questions tiennent-elles la route ? L’échantillon ressemble-t-il à vos clients ? C’est comme ça qu’on garde la vitesse sans acheter des données qui ont l’air propres et ne disent rien.
Sources
- [R1] Park et al. (Stanford / Google DeepMind), « Generative Agent Simulations of 1,000 People », arXiv:2411.10109, 2024, lien
- [R2] Mburu et al., « Methodological foundations for artificial intelligence-driven survey question generation », Journal of Engineering Education, 2025, lien
- [R3] Thomas Peham (Otterly AI), « Real vs Estimated Prompts: I Analyzed 100s of Real ChatGPT Queries », 2026-02-03, lien
