« On n’a qu’à demander à la persona IA, non ? »
Depuis quelques mois, la même phrase revient en réunion : « avant de lancer une vraie étude, on demande d’abord à une persona IA ce qu’en pense la cible ». Sur le papier, l’idée est séduisante.
Hex-ko aussi a été tentée : trois lignes de profil, un prompt bien tourné, et hop, « la voix du marché » qui répond en dix secondes. Pour dégrossir une accroche pub ou un concept produit, on gagne vraiment du temps.
Sauf que tout se joue sur une question : jusqu’où peut-on croire cette réponse ? Parce qu’entre « ça donne une piste » et « ça remplace l’étude », il y a un monde, et c’est exactement là que les accidents arrivent.
Deux études récentes aident à tracer la frontière. L’une montre jusqu’où une persona IA peut reproduire une vraie personne ; l’autre apprend à ne pas surinterpréter une réponse isolée. On regarde les deux, puis on en tire une règle simple.
L’IA qui « refait » 1 052 personnes, et vise juste 85 % du temps
Commençons par le travail de Park et ses collègues, à Stanford et Google DeepMind (l’étude). Leur pari : interroger longuement des gens, puis fabriquer, pour chacun, un agent IA censé répondre comme lui.
Concrètement, ils ont mené un entretien qualitatif d’environ deux heures avec 1 052 personnes, puis construit un « agent génératif » par personne à partir de ce matériau. Pas une étiquette démographique : un vécu, des valeurs, une façon de parler.
Pour tester ces agents, ils les ont soumis aux questions du , une enquête sociale américaine de référence. Et le point de comparaison est malin : on ne mesure pas l’agent contre une « bonne réponse » absolue, mais contre les réponses de la même personne réinterrogée deux semaines plus tard.
Le résultat ? L’agent reproduit environ 85 % des réponses de la personne. Nous-mêmes ne sommes pas parfaitement cohérents d’une fois sur l’autre ; autrement dit, l’IA s’est approchée du plafond « humain contre lui-même ».
Autre résultat, plus parlant que le chiffre : les agents bâtis sur l’entretien montraient moins de biais entre groupes que ceux construits sur la seule démographie. Ce qui fait la précision, ce n’est donc pas « le format persona IA », c’est l’épaisseur de la connaissance client qu’on y injecte.
Sauf que ces 85 % viennent de deux heures d’entretien, pas de trois lignes
Ici, il faut ralentir, parce que c’est le malentendu le plus fréquent. Les 85 % de Park ne sortent pas d’un « femme, 34 ans, cadre, urbaine ». Ils sortent de deux heures d’entretien par personne.
Autrement dit, la performance est proportionnelle à la matière. Nourrissez le modèle richement, et il finit par vous ressembler ; donnez-lui trois attributs, et il vous renvoie une image moyenne, passe-partout, qui sonne juste sans l’être.
En pratique, tant que vous ne versez pas d’entretiens passés, de retours clients ou de raisons de non-achat, la persona reste une caricature crédible. La persona IA n’est pas une « suppression de l’étude » : c’est un amplificateur de la compréhension que vous avez déjà.
Et quand l’IA répond autre chose selon la formulation ?
Reste une inquiétude légitime : si je reformule ma question, la persona change d’avis, non ? C’est la fameuse sensibilité au prompt, autrement dit à quel point la réponse bouge quand on change les mots.
L’étude de Hua et ses collègues (l’étude) suggère quelque chose de contre-intuitif : une bonne part de cette instabilité ne viendrait pas d’une faiblesse du modèle, mais d’un artefact de la méthode d’évaluation.
Le mécanisme est simple. Si l’on rejette une réponse dès qu’elle ne coïncide pas mot pour mot avec la réponse attendue, deux formulations de même sens comptent pour deux avis différents, et la variabilité paraît gonflée. C’est un peu comme noter une copie en comptant « d’accord » et « pas de souci » comme deux opinions opposées.
Pour un usage marketing, la leçon est directe : ne pas lire une réponse unique comme une vérité. On répète les exécutions, on regarde la tendance, et on vérifie sur des données humaines avant d’en tirer une décision.
Si vous voulez creuser ce réglage de mesure (combien de fois répéter, quoi accepter comme réponse équivalente), l’article L’IA répond autre chose à chaque fois : défaut de l’IA, ou défaut de la mesure ? déroule tout ça côté opérationnel.
Conclusion : la persona IA extrait des hypothèses, la décision revient aux données humaines
Alors, on fait quoi de tout ça ? La persona IA est une excellente porte d’entrée dans la compréhension client : rapide, souple, parfaite pour dégrossir. Mais traiter comme « voix du marché » ce qui sort de trois lignes d’attributs, c’est prendre une caricature pour un panel.
Le geste concret tient en deux temps. D’abord, épaissir la matière : versez vos anciens entretiens, vos verbatims clients, vos raisons de non-achat, pour que la persona ait de quoi vous ressembler. Ensuite, poser la frontière noir sur blanc : l’IA va jusqu’à l’extraction d’hypothèses et le cadrage des questions ; le prix, la répartition du budget et le positionnement se tranchent, eux, sur des études humaines et des données réelles.
Mettez cette règle par écrit, et vous gardez le meilleur des deux mondes : la vitesse de l’IA, sans brader le poids de la décision. Au fond, c’est moins « faire confiance à l’IA » que savoir, à chaque étape, sur quelle donnée on s’appuie.
Sources
- Park et al. (Stanford University, Google DeepMind) (2024), « Generative Agent Simulations of 1,000 People », arXiv:2411.10109, arXiv
- Hua et al. (2025), « Flaw or Artifact? Rethinking Prompt Sensitivity in Evaluating LLMs », EMNLP 2025, arXiv:2509.01790, arXiv
Articles liés
