Quand on remplit une fiche de client type, l’âge et le métier, ça va vite. C’est la case d’après qui pose problème. Celle où il est écrit « valeurs ». Ou « ce qui l’empêche de dormir ».
Celle-là, on la remplit avec son imagination.
Hex-ko aussi est restée bloquée devant cette case. Pas faute d’idées, mais parce que tout ce qu’elle allait écrire, c’était elle-même déguisée.
Depuis quelque temps, il existe un raccourci. On demande à ChatGPT de répondre « comme une mère de famille trentenaire en ville », et quatre secondes plus tard on a un paragraphe impeccable. Forcément, quelqu’un s’est demandé si ça ne remplacerait pas une vraie interview.
Sauf que la question de fond reste entière : à quel point cette réponse ressemble-t-elle à celle d’un humain ? Et une équipe est allée y répondre à la force du poignet, en reconstruisant un millier de personnes réelles, une par une.
« Une réponse synthétique, comment on sait si elle est juste ? »
L’étude vient de Stanford et de Google DeepMind, en 2024 (l’étude).
Le protocole tient moins de l’astuce que de la patience. 1 052 participants réels, chacun passé par un entretien long et sans précipitation, puis tout ce récit versé dans un modèle pour construire un agent par personne.
Un , autrement dit, c’est un double qui répond à votre place. Et concrètement, ce qui compte ici, ce n’est pas la technologie, c’est la matière première : une persona faite de données démographiques, c’est l’esquisse d’un type de personne. Ces doubles-là, eux, sont taillés dans ce que chacun avait raconté de lui-même.
Ce fameux 85 %, il se compare à quoi ?
Et qu’est-ce que ça donne ?
L’équipe a fait passer une grosse enquête — l’, un classique de la sociologie — aux personnes réelles comme à leurs doubles, puis a comparé les réponses.
Les doubles ont reproduit les réponses de leur modèle avec environ 85 % de précision.
Mais 85 % de quoi, au juste ? C’est là que le protocole devient malin. Le plafond, ce n’est pas la perfection : c’est le taux d’accord de la personne avec elle-même quand elle repasse la même enquête deux semaines plus tard.
Parce que l’être humain, ça bouge. Deux semaines suffisent à se contredire soi-même, ce qui est une information assez humiliante sur notre espèce. Cette ligne du « même l’original ne colle pas tant que ça à l’original » vaut 100 %, et la copie IA en a parcouru 85 %. Se faire noter sur la constance d’un humain en chair et en os, c’est un barème sévère, pas un cadeau.
Là où ça marche, et là où ça coince
La ressemblance ne s’arrête pas à l’enquête. Sur la prédiction des traits de personnalité et sur les jeux expérimentaux chers à l’économie comportementale, les doubles ont obtenu des scores comparables.
Et un résultat discret pèse plus lourd qu’il n’en a l’air : l’écart entre groupes est resté faible. Les agents construits uniquement sur des données démographiques tombent souvent plus juste pour certains groupes ethniques ou idéologiques que pour d’autres. Ceux bâtis sur le récit de la personne, eux, ont tenu leur précision de façon plus stable d’un groupe à l’autre.
Cela dit, rien de tout ça n’est un sans-faute. L’équipe reconnaît elle-même que certaines prédictions portant sur les attitudes sont passées à côté. La ligne à garder en tête est donc celle-ci : on reproduit bien la tendance moyenne, on ne photocopie pas les raisons intimes d’une personne.
Et les questions, qui les écrit ?
Dès qu’on veut amener ces réponses synthétiques dans le travail réel, un second problème surgit, dont on parle beaucoup moins : la rédaction du questionnaire.
D’autres travaux ont regardé ce que donne l’IA quand on lui confie la fabrication des questions. Elle sait produire des questions adaptées au contexte. Mais elle reproduit aussi les ratés classiques, ceux que les humains commettent très bien tout seuls : deux sujets tassés dans une même question, ou du jargon en pagaille (l’étude).
Autrement dit : questions synthétiques comme réponses synthétiques ne deviennent utilisables qu’avec une étape de vérification humaine accrochée derrière.
Pour le dire franchement, la synthèse par IA fait un très bon brouillon. Et à la seconde où l’on saute la vérification, elle se transforme en fiction plausible.
Conclusion : le travail de défrichage à l’IA, l’image réelle à la mesure
Qu’est-ce qu’un marketeur, un RP ou un responsable de marque en retire ?
La frontière est celle-ci : les réponses synthétiques sont excellentes pour formuler des hypothèses et concevoir une étude, et elles ne remplacent pas le fait de savoir comment votre marque est réellement perçue. Atteindre 85 % impressionne, mais c’est 85 % d’un étalon humain : les vraies personnes servaient de corrigé. Ce n’est pas la même chose que se passer de la mesure.
En pratique, donc, on étiquette. Ceci vient d’une IA à qui on a posé la question. Cela vient de personnes ou de données qu’on a mesurées. Le premier sert à débattre, le second à décider. En mélangeant les deux, on retombe dans le trou de la persona qu’on avait inventée avant de finir par y croire.
Et pour sa propre marque, on ne se contente pas du résumé bien tourné que l’IA fait de vous : on va vérifier régulièrement comment les modèles en parlent, et si votre nom sort.
Garder la synthèse et la mesure dans deux colonnes séparées, c’est une habitude un peu terne. C’est aussi ce qui sépare ceux qui se servent de l’IA de ceux dont elle se sert.
