Le débat sur les « interviews synthétiques » générées par IA anime la profession des études marketing. Dans sa récente tribune, Luc Balleroy (OpinionWay) soulignait les risques de certaines pratiques, tout en invitant à explorer les possibilités offertes par l’IA. Laurent Florès, ancien président d’ESOMAR et professeur à l’Université Paris Assas, partage cette vigilance mais propose néanmoins une vision alternative. Plutôt que de se focaliser sur les limites actuelles des interviews synthétiques, il appelle à un profond changement des paradigmes jusqu’ici dominants dans l’univers du market research pour tirer pleinement parti de l’intelligence artificielle. Et dessine ainsi les contours de ce qui pourrait être une « cinquième génération » des études.
LA TRIBUNE DE LAURENT FLORÈS, UNIVERSITÉ PARIS ASSAS & L’ATELIER IA
En quelques mois, l’intelligence artificielle a fait irruption dans les études de marché. Et avec elle, un débat mal posé : pour ou contre les « répondants synthétiques » ?
Cette question binaire masque l’essentiel.
Ce n’est pas l’outil qui pose problème, c’est notre façon de l’utiliser.
Le vrai enjeu n’est pas de savoir si l’IA peut remplacer les humains, mais comment inventer les méthodologies qui exploiteront vraiment ses capacités.
Dans ce paysage, des tribunes comme celle de Luc Balleroy dans MRNews.fr ont le mérite de rappeler des exigences fondamentales de notre métier, à commencer par la représentativité.[1] Mais en focalisant le projecteur sur les limites évidentes des « interviews synthétiques », elles risquent de devenir l’arbre qui cache la forêt : une révolution méthodologique beaucoup plus profonde qui est en train de redéfinir la chaîne de valeur des études.
Reconnaître les limites évidentes… pour mieux éclairer le reste
Commençons par ce qui devrait faire consensus, mais qu’il est utile de formuler explicitement pour éviter tout soupçon de « techno‑solutionnisme ».
- Évidemment, il ne faut pas sonder les opinions politiques d’un « panel IA » en espérant qu’elles soient représentatives du corps électoral.
- Évidemment, lancer une innovation produit à plusieurs millions d’euros de R&D sans aucune validation sur un échantillon humain robuste reste aujourd’hui trop risqué.
- Évidemment, un LLM n’a pas, à ce stade, accès à la fréquence réelle des combinaisons de profils dans la population, ni à la structure fine de nombreux marchés locaux, sans données externes solides.
Sur ces points, les études citées par les sceptiques – Bisbee et al. (2024), Shrestha & Krpan (2025), Kaiser et al. (2025) et d’autres – documentent des écarts, des biais par sous‑groupes, une variance sous‑estimée et une instabilité temporelle des distributions.[1][3]
Remplacer purement et simplement un échantillon humain représentatif par des interviews synthétiques pour « mesurer le réel » est, aujourd’hui, une mauvaise idée dans un certain nombre de domaines, à commencer par les sciences politiques.
Mais s’arrêter là reviendrait à confondre une mise en garde nécessaire avec un verdict définitif.
Et surtout, à ignorer deux éléments essentiels que le débat actuel traite encore trop peu.
L’éléphant dans la pièce : la crise de qualité des panels humains
Pendant que la profession se passionne pour les limites de l’IA, un problème bien réel ronge silencieusement notre métier : la dégradation massive de la qualité des panels online.
Le GRIT Business & Innovation Report 2025 vient de le confirmer : les préoccupations sur la qualité des données ont augmenté de 40 % en un an.[4] Répondants frauduleux, bots se faisant passer pour des humains, participants désengagés, échantillons compromis : voilà la réalité de nos données « humaines ».
Ce même rapport documente une « mutation permanente du marché » : croissance des acteurs technologiques, déclin brutal des prestataires traditionnels, recomposition accélérée de l’offre.[5]
Les mots utilisés sont sans ambiguïté : « L’industrie des insights subit un séisme — IA, fusions-acquisitions et modèles tech-led définissent désormais la survie, la croissance et la domination. »
Critiquer les répondants synthétiques au nom de la qualité des données tout en fermant les yeux sur l’effondrement progressif des panels traditionnels revient à comparer un idéal théorique à une réalité très dégradée.
La question n’est plus de choisir entre un parfait humain et un imparfait synthétique, mais de savoir comment combiner des sources imparfaites pour produire des décisions meilleures, plus robustes et plus rapides.
Le piège de l’ancien avec du nouveau
Imaginez les premiers automobilistes attachant des chevaux devant leur véhicule pour le tirer.
Absurde ?
C’est pourtant exactement ce que semble faire notre profession avec l’IA.
Nous prenons des questionnaires conçus pour des humains et les soumettons à des modèles de langage. Puis nous nous étonnons que les résultats soient parfois décevants.
La recherche scientifique est formelle sur ce point.
Les études de Bisbee et collaborateurs (2024), abondamment citées par les sceptiques, montrent effectivement que les répondants synthétiques échouent à reproduire fidèlement les distributions d’opinions politiques. Mais ces chercheurs utilisaient des méthodes d’élicitation classiques — échelles de Likert, questions fermées — appliquées telles quelles à des LLM. Autrement dit : ils testaient la capacité d’un moteur à tirer une charrette.
Les recherches qui adoptent des approches natives de l’IA racontent une tout autre histoire.
La Columbia Business School (2025) atteint jusqu’à 85 % de précision en travaillant avec des personas synthétiques calibrés et des protocoles adaptés.[6]
Park et collaborateurs (2024) démontrent que les entretiens qualitatifs simulés réduisent certains biais démographiques de 40 % par rapport aux enquêtes traditionnelles.[7]
Des approches innovantes atteignent des corrélations proches de 0,9 avec les données humaines, bien au-delà de ce qu’obtiennent les méthodes traditionnelles appliquées telles quelles à l’IA.
D’autres travaux montrent que les LLM surpassent la moyenne humaine en conscience émotionnelle (Frontiers in Psychology, 2023).[9]
Ces résultats ne disent pas que « l’IA est meilleure que l’humain en tout ».
Ils disent : « quand on conçoit des protocoles adaptés, les LLM produisent déjà des signaux assez bons pour certains usages bien définis. »
C’est exactement ce que rappelle le Delphi de la Market Research Society (MRS) à propos des répondants synthétiques : les résultats sont souvent « good enough » pour prendre des décisions opérationnelles de court terme, à condition de bien en comprendre les limites et les domaines d’application.[1]
Le problème n’est pas l’IA. C’est notre entêtement à lui imposer nos vieilles méthodes.
Une révolution, pas une continuité : de la quatrième à la cinquième génération
J’observe cette dynamique depuis plus de vingt-cinq ans.
Au début des années 2000, l’émergence d’Internet avait suscité le même réflexe : digitaliser les focus groups existants, mettre les questionnaires en ligne.
Les instituts se contentaient alors de transposer leurs méthodes dans un nouveau canal.
Or Internet n’était pas qu’un nouveau canal — c’était un nouveau paradigme.
Dans ma thèse de doctorat, j’avais modestement développé la méthode Brand Delphi, spécifiquement conçue pour exploiter les caractéristiques propres du web : asynchronicité permettant la réflexion, interactivité facilitant l’itération, traces numériques révélant les signaux faibles.[10]
Cette approche, validée dans Marketing Science (Toubia & Florès, 2007), a contribué à ce que Galan et Vernette ont appelé la « quatrième génération » des études de marché.[11][12]
L’IA générative appelle aujourd’hui le même saut conceptuel, mais à une échelle encore plus radicale.
Nous ne pouvons pas nous contenter d’une cinquième génération qui serait une simple évolution. Nous avons besoin d’une rupture méthodologique comparable à celle qu’Internet a provoquée il y a plus de vingt ans, et sans doute plus profonde encore.
C’est un véritable changement de paradigme.
Cette cinquième génération ne se réduit pas à « faire les mêmes études plus vite et moins cher ». Elle consiste à recomposer la chaîne de valeur des insights :
- génération et filtrage d’hypothèses,
- modélisation de comportements possibles,
- tests rapides et comparatifs,
- stress‑tests de scénarios,
- combinaison de données observées et simulées.
Où les répondants synthétiques ont déjà une vraie valeur opérationnelle
Plutôt que de poser la question « Peuvent‑ils remplacer l’humain ? », il est plus utile de demander :
Pour quels types de décisions les signaux produits par les répondants synthétiques sont‑ils déjà suffisamment bons ?
Sur la base de la littérature académique et des expérimentations en cours, plusieurs familles de cas d’usage se dégagent :
1. Idéation et exploration initiale
Générer rapidement des hypothèses, des arguments, des objections, des formulations possibles. Ici, on ne cherche pas une mesure précise de prévalence, mais la diversité et la plausibilité des réactions possibles. Les travaux cités par Luc Balleroy le reconnaissent d’ailleurs explicitement.[1]
2. Pré‑tests et sélection de concepts
Utiliser des panels synthétiques pour un premier tri de concepts, de messages ou d’UX flows, avant d’investir dans un quanti humain plus coûteux. Dans ce cadre, un signal « good enough » permet déjà de réduire fortement le nombre de pistes emmenées en test classique, donc de gagner du temps et du budget.
3. Stress‑tests de scénarios
Simuler des réactions de segments contrastés (personas IA calibrés) à des stimuli extrêmes, des crises, des prises de position de marque. L’objectif n’est pas de prédire exactement le pourcentage de réactions, mais decartographier les zones de risque et de tension possibles.
4. Complément analytique aux données humaines
Une fois un quanti réalisé, utiliser des LLM comme outil d’interprétation augmentée : explorer des explications plausibles, reformuler des insights, enrichir les verbatims.
Dans tous ces cas, la question clé n’est pas « est‑ce vrai au centième près ? » mais « est‑ce suffisamment fiable pour le type de décision que je veux prendre maintenant ? »
Ce déplacement – du fantasme de vérité parfaite vers une gestion explicite des trade‑offs bénéfices / risques – est au cœur de la cinquième génération.
Ce que nous disent vraiment les sceptiques : une quête de vérité, pas un refus de l’IA
Il serait trop simple d’opposer des « pro‑IA » irresponsables à des « gardiens du temple » arc‑boutés sur le passé.
En réalité, la quête de celles et ceux qui insistent sur la représentativité – comme Luc Balleroy – est profondément légitime : ils défendent l’idée que notre métier doit produire un reflet le moins déformé possible du réel, surtout quand les enjeux financiers ou sociétaux sont élevés.[1]
Là où nos chemins divergent, c’est sur deux points :
- Ce que nous considérons comme un standard atteignable dans le contexte actuel. Avec l’état réel des panels, des modes de recueil et de la participation, l’illusion d’un « réel parfaitement mesuré » est devenue, elle aussi, un mirage.
- La place que nous donnons à des solutions hybrides, où des signaux synthétiques « assez bons » complètent des données humaines elles‑mêmes imparfaites, à un coût et un délai compatibles avec les décisions d’aujourd’hui.
Le Delphi du MRS formule cela de manière très claire : dans de nombreux cas, les résultats issus de répondants synthétiques apparaissent « suffisamment bons » pour éclairer des décisions opérationnelles de court terme, dès lors qu’ils sont utilisés dans un cadre rigoureux, transparent et combinés avec d’autres sources.[1]
Construire plutôt que reproduire : un agenda de recherche et de pratique
C’est précisément ce à quoi nous travaillons actuellement avec des collègues chercheurs.
Notre première contribution, publiée dans Information Fusion (Cielen, De Bock & Florès, 2025), explore les performances comparées des petits et grands modèles de langage, et montre que des ensembles de petits modèles peuvent rivaliser avec de grands LLM pour certaines tâches de « sentiment analysis ».[14]
Ce n’est qu’une première brique. Nous développons actuellement une méthodologie native de l’IA, conçue pour exploiter ses forces plutôt que pour contourner ses faiblesses.
Les premiers résultats sont prometteurs :
- ces nouvelles approches atteignent des corrélations élevées avec les données humaines ;
- des protocoles qualitatifs simulés révèlent des dynamiques difficiles à capturer dans des enquêtes classiques ;
- l’IA peut aider à identifier des signaux faibles et à structurer des cartographies d’opinions plus riches que ce que permettent des questionnaires fermés.
Ces résultats ne dispensent pas d’un contrôle humain, ni d’une validation empirique. Ils indiquent une direction.
Un appel aux praticiens : sortir du faux dilemme
La cinquième génération des études de marché ne s’écrira pas seulement dans les laboratoires de recherche. Elle a besoin de :
- terrains d’expérimentation,
- cas d’usage concrets,
- praticiens prêts à sortir des sentiers battus.
Si vous êtes annonceur, institut ou consultant et que vous souhaitez participer à cette aventure méthodologique, je vous invite à me contacter. Nous recherchons des partenaires pour tester et affiner ces nouvelles approches sur des problématiques réelles.
L’objectif n’est pas de remplacer l’humain par la machine, mais de créer des méthodes hybrides qui tirent le meilleur des deux.
Le débat sur les répondants synthétiques, tel qu’il est souvent posé aujourd’hui, oppose un passé idéalisé à un avenir fantasmé.
La vraie question est ailleurs : aurons‑nous le courage d’inventer les méthodologies de demain, ou nous contenterons‑nous de défendre celles d’hier ?
L’histoire des études de marché montre que chaque rupture technologique a enrichi notre discipline. À condition d’accepter de changer nos méthodes, pas seulement nos outils.
Nous aurons l’occasion d’en parler encore bientôt (le 18/12) au sein de l’Atelier IA.
Références
Balleroy, L. (2025). « Ne laissons pas le mirage des interviews synthétiques brouiller la révolution IA ». MRNews. mrnews.fr
Bisbee, J., et al. (2024). Synthetic Replacements for Human Survey Data? The Perils of Large Language Models. Political Analysis. doi:10.1017/pan.2024.3
Cielen, D., De Bock, K. W., & Florès, L. (2025). Zero-Shot SLM ensembles are effective alternatives to LLMs for sentiment analysis. Information Fusion. ScienceDirect
Columbia Business School (2025). Researchers Unlock Powerful New Use for Synthetic Personas. gsb.columbia.edu
Elyoseph, Z., et al. (2023). ChatGPT outperforms humans in emotional awareness evaluations. Frontiers in Psychology. doi:10.3389/fpsyg.2023.1199058
Florès, L. (2005). Brand Delphi : une nouvelle méthode de génération d’idées pour la mise à jour des « signaux faibles ». Thèse de doctorat, Université de Grenoble.
Galan J.P., & Vernette, E. (2000). Vers une 4ème génération : les études de marché on-line. Décision Marketing. ResearchGate
Greenbook (2025). GRIT Business & Innovation Report. greenbook.org[1]
Market Research Society (MRS) (2024). Using synthetic respondents for market research. Delphi report. Cité dans MRNews
Park, J. S., et al. (2024). Generative Agent Simulations of 1,000 People. arXiv. arxiv.org/abs/2411.10109
Toubia, O., & Flores, L. (2007). Adaptive Idea Screening Using Consumers. Marketing Science, 26(3), 342-360. INFORMS
POUR ACTION
• Echanger avec l’interviewé(e) : @ Laurent Florès
