L’intelligence artificielle est désormais omniprésente dans les discours sur les études marketing. Mais que change-t-elle réellement dans la pratique des études qualitatives ? Faut-il y voir un outil de rationalisation, ou l’opportunité de repenser en profondeur la valeur du travail intellectuel ?
Pour Jean-Maxence Granier, PDG de Think-Out, la question n’est pas tant celle de l’automatisation que celle du sens : que fait-on du temps gagné, de la donnée textuelle, de l’expertise humaine ? Comment former les équipes, préserver la qualité du recueil, éviter la superficialité des analyses ? À travers cet entretien, il esquisse une vision exigeante de l’IA, conçue non comme une fin en soi, mais comme un levier possible de réinvention du qualitatif.
MRNews : En préambule, une petite question… Quels mots-clés résument le mieux votre « rapport » à l’IA dans un usage professionnel ?
Jean-Maxence Granier (Think-Out) : Je vois avant tout l’IA, donc les LLM, comme quelque chose qui prolonge l’intelligence humaine. Une extension cognitive. Mais s’il y a un mot central, c’est bien celui de dialogue. Ce sont des intelligences artificielles avec lesquelles je dialogue, et avec lesquelles nous dialoguons collectivement chez Think-Out. Je parlerais donc d’outil, d’interaction à la fois individuelle et collective. C’est vraiment cette idée-là qui structure mon rapport à l’IA et pas du tout celle d’un automate.
L’IA peut être utilisée de bien des manières dans les études qualitatives. Quel usage vous enthousiasme le plus ?
Le bouleversement numéro un concerne le traitement de la donnée textuelle, qui est notre matière première. Les qualitativistes travaillent sur le langage humain, sous forme orale ou écrite, et ce travail est au cœur même du métier. L’IA renouvelle profondément les outils d’analyse que nous utilisions traditionnellement, ce qu’on appelait la mise à plat, les plans d’analyse, les tableaux de structuration des verbatims. Ce sont des tâches indispensables, mais exigeantes en temps et souvent ingrates, qui peuvent aujourd’hui être partiellement automatisées.
Le bouleversement numéro un concerne le traitement de la donnée textuelle, qui est notre matière première (…). L’IA renouvelle profondément les outils d’analyse que nous utilisions traditionnellement.
Ce qui est enthousiasmant, c’est la puissance d’analyse que cela donne. On gagne du temps sur ces phases pour se concentrer davantage sur la compréhension en profondeur. Mais cela pose aussi des questions très structurantes, notamment sur la formation des juniors. Pendant longtemps, la mise à plat était le lieu même de l’apprentissage du métier. Il va falloir inventer d’autres façons de transmettre cette capacité à hiérarchiser, structurer et interpréter la donnée qualitative. Il faut penser de nouvelles formes d’apprentissage du métier qui donneront toute sa place à la collaboration homme / machine.
Ce qui est enthousiasmant, c’est la puissance d’analyse que cela donne. On gagne du temps sur ces phases pour se concentrer davantage sur la compréhension en profondeur. Mais cela pose aussi des questions très structurantes, notamment sur la formation des juniors.
Quels sont les autres usages particulièrement intéressants selon vous ?
L’autre idée très forte, c’est l’augmentation de la masse de données textuelles que l’on peut traiter de manière intelligente. Je m’intéresse depuis longtemps au Traitement Automatique de la Langue, à la lexicométrie, aux outils de classification. Avec les LLM (Large Language Models) et bientôt les SLM (Small Language Models), on passe un cap majeur. Ils sont fondés sur la capacité à traiter de grands corpus en langue naturelle. Cela permet de traiter finement des volumes de données qui, auparavant, résistaient à l’analyse, qu’ils proviennent de terrains qualitatifs, du social listening, de plateformes de recueil ou de questions ouvertes ou de corpus accumulés dans le temps. C’est un outil nativement intertextuel, qui met en rapport des textes entre eux de manière beaucoup plus puissante que nous mais pas du tout de la même façon. C’est l’alliance de la mathesis faite d’espaces vectoriels, de fonctions, de probabilités et de la sémiosis faite du contexte, de la référence et du sens.
L’autre idée très forte, c’est l’augmentation de la masse de données textuelles que l’on peut traiter de manière intelligente (…). Avec les LLM (Large Language Models) et bientôt les SLM (Small Language Models), on passe un cap majeur. Ils sont fondés sur la capacité à traiter de grands corpus en langue naturelle. Cela permet de traiter finement des volumes de données qui, auparavant, résistaient à l’analyse, qu’ils proviennent de terrains qualitatifs, du social listening, de plateformes de recueil ou de questions ouvertes ou de corpus accumulés dans le temps.
On dépasse ainsi la frontière traditionnelle entre données structurées et non structurées. Le texte est le matériau même de l’IA langagière, avec un espace textuel entièrement vectorisé. Mais le corollaire est clair : la qualité du recueil devient absolument déterminante. Le human-to-human du qualitatif doit non seulement demeurer, mais s’amplifier. Si l’on gagne du temps sur l’analyse, il faut le réinvestir dans la qualité des échanges et du recrutement des personnes qu’on interroge. L’IA est sans doute aussi un outil pertinent pour renforcer la qualité de la divulgation des résultats (création de bots, mise en image, en vidéo) qui peut prendre des formes diverses qui viennent rompre avec le traditionnel rapport ou la présentation.
Le human-to-human du qualitatif doit non seulement demeurer, mais s’amplifier. Si l’on gagne du temps sur l’analyse, il faut le réinvestir dans la qualité des échanges et du recrutement des personnes qu’on interroge.
Et le rôle du qualitativiste, son expertise, sont essentiels pour dégager les grands axes, aller vers la pertinence face à des IA verbeuses, qui ont un penchant structurel à la paraphrase et qui produisent aussi des erreurs d’analyse ou d’interprétation (hallucination, simplification, faux-sens).
Ces outils ouvrent également de très belles perspectives pour travailler à l’international. Aujourd’hui, on dispose de fonctionnalités extraordinaires pour passer de l’audio au texte, pour traduire d’une langue à l’autre. Je peux analyser des groupes menés en chinois, réunissant des consommatrices à Pékin ou à Chengdu, avec une qualité parfois équivalente à ce que permettait autrefois le travail de traduction classique. Cela ouvre des possibilités inédites pour comprendre en profondeur des publics éloignés, à condition, encore une fois, que la qualité de la matière première soit au rendez-vous.
Et puis il y a la question décisive de la donnée : avant même de parler performance, il faut un cadre de sécurisation (confidentialité, consentement, anonymisation, hébergement), parce qu’un verbatim d’entretien ou un corpus d’études, ce n’est pas un prompt anodin, c’est un actif sensible.
Voyez-vous d’autres avantages liés à l’IA dans les études qualitatives ?
Il y a des possibilités extrêmement intéressantes en matière d’analyse sémiotique. Les IA que nous utilisons sont particulièrement aptes à comprendre et à appliquer des modèles formalisés, comme le carré sémiotique, les schémas narratifs ou actanciels. Bien sûr, cela exige une forte compétence humaine : l’IA peut proposer plusieurs modélisations, mais c’est à l’analyste de juger de leur pertinence. Ce qui est nouveau, c’est la capacité à traiter des corpus beaucoup plus larges, textuels ou visuels, et à opérer des catégorisations sur des bases plus objectivées. La compétence sémiotique, longtemps mobilisée pour analyser les discours de marque, trouve là une place renforcée dans l’analyse des données issues du terrain lui-même.
Il y a des possibilités extrêmement intéressantes en matière d’analyse sémiotique. Les IA que nous utilisons sont particulièrement aptes à comprendre et à appliquer des modèles formalisés, comme le carré sémiotique, les schémas narratifs ou actanciels.
Certains opposent une IA de rationalisation à une IA d’extension des possibles. Cette dichotomie vous semble-t-elle pertinente ?
La question de l’automatisation n’est pas nouvelle. Elle traverse l’ensemble de nos sociétés. Mais ce n’est pas la direction qui m’intéresse. Ce que je défends, c’est l’idée d’un prolongement de l’intelligence humaine. On extériorise certains processus cognitifs à travers l’IA, comme on l’a fait avec l’écriture, l’imprimerie, le livre, l’ordinateur, l’Internet, mais on en conserve la maîtrise. Il y a aussi une réalité économique : Think-Out n’a pas vocation à investir dans des dispositifs d’IA complets qui prendraient en charge l’ensemble de la chaine de traitement mais au contraire à se spécialiser des pratiques outillées qui augmente la capacité humaine mais ne se substitue pas à elle. Je reste attaché à l’idée d’un métier fait par des humains, pour des humains.
La question de l’automatisation n’est pas nouvelle. Elle traverse l’ensemble de nos sociétés. Mais ce n’est pas la direction qui m’intéresse. Ce que je défends, c’est l’idée d’un prolongement de l’intelligence humaine.
Une philosophe que j’apprécie beaucoup, Anne Alombert (De la bêtise artificielle, Alia, 2025), mobilise la notion de pharmakon : à la fois remède et poison, l’IA est une puissance extraordinaire, mais elle doit être abordée avec prudence. Comme l’écriture autrefois, elle pose la question de la responsabilité de l’auteur, de celui qui est garant du sens.
L’IA traite des données textuelles avec des approches mathématiques, à travers d’immenses matrices relationnelles. Dans ce contexte, les qualitativistes, qui maîtrisent les sciences du langage et la discursivité, ont un rôle clé à jouer. Leur savoir-faire reprend de la valeur pour hiérarchiser, pondérer, donner du sens. On peut y voir une forme de revanche, non pas contre le quanti, mais au service d’analyses plus éclairantes et plus décisionnelles. On doit s’en servir donc avant tout comme un équipier supplémentaire, aux compétences différentes grâce à sa puissance de calcul. L’IA est aussi une bonne relectrice qui aide à prendre du recul, à pointer les incohérences, les trous dans la raquette, les faiblesses de la narration. Elle s’insère en amont comme en aval des phases de production humaine mais indissociable d’elles.
L’IA traite des données textuelles avec des approches mathématiques, à travers d’immenses matrices relationnelles. Dans ce contexte, les qualitativistes, qui maîtrisent les sciences du langage et la discursivité, ont un rôle clé à jouer.
Quels sont, selon vous, les principaux pièges à éviter ?
Le premier piège est celui de la superficialité. Les LLM donnent l’impression d’être des intelligences humaines. Leur dimension dialogale est fascinante, parfois plus encore que leur capacité à traiter des masses de données. Mais on échange avec une machine. Il ne faut ni la déprécier, ni la fantasmer. Les IA ont une propension à reconstruire le réel pour lui donner de la cohérence, parfois de manière fallacieuse. Les erreurs sont à la hauteur de leur puissance car elles sont fondamentalement étrangères au sens. On pourrait dire de manière schématique qu’elles n’opèrent leurs calculs que sur le signifiant (les chaines de caractères ou de phonèmes) sans les articuler au signifié, contrairement à nous les humains pour qui le signe a deux faces et donc un sens. L’IA repose sur des méthodes mathématiques et une ingénierie statistique de corrélations, qui doit être insérée dans des cadres interprétatifs humains. On doit s’en servir donc avant tout comme un équipier supplémentaire, aux compétences différentes grâce à sa puissance de calcul.
Les LLM donnent l’impression d’être des intelligences humaines (…). Mais on échange avec une machine. Il ne faut ni la déprécier, ni la fantasmer. Les IA ont une propension à reconstruire le réel pour lui donner de la cohérence, parfois de manière fallacieuse. Les erreurs sont à la hauteur de leur puissance car elles sont fondamentalement étrangères au sens.
Comment éviter ces écueils ?
Chez Think-Out, nous avons développé des bibliothèques de prompts très précises pour garantir la fidélité des citations et des verbatims. Le niveau d’expertise des utilisateurs est déterminant. Je me méfie d’un usage « presse-bouton ». Il faut rester fidèle à l’esprit collégial des études qualitatives : un travail d’équipe, enrichi par l’interaction avec une ou plusieurs IA.
Il faut aussi être capable de penser contre soi, mais également contre la machine, et de la faire penser contre elle-même. Je lui demande souvent de critiquer ses propres résultats. Et il n’est pas inintéressant de faire dialoguer différentes IA entre elles. Enfin, l’IA est profondément doxale : elle tend à recycler l’opinion dominante puisqu’elle est fondée sur fondée sur des corpus massifs et sur des mécanismes d’alignement. Il est donc utile de commencer par identifier cette doxa pour pouvoir ensuite la dépasser. Sans un usage circonspect et maitrisé, il y a risque à aplatir le message et l’analyse.
Il faut aussi être capable de penser contre soi, mais également contre la machine, et de la faire penser contre elle-même. Je lui demande souvent de critiquer ses propres résultats. Et il n’est pas inintéressant de faire dialoguer différentes IA entre elles.
Côté annonceurs, que retenez-vous de leurs réactions ?
Certains imaginent que l’IA va d’abord permettre de faire plus vite et moins cher. Ce n’est pas ma lecture. Je vois plutôt l’IA comme une opportunité de requalifier un métier qui a perdu en valeur, en profondeur et en finesse d’analyse. Le gain partiel de productivité peut être réinvesti au profit de la qualité intellectuelle des études. De purs automates textuels qui viseraient à incarner une persona qu’on pourrait interroger sans fin et à moindre coût me paraissent conduire à une impasse pleine de banalités, de redondance et de tautologie.
L’IA peut aussi enrichir, on l’a dit, la restitution : images, textes, vidéos, formes plus vivantes de transmission des enseignements. De ce point de vue, les annonceurs sont curieux et en phase d’expérimentation.
Voyez-vous d’autres usages particulièrement prometteurs pour eux ?
La capacité à compiler les études dans le temps est essentielle. C’est là que la notion de RAG prend tout son sens. Chaque entreprise pourra se constituer son propre socle de connaissances, y compris qualitatives. Et c’est précisément là que les instituts peuvent apporter une forte valeur : les aider à structurer cette matière, l’interroger, lui donner sens dans la durée. C’est donc une source majeure d’innovation conceptuelle pour les entreprises.
POUR ACTION
• Echanger avec l’interviewé(e): @ Jean-Maxence Granier
