L’intelligence artificielle s’impose dans les études qualitatives, jusque dans la modération. Mais que change-t-elle réellement ? Permet-elle d’aller plus loin, ou fait-elle courir le risque d’un appauvrissement des insights ?
Pour un acteur comme Ipsos bva, dont l’histoire est étroitement liée à la rigueur des approches qualitatives, la question est centrale. Faut-il s’en tenir aux méthodes éprouvées, ou explorer ces nouvelles possibilités ?
En menant un travail d’expérimentation approfondi, les équipes d’Ipsos ont fait le choix de tester pour comprendre — et formaliser ainsi une approche spécifique, QualFusion. Quelles pistes cela ouvre-t-il concrètement ? Quels bénéfices pour les annonceurs ? Et selon quelles conditions l’IA peut-elle enrichir — plutôt que fragiliser — la pratique du qualitatif ? Anne-France Allali, Directrice générale déléguée d’Ipsos bva en France, revient sur les enseignements tirés de cette démarche.
MRNews : Intégrer l’IA dans la pratique des études qualitatives est une voie qu’empruntent beaucoup d’instituts aujourd’hui. La pertinence de l’usage de l’IA en tant que modérateur fait partie des questions clés. Comment l’avez-vous abordée ?
Anne-France Allali (Ipsos bva) : Aujourd’hui, la question n’est plus de savoir s’il faut utiliser l’IA dans les études qualitatives. Elle est déjà largement présente. L’enjeu est plutôt de comprendre comment en faire un usage qui crée réellement de la valeur et qui permette d’éclairer les décisions.
C’est dans cette logique que nous avons traité le sujet chez Ipsos, avec un cheminement extrêmement rigoureux, voire scientifique. Très tôt, nous avons considéré qu’il ne fallait pas se contenter d’expérimentations ponctuelles mais travailler en mode « research on research ». Concrètement, cela s’est traduit par plus d’une centaine d’expérimentations, sur des sujets, des secteurs et des pays très variés.
Très tôt, nous avons considéré qu’il ne fallait pas se contenter d’expérimentations ponctuelles mais travailler en mode « research on research ». Concrètement, cela s’est traduit par plus d’une centaine d’expérimentations, sur des sujets, des secteurs et des pays très variés.
L’objectif était triple. D’abord, évaluer précisément la performance de l’IA en tant que modérateur, en identifiant ses forces et ses limites. Ensuite, déterminer les cas d’usage les plus pertinents. Enfin, comprendre comment faire évoluer les modèles eux-mêmes. Nous avons mené des tests comparatifs entre modération humaine et modération IA, puis des approches hybrides, ainsi que des évaluations à l’aveugle par des experts. Cette démarche nous a ainsi permis de construire une vision solide et opérationnelle.
À l’issue de ce chantier, quelle est votre vision des avantages et des limites de l’usage de l’IA dans les études qualitatives, avec ce rôle de modérateur ?
Les avantages sont réels et déjà bien identifiés. Le premier est la capacité à mener un grand nombre d’entretiens simultanément, dans des délais courts et avec des budgets maîtrisés. Cela change radicalement l’échelle du qualitatif. Le deuxième avantage, plus inattendu, concerne l’engagement des répondants. Une IA bien entraînée donne le sentiment d’une forme d’écoute, notamment grâce à sa capacité à réutiliser les éléments du discours. Enfin, il y a un gain décisif en termes de contexte : on peut interroger les individus au moment même de l’expérience, dans leur environnement réel.
Mais ces bénéfices ont leurs limites. La première est la fragilité de la relation de confiance. L’IA ne parvient pas à créer ce lien qui permet aux individus de se livrer pleinement. La deuxième tient à sa faible capacité d’improvisation : elle a du mal à rebondir face à l’inattendu. La troisième limite concerne la difficulté à capter les signaux faibles, tout ce qui relève du non-verbal ou des nuances. Enfin, la compréhension culturelle reste imparfaite. Ces limites ont des implications directes sur le business : on peut passer à côté d’un insight clé ou standardiser les résultats.
On observe d’ailleurs que le marché entre aujourd’hui dans une forme de maturité, avec des attentes plus fortes sur la robustesse méthodologique, la transparence des modèles et la qualité des résultats.
Le marché entre aujourd’hui dans une forme de maturité, avec des attentes plus fortes sur la robustesse méthodologique, la transparence des modèles et la qualité des résultats.
Cette réflexion vous a conduit à élaborer une approche spécifique, « QualFusion ». Quel en est le principe ?
QualFusion repose sur une idée simple : l’IA ne remplace pas l’humain, elle l’amplifie. Le modèle combine ainsi modération IA et expertise qualitative humaine. Il s’appuie sur un socle très solide, puisque nous pouvons mobiliser nos équipes de modérateurs, présentes dans plus de 80 pays, mais aussi toutes nos approches issues des sciences humaines et sociales.
Un point clé est que l’IA est entraînée sur nos modèles propriétaires, comme Censydiam, mais aussi sur l’ensemble des connaissances accumulées par Ipsos : nos données sectorielles, les études passées, des insights quantitatifs, mais aussi des approches de compréhension des motivations, des émotions et des comportements. Elle ne part jamais de zéro. Cela lui permet d’être beaucoup plus pertinente qu’une IA générique.
Le modèle combine ainsi modération IA et expertise qualitative humaine. Il s’appuie sur un socle très solide, puisque nous pouvons mobiliser nos équipes de modérateurs, présentes dans plus de 80 pays, mais aussi toutes nos approches issues des sciences humaines et sociales.
En pratique, comment fonctionne ce modèle ? Comment paramétrez-vous le mix entre IA et humain ?
Le processus commence systématiquement par une phase d’exploration humaine. Nous réalisons un nombre limité d’entretiens, qui permettent d’identifier les premiers insights et les axes d’analyse. Cette étape est essentielle pour cadrer le dispositif.
Ensuite, l’expert qualitatif entraîne l’IA : il lui transmet les données pertinentes, les protocoles, et surtout les logiques de rebond adaptées au sujet. Une fois ce travail réalisé, nous déployons à grande échelle, avec la possibilité de mener des centaines d’entretiens simultanément. Les formats sont flexibles, cela peut être du texte, de la voix ou de la vidéo, selon le choix du répondant.
Il n’existe pas de recette universelle. Le bon équilibre entre IA et humain doit être défini au cas par cas. Cela dépend en particulier de la nature du sujet, de sa complexité, et aussi du niveau de profondeur attendu.
Quels sont les cas où cette approche produit les meilleurs résultats ?
Nous identifions trois grands cas d’usage particulièrement pertinents. Le premier est le qualitatif contextuel en temps réel. La possibilité de recueillir des réactions à chaud, dans le moment et le lieu de l’expérience, ouvre des perspectives inédites. Concrètement, cela permet par exemple d’interroger une consommatrice au moment où elle applique une crème dans sa salle de bain, un client en train de faire ses courses en magasin, ou encore un utilisateur juste après avoir testé un service. On ne reconstruit plus l’expérience a posteriori : on la capte au moment où elle se produit, avec tout ce qu’elle comporte de spontanéité, de détails et d’émotions. C’est là que l’on accède à des insights que l’on aurait difficilement obtenus autrement.
Le premier grand cas d’usage que nous identifions est le qualitatif contextuel en temps réel. La possibilité de recueillir des réactions à chaud, dans le moment et le lieu de l’expérience, ouvre des perspectives inédites (…). On ne reconstruit plus l’expérience a posteriori : on la capte au moment où elle se produit, avec tout ce qu’elle comporte de spontanéité, de détails et d’émotions. C’est là que l’on accède à des insights que l’on aurait difficilement obtenus autrement.
Le deuxième concerne les validations internationales rapides. Il devient possible de tester un concept ou une campagne sur plusieurs marchés en quelques jours, avec une cohérence méthodologique forte.
Enfin, le troisième cas d’usage est le deep dive adossé au quantitatif. On peut enrichir immédiatement un questionnaire quanti par une exploration qualitative à grande échelle, pour comprendre les mécanismes sous-jacents.
À l’inverse, dans quels cas privilégier des approches plus traditionnelles ?
Dès que l’on est sur des sujets très stratégiques, qui nécessitent une forte profondeur d’analyse ou des entretiens longs, l’approche classique reste préférable. C’est notamment le cas pour l’exploration des besoins, l’image de marque ou l’inspiration créative.
Elle reste également incontournable lorsqu’il s’agit de comprendre des dynamiques de groupe. La modération collective permet de saisir des interactions, des effets d’influence, des jeux de positionnement entre individus que l’IA ne sait pas encore capter. Sur ce terrain, l’humain reste clairement irremplaçable.
Mais il y a un mouvement paradoxal. Pendant longtemps, pour des raisons de coûts et de délais, les études qualitatives ont souvent privilégié les réunions de groupe, alors même que l’entretien individuel était, d’un point de vue méthodologique, souvent plus pertinent. L’IA change la donne : elle permet de conduire un grand nombre d’entretiens individuels, dans des conditions maîtrisées. Elle redonne ainsi toute sa place à ce format, qui permet d’aller plus loin dans l’expression personnelle et dans la compréhension des logiques individuelles.
L’IA (…) permet de conduire un grand nombre d’entretiens individuels, dans des conditions maîtrisées. Elle redonne ainsi toute sa place à ce format, qui permet d’aller plus loin dans l’expression personnelle et dans la compréhension des logiques individuelles.
Le développement de cette approche QualFusion a-t-il remis en cause certaines convictions ? Quelles ont été les principales surprises ?
La première surprise concerne l’expérience répondant. Elle est plus engageante qu’on ne l’imaginait, du moins sur des formats courts. La deuxième tient aux sujets sensibles : dans certains cas, l’IA facilite la parole, ce qui peut sembler contre-intuitif.
Plus largement, la diversité des usages est en soi une surprise. Nous découvrons progressivement de nouveaux territoires d’application.
C’est aussi ce qui nous amène à considérer que la combinaison entre IA et expertise humaine ouvre des perspectives particulièrement enthousiasmantes pour les études qualitatives.
Et surtout, cette évolution redonne au qualitatif une place centrale dans la décision, en le rendant plus rapide et plus scalable.
Cette évolution redonne au qualitatif une place centrale dans la décision, en le rendant plus rapide et plus scalable
Cette approche a-t-elle été largement déployée ? Quels retours observez-vous côté annonceurs ?
Nous avons aujourd’hui près de 80 projets réalisés ou en cours, représentant environ 12 000 entretiens. Les retours sont très positifs, notamment sur la vitesse d’exécution, la capacité à travailler en multi-pays et l’optimisation des coûts.
Mais il est important de souligner que les clients ne perçoivent pas cela comme un remplacement des approches traditionnelles. Il s’agit plutôt d’une extension du champ des possibles, qui permet d’explorer de nouveaux territoires d’études.
Les clients ne perçoivent pas (cette démarche) comme un remplacement des approches traditionnelles. Il s’agit plutôt d’une extension du champ des possibles, qui permet d’explorer de nouveaux territoires d’études.
Voyez-vous d’autres points importants à ajouter ?
Je tiens à souligner que la modération ne fait pas tout. Une étude qualitative repose sur un triptyque : la qualité des répondants, la qualité de la modération et celle de l’analyse. L’IA ne concerne qu’une partie de cet ensemble.
Par ailleurs, les enjeux de confiance, de transparence et de sécurité des données vont devenir centraux. Ce seront des facteurs clés de différenciation. Enfin, l’IA transforme le rôle des experts : elle les libère de certaines tâches pour leur permettre de se concentrer davantage sur l’interprétation et la stratégie. C’est une évolution majeure pour le métier.
POUR ACTION
• Echanger avec l’interviewé(e) : @ Anne-France Allali
