Il y a près de six mois, Laurent Florès publiait sur Market Research News une tribune défendant l’idée que l’intelligence artificielle ne constituerait pas une simple évolution des études marketing, mais bien une rupture méthodologique majeure. À l’époque, cette vision pouvait encore apparaître comme largement prospective.
Il revient aujourd’hui pour partager sa lecture des évolutions désormais à l’œuvre. À travers des cas concrets et une grille de lecture plus large, il explore ainsi les transformations du rapport entre intuition, études et décision — mais aussi, plus fondamentalement, celles de la place et du rôle mêmes du market research au sein des organisations.
LA NOUVELLE TRIBUNE DE LAURENT FLORÈS, UNIVERSITÉ PARIS ASSAS & FLASHINSIGHT
En décembre 2025, je posais une thèse dans ces colonnes : l’intelligence artificielle ne ferait pas évoluer les études marketing, elle les transformerait en profondeur — au point de constituer une cinquième génération méthodologique, irréductible aux précédentes.
Qualtrics avançait dès 2024 que 70% des études comporteraient une composante synthétique dans les trois ans. Beaucoup y voyaient une prophétie de vendeur de logiciels.
Dix-huit mois ont passé. Je ne dis pas que nous y sommes. Mais je dis que nous y arrivons. Et les signaux ne viennent plus seulement des vendeurs.
Une scène que tout chercheur expérimenté connaît
Voici une situation que m’a décrite ce mois-ci une senior insights leader d’un grand groupe alimentaire.
Vous entrez dans une réunion. On vous présente un nouveau concept. En quelques minutes, votre instinct professionnel — construit sur des années de tests, de verbatims lus, de consommateurs observés — vous dit que ça ne va pas marcher. La promesse est décalée. Le prix ne passera pas. Le bénéfice n’est pas crédible. Mais vous n’avez rien sur la table. Pas de données. Pas de KPI. Juste votre expérience.
Alors vous faites ce que fait tout chercheur aguerri : vous signalez le risque. Poliment. Vous demandez un test. Et le projet continue pendant des mois — avant qu’une étude quanti complète confirme ce que vous saviez déjà au premier jour.
Ses mots exacts : « C’est précisément là où une lecture rapide sur les KPIs que tout le monde regarde déjà, à la fois quali et quanti, serait incroyablement utile. Et c’est exactement ce que vous proposez avec FlashInsight »
Ce que cette phrase dit, ce n’est pas que les études synthétiques vont remplacer quoi que ce soit. C’est qu’elles donnent enfin à l’intuition professionnelle les preuves qu’elle mérite — au bon moment, dans un langage que l’organisation comprend déjà. Les équipes insight n’ont pas besoin de plus de données. Elles ont besoin de meilleures réponses aux bonnes questions, au bon moment — des inputs qui alimentent un meilleur débat interne.
C’est là, selon moi, que quelque chose a basculé.
De la prophétie au constat de marché
En décembre dernier, je proposais une grille de lecture en quatre types d’usage de l’IA pour les études. Assister les pratiques existantes. Les remplacer, les augmenter par des données synthétiques. Combler les zones non couvertes. Et simuler de nouveaux types de signaux décisionnels.
À l’époque, les types 1 et 2 — automatisation et test synthétique de substitution — concentraient l’essentiel du débat. Pendant que la profession débattait, les types 3 et 4 sont devenus concrets.
Le quali à grande échelle, d’abord. Des acteurs comme Listen Labs (69 millions de dollars levés en janvier 2026), Outset AI ou Conveo en Europe ont rendu possible ce qui était inimaginable économiquement il y a deux ans : des dizaines de foyers ethnographiés en quelques jours, pour une fraction du coût d’une étude traditionnelle. Le qualitatif n’a pas été remplacé. Il a été libéré de ses contraintes économiques, temporelles et géographiques. C’est fondamentalement différent.
La simulation décisionnelle, ensuite. Aaru, fondée en 2024 par trois adolescents et valorisée à environ un milliard de dollars lors de sa Série A, utilise des milliers d’agents IA pour modéliser comment différentes audiences répondent à des produits, des prix ou des messages. Ses clients incluent EY, McDonald’s, Bayer et Accenture. Ce qui est révélateur, ce n’est pas la valorisation — c’est qui achète. Aaru ne vend pas aux directions des études. Elle vend aux directions générales et aux consultants. Les décisions stratégiques commencent à se prendre sans passer par les instituts traditionnels. C’est un signal que la profession ne peut pas ignorer.
Du côté des acteurs historiques, le mouvement est également documenté. Kantar a développé ses offres de test IA en Europe comme aux États-Unis. NIQ et Reckitt ont publié en avril 2026 des résultats concrets sur leurs outils de screening de concepts. Le Chief Insights Officer de Reckitt résume avec une formule juste : « AI is helping us do what we’ve always wanted — to learn early, fail fast, and optimize quickly. »
La formule est bien choisie. Ce n’est pas la vitesse qui est l’innovation. C’est ce que la vitesse rend possible : tester trente hypothèses au lieu de trois. Explorer avant d’engager. Passer d’une logique de rareté à une logique d’abondance expérimentale
Ce que ça change pour le métier — vraiment
Il est tentant de résumer cette évolution à une question d’efficacité opérationnelle. Ce serait passer à côté de l’essentiel.
Ce qui change, c’est le rapport entre mesure et décision.
Pendant des décennies, le market research a rempli une fonction : mesurer ce qui existe pour aider à décider. Cette fonction reste légitime et irremplaçable pour les décisions qui engagent des investissements significatifs. La rigueur statistique, la représentativité, la longitudinalité ne sont pas des exigences que l’IA dissout.
Mais à côté de cette fonction de mesure, une autre pratique — ancienne dans son principe, mais transformée dans son économie — prend une place nouvelle : la simulation. Modèles conjoints, scénarios économétriques, approches agent-based : la profession sait simuler depuis longtemps. Ce qui change, c’est le coût marginal. Ce qui exigeait des semaines de terrain et des budgets significatifs s’obtient désormais en quelques heures, ouvrant la possibilité d’explorer avant d’engager, de qualifier une intuition avant que le projet ne prenne de la vitesse. Tester une tendance repérée — une tendance culinaire américaine dont on se demande si elle a du sens sur le marché français — en ayant en main, en moins d’une heure, un premier ensemble d’indicateurs structurés, des verbatims, et une lecture psychographique des profils réceptifs. Non pas pour remplacer une étude terrain, mais pour entrer dans la réunion avec quelque chose d’autre qu’une seule “intuition”. Pour démarrer un meilleur débat.
Ces deux logiques — mesure et simulation — ne s’opposent pas. Elles se complètent, à condition de ne pas les confondre. Et c’est précisément là que réside le vrai défi méthodologique de la période à venir.
Les conditions du progrès — et les erreurs à éviter
J’ai passé les dix-huit derniers mois à expérimenter ces approches, notamment via FlashInsight, la solution de tests synthétiques que je développe. Ces expériences m’ont confirmé ce que la littérature académique récente documente : le remplacement total n’est pas la voie. La variance des panels synthétiques est mécaniquement compressée. Les comportements rares, les réactions multi-sensorielles, l’élasticité-prix réelle sont des dimensions où le synthétique a du mal à véritablement se substituer au réel.
La règle pratique qui se dégage est simple : travailler sur les écarts relatifs — quel concept gagne face à un autre — plutôt que sur les niveaux absolus de score. Calibrer systématiquement sur des données réelles disponibles. Versionner les protocoles comme on versionne les questionnaires.
Ce n’est pas l’IA qui produit de “bons résultats”. C’est la rigueur du protocole qui l’encadre.
Plutôt que de continuer à débattre pour savoir si ça marche ou si ça ne marche pas, il est temps que la profession passe du temps sur les protocoles d’études synthétiques validés. C’est là que le progrès collectif se construit.
Ce que j’observe chez les acteurs du marché
La bifurcation que j’annonçais en décembre se précise. D’un côté, les acteurs qui ont intégré l’IA comme levier de transformation de leur chaîne de valeur, en conservant leur expertise méthodologique comme actif central. C’est le modèle de l’augmentation gouvernée.
De l’autre, les nouveaux entrants qui construisent une nouvelle infrastructure décisionnelle — souvent à destination des donneurs d’ordres directs plutôt que des instituts intermédiaires.
Pour les sociétés d’études, la question n’est plus de savoir si l’IA va transformer leur métier. Elle est de savoir de quel côté de cette bifurcation elles veulent se trouver. La bonne nouvelle : celles qui maîtrisent à la fois la méthode et la technologie auront un avantage décisif. Ce n’est pas seulement une question de budget. C’est aussi une question de posture. Connaître son métier et ne pas maîtriser la technologie, ou maîtriser la technologie sans ancrage méthodologique solide — les deux sont insuffisants. C’est la conjonction des deux qui fait la force. C’est tout à fait accessible — mais il faut rester lucide : le budget devient lui aussi un facteur de plus en plus structurant. La valeur marginale de la technologie pure baisse rapidement ; ce qui fait la différence, c’est la capacité à marier méthode, métier et techno. C’est là que se joue l’avantage compétitif des prochaines années.
En guise de conclusion
Je n’affirme pas que la révolution est accomplie. Je dis qu’elle est en cours. La prédiction Qualtrics de 2024 — 70% des études avec une composante synthétique dans trois ans — semblait improbable il y a dix-huit mois. Aujourd’hui, elle me semble en bonne voie.
La question n’est plus si le synthétique va prendre sa place dans le processus de recherche. Elle est comment l’encadrer pour qu’il serve vraiment la décision.
On vit une période formidable pour notre métier. Il y a plein de bonnes nouvelles — il faut savoir où regarder, et accepter de remettre en question quelques certitudes.
Les équipes insight qui s’en sortiront le mieux ne seront pas celles qui auront le plus vite adopté l’IA, ni celles qui l’auront le plus longtemps tenue à distance. Ce seront celles qui auront su, à chaque étape, garder la méthode au centre — et faire de la technologie un levier de meilleures décisions, pas un substitut au débat.
Le reste — les protocoles, les calibrations, les retours d’expérience — se construira collectivement, dans les colonnes de MRNews.fr et ailleurs. La conversation ne fait que commencer.
***
Laurent Florès est professeur à l’Université Paris-Panthéon-Assas, créateur de FlashInsight, solution de tests synthétiques. Il conduit des recherches sur les méthodologies IA en market research et anime des formations pour les professionnels du secteur.
Sources principales : TechCrunch (Aaru Série A), NIQ × Reckitt avril 2026, Listen Labs Série B janvier 2026, HBR/GBK Collective Survey 2025
POUR ACTION
• Echanger avec l’interviewé(e) : @ Laurent Florès
