Market Research News ouvre une nouvelle rubrique, Carte Blanche. Le principe : donner régulièrement la parole à des personnalités de l’univers des études et des insights, en leur offrant un espace d’expression libre, propice aux partis pris, aux idées qui bousculent et, pourquoi pas, au débat.
Pour inaugurer cette rubrique, nous avons proposé à Laurent Florès, entrepreneur et ancien président mondial d’ESOMAR, de partager chaque mois son regard sur l’IA et les transformations qu’elle entraîne dans nos métiers. Avec son goût pour les idées qui n’hésitent pas à déranger, il questionnera les idées reçues, commentera des chiffres, partagera ses découvertes ou lancera des hypothèses à discuter.
Premier sujet : un répondant synthétique est-il nécessairement un faux répondant ? Le débat est lancé !
LA CHRONIQUE DE LAURENT FLORES
IA-CONOCLASTE #1
« Vos répondants synthétiques, ils sont réalistes ? » C’est la première question qu’on me pose à chaque démo. Elle est légitime. Elle est aussi, de plus en plus, la mauvaise… je crois.
Derrière elle se cache une idée reçue tenace : un répondant synthétique serait un « faux » répondant — une sorte d’imposteur numérique qui prétend être un vrai consommateur et qu’on démasque dès qu’on le met à l’épreuve (assez paradoxalement d’ailleurs, personne ou presque ne se pose la même question sur la qualité des répondants des panels online).
Une idée reçue, oui. Mais mal posée.
Ce que c’est — et ce que ce n’est pas. Un répondant synthétique n’essaie pas d’être Sophie, 34 ans, cadre à Lyon. Il ne prétend pas restituer une personne réelle, avec sa mémoire, ses contradictions et son vécu.
Tel que je l’entends ici, c’est un modèle de répondant calibré à partir de données décrivant une population réelle.
Il reproduit des régularités d’ensemble : des ordres de préférence, des écarts entre segments, des orientations. Pas une vérité individuelle. Une structure.
L’analogie n’est pas le sosie (le fameux “twin” ou jumeau), c’est plutôt le “simulateur de vol” : on ne lui demande pas d’être un vrai avion ; on lui demande de reproduire assez fidèlement certaines lois de la physique pour s’entraîner, tester, se tromper — avant le vrai décollage.
Cette distinction prolonge la réflexion engagée dans ma première tribune pour MRNews, « Études marketing et IA : la cinquième génération ne sera pas une évolution, mais une révolution » : l’IA n’appelle pas seulement de nouveaux outils, mais de nouvelles méthodes.
« Réaliste » ne suffit pas — et ce n’est pas le sujet.
Depuis deux ans, le secteur court après le même mirage : des personas “plus réalistes”. Comme si le réalisme transformait, à lui seul, une simulation en preuve.
Ce n’est pas le cas. Un persona peut être vivant, cohérent, plausible — et se tromper précisément là où la décision se joue : des réponses trop propres, trop uniformes, des profils qui approuvent tout, des verbatims transformés en carrousels LinkedIn.
Des travaux récents le suggèrent : les simulateurs laissés à leurs réglages par défaut sont trop coopératifs, trop constants, trop bavards. Et le fait de les conditionner sur des attributs démographiques peut déplacer l’erreur vers des sous-groupes sous-représentés — ceux qui sont souvent au cœur de nos segmentations.
Une faille majeure n’est donc pas la « fausseté » du répondant, mais la sous-dispersion : les simulations tendent à se disperser moins que les vrais gens — une toute récente étude de Columbia l’observe sur des jumeaux numériques individuels, dans 154 mesures sur 164. J’y reviens dans « Personas synthétiques : peuvent-ils remplacer les répondants ? ».
Ce qui fait la valeur d’un répondant synthétique, ce n’est pas qu’il soit crédible. C’est qu’il ait été mis à l’épreuve.
L’idée vraie : un instrument calibré, soumis à des stress tests.
Un bon répondant synthétique n’est pas un « faux humain ». C’est un instrument dont on a mesuré la fidélité par rapport à des populations de référence et que l’on soumet à des stress tests : variations de formulation, profils conçus pour le mettre en défaut, vérifications par sous-groupe, confrontation à un signal réel.
Une réponse qui résiste à ces tests peut éclairer la décision ; sinon, elle reste une hypothèse — utile, mais pas une preuve.
Le synthétique est particulièrement utile pour explorer, tester en amont, comparer et reformuler, à l’échelle d’une population et avant le lancement d’une étude complète. Il ne restitue pas le vécu ; cette frontière-là, le chercheur doit savoir où elle passe et ne pas la franchir sans un humain de l’autre côté.
C’est précisément le type d’usage que je décrivais dans ma deuxième tribune dans MRNews, « Études marketing et IA : 18 mois plus tard, la révolution est en train d’arriver » : non pas remplacer une étude terrain, mais donner à l’intuition professionnelle un point d’appui, au bon moment, pour mieux décider.
À retenir.
- Un répondant synthétique n’imite pas une personne : il modélise des régularités observées à l’échelle d’une population.
- La bonne question n’est pas « est-il réaliste ? » mais : « quels stress tests lui avons-nous fait passer ? »
- Un outil d’orientation, pas un verdict : le synthétique propose, le terrain tranche.
La question ouverte.
La prochaine fois qu’on vous présente des personas « ultra-réalistes », demandez : montrez-moi la population de référence, l’échantillon de comparaison, la version du modèle — et les stress tests auxquels ils ont été soumis.
Sinon, vous achetez du récit, pas un éclairage fiable.
Et vous : qu’en pensez-vous ?
Et quelle « idée fausse » aimeriez-vous voir démontée ces prochains mois ?
Dites-le-moi, on en parle bientôt.
POUR ACTION
• Echanger avec l’auteur : @ Laurent Florès
• Participer au débat sur LinkedIn
