L’intelligence artificielle est sur toutes les lèvres dans l’univers des études marketing. Mais l’adoption de nouveaux outils signifie-t-elle pour autant que le métier se transforme en profondeur ? Et comment distinguer les gains de productivité d’une véritable transformation des pratiques, des organisations et des compétences ?
Pour ce troisième rendez-vous d’IA-conoclaste, sa chronique invitée sur MRNews, Laurent Florès, entrepreneur et ancien président mondial d’ESOMAR, nous invite à questionner ce que recouvre réellement la transformation annoncée des études marketing.
LA CHRONIQUE DE LAURENT FLORÈS
IA-CONOCLASTE #3
En mai, j’écrivais ici même que la révolution des études était « en train d’arriver ». Je citais Listen Labs et ses 69 millions de dollars levés en janvier. Quelques mois plus tard, Salesforce l’a racheté. Et dans une enquête récente, 98 % des professionnels interrogés pensent que l’IA transformera profondément le métier d’ici deux ans.
Alors, c’est fait ? Pas si vite. Après le « faux répondant » et le fameux « 85 % », voici la troisième grande confusion : prendre l’adoption pour la transformation.
Adopter un outil n’est pas transformer un métier.
Un outil n’est pas encore un métier
On peut disposer d’un outil sans l’utiliser. L’utiliser sans changer sa façon de travailler. Changer une tâche sans toucher au processus. Et changer un processus sans transformer durablement un métier.
La vraie séquence est plus longue qu’on ne le croit :
adoption → usage → appropriation → réorganisation du processus → transformation
Et elle n’a rien d’automatique. Une équipe peut tester un outil, gagner du temps sur un projet, puis revenir à ses habitudes. Elle peut aussi automatiser une tâche sans savoir qui contrôle désormais le résultat.
Préparer un guide d’entretien, retrouver des études passées, structurer des verbatims, produire une première synthèse, explorer des hypothèses : tout cela peut aller plus vite. La question n’est pas de savoir si c’est utile. Elle est de savoir ce qui se passe autour.
Qui vérifie ? Qui comprend l’erreur ? Qui garde la trace du raisonnement ? Qui signe la recommandation ?
Ce que la recherche montre vraiment
Les meilleures études disponibles sont instructives… et plus modestes qu’on ne le dit.
Erik Brynjolfsson et ses collègues ont suivi 5 179 agents de support client équipés d’un assistant d’IA générative. Résultat : 14 % de demandes traitées en plus par heure en moyenne, 34 % pour les débutants… et presque rien pour les plus expérimentés.
Chez Procter & Gamble, une expérience menée auprès de 776 professionnels, sur de vrais projets d’innovation, montre qu’une personne seule assistée par l’IA fait aussi bien qu’une équipe de deux sans IA. Et que les silos s’effacent : avec l’IA, profils R&D et profils commerciaux proposent des solutions plus équilibrées.
Ce n’est pas un hasard si le patron de P&G, Shailesh Jejurikar, pose la question sans détour dans le New York Times : « J’ai une personne marque et une personne études. Ai-je besoin des deux si l’IA générative peut vraiment produire une bonne partie des méthodes statistiques de base ? » (je traduis).
La question est légitime. Elle ne prouve ni la disparition des équipes études, ni une baisse des effectifs. Elle montre que l’IA rend visibles les recouvrements entre fonctions — et déplace le débat de la production de l’information vers la responsabilité de son interprétation.
Une synthèse plus claire ne dit pas que la question était la bonne. Trente hypothèses au lieu de trois ne disent pas qu’elles sont assez solides pour engager une décision.
La performance locale n’est pas encore la transformation du métier.
Le paradoxe des 98 %
Dans une interview publiée ici même en octobre, Christine Antoine-Simonet (Danone, Insights Hub) et Anne Myon (Syntec Conseil) présentaient une étude sur la valeur des études : vingt entretiens, puis une enquête auprès de 124 professionnels, annonceurs et instituts. Elle ne se veut pas représentative. Mais deux chiffres, mis côte à côte, disent beaucoup.
98 % des répondants pensent que l’IA transformera profondément le métier d’ici deux ans.
Un seul, sur 124, déclare mesurer de façon systématique le retour sur investissement de ses études.
Voilà le paradoxe. Tout le monde voit arriver la transformation. Presque personne ne mesure la valeur qu’elle est censée transformer. Comment saurons-nous que l’IA a changé quelque chose, si nous ne savons pas dire ce que nos études font bouger aujourd’hui ?
Christine Antoine-Simonet le dit très bien : notre valeur « ne peut plus se mesurer seulement à ce que nous produisons ». Elle tient aussi à notre capacité à influencer les décisions.
Le vrai basculement : le processus… et la preuve
La transformation commence quand l’IA n’ajoute plus une étape au travail existant, mais oblige à redessiner le parcours de l’étude. Brief, terrain, analyse, rapport : l’étude était un projet. Elle peut devenir une boucle — formuler, tester, comparer, corriger, puis décider.
Le rachat de Listen Labs par Salesforce en est l’illustration la plus nette. Comme je l’écrivais il y a quelques jours dans Research World, le magazine d’ESOMAR, le sujet n’est pas le prix. C’est ce qui se passe quand une entreprise peut commander une étude, la relier à ses données clients et en partager les résultats avec ses décideurs, sur une seule et même plateforme. L’étude cesse alors d’être un service que l’on briefe et que l’on achète. Elle devient une fonctionnalité du logiciel.
C’est la bifurcation que je décrivais en mai : d’un côté, l’augmentation gouvernée ; de l’autre, une nouvelle infrastructure de décision, vendue directement aux donneurs d’ordres. Elle prend forme.
Mais plus la preuve se rapproche de la décision, plus sa provenance compte. Chaque résultat devrait dire clairement ce qui a été :
- observé auprès de personnes ;
- inféré par un modèle ;
- simulé ;
- vérifié par un chercheur.
C’est la règle que nous nous appliquons sur notre page Preuves.
Sans cette distinction, nous ne modernisons pas les études : nous industrialisons le risque de prendre une hypothèse pour un fait.
Ma première chronique rappelait qu’un répondant synthétique vaut par sa calibration, pas par son réalisme. La deuxième, qu’un chiffre vaut par ce qu’il mesure. La troisième question est celle de l’organisation : à quel moment du processus une sortie intervient-elle, et qui a le droit de la contester ? Notre cadre d’usage y répond pour nous : le synthétique sert l’exploration et la décision en amont ; il ne dispense jamais de valider.
Le paradoxe des juniors
Les tâches que l’IA accélère sont souvent celles par lesquelles on apprend le métier : coder des verbatims, vérifier des quotas, écouter des entretiens, comprendre pourquoi une réponse est fragile. Peu spectaculaire, mais c’est là que se forge le jugement.
L’étude sur le support client le montre à sa manière : ce sont les débutants qui gagnent le plus. Ils vont plus vite, et apprennent sans doute plus vite. Mais apprendre à aller vite n’est pas apprendre à douter. Sauront-ils repérer une réponse trop propre, une dispersion insuffisante, une conclusion qui dépasse les données ?
La question n’est donc pas seulement : combien de tâches l’IA peut-elle automatiser ? C’est aussi : quelles situations d’apprentissage remplacent celles qui disparaissent ?
Alors, le métier est-il déjà transformé ?
Pas encore. Mais ce n’est plus une hypothèse lointaine.
Les changements sont réels : des tâches accélérées, une exploration moins chère, des scénarios simulés, des études qui entrent dans les systèmes de décision. Mais pour parler de transformation, il faudra voir changer durablement :
- les processus et les responsabilités ;
- les compétences et les parcours d’apprentissage ;
- la relation entre annonceurs et instituts ;
- la qualité des décisions, et la valeur que les organisations reconnaissent aux études.
Si la réponse se limite à une licence, un pilote ou une promesse de plateforme, nous parlons d’adoption. Si les rôles, les contrôles et les décisions changent, alors seulement nous pourrons parler de transformation.
En mai, j’écrivais que les équipes qui s’en sortiraient le mieux seraient celles qui sauraient « garder la méthode au centre ». Je le maintiens. Et les mots aussi doivent rester au centre — calibration, validation, persona : le glossaire est là pour ça.
La question n’est plus : « L’IA fonctionne-t-elle ? »
La question est : qu’avons-nous changé autour d’elle ?
Et vous, dans votre organisation : adoption ou transformation ? Dites-le-moi !
***
Pour aller plus loin
- IA-conoclaste #1 : « Un répondant synthétique, un faux répondant ? »
- IA-conoclaste #2 : « Les personas synthétiques reproduisent 85 % des réponses humaines… Vraiment ? »
- « La cinquième génération ne sera pas une évolution, mais une révolution » — tribune MRNews, décembre 2025
- « 18 mois plus tard, la révolution est en train d’arriver » — Tribune MRNews, mai 2026
- « Démontrer la valeur des études, c’est montrer ce qu’elles font bouger dans les entreprises » — interview MRNews, octobre 2026
- Laurent Florès, « Salesforce and Listen Labs: The Deal Is Not the Story », Research World, novembre 2026 (en anglais)
Sources
- Brynjolfsson E., Li D., Raymond L. R., « Generative AI at Work », NBER Working Paper 31161, 2023.
- Dell’Acqua F. et al., « The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise », NBER Working Paper 33641, 2025.
- The New York Times, article consacré à Procter & Gamble et à Shailesh Jejurikar, 4 octobre 2026.
POUR ACTION
• Échanger avec l’auteur : @ Laurent Florès



