L’intelligence artificielle transforme-t-elle vraiment les études qualitatives ou ne fait-elle qu’optimiser l’existant ? Cette question divise le secteur entre partisans de l’automatisation et défenseurs des méthodes traditionnelles. Et si une troisième voie était possible, celle d’une « systématisation » qui respecte l’essence des démarches qualitatives tout en en décuplant les capacités ? C’est la conviction que défend l’équipe h2\. Isabelle Martinez, Directrice du pôle Quali & Sémio, nous présente le cheminement de l’agence et ses partis-pris dans l’exploration de cette voie.
MRNews : En préambule, une petite question : quels mots clés résument le mieux votre « rapport » à l’IA dans un usage professionnel ?
Isabelle Martinez (h2\) : Je dirais : adopter une posture agnostique, sans a priori. Expérimenter et défricher, en combinant artisanat créatif et rigueur méthodologique.
L’IA peut manifestement être utilisée de bien des façons dans les études qualitatives. Si vous deviez citer UN usage qui vous enthousiasme plus particulièrement, lequel serait-ce ?
Ce qui m’enthousiasme le plus, après deux ans de réflexion, d’essais, et de développement, c’est que nous ayons pu développer la capacité de systématiser le travail qualitatif sans l’automatiser, et c’est de voir les résultats de cette transformation. En quali, nous valorisons fortement les biais et le « flair », les intuitions que nous avons sur la matière d’un terrain. Maintenant, nous pouvons, sans y renoncer, passer ces intuitions au crible d’une validation plus rigoureuse, à plus grande échelle.
Mais le plus intéressant, au-delà, c’est de dialoguer avec l’altérité de l’IA, avec sa capacité non pas de « comprendre » comme nous, mais de « voir » des formes, des patterns que nous n’aurions pas repérés. L’IA nous permet de faire des cartographies sans découpage a priori, laissant émerger des structures nouvelles dans les représentations et besoins des consommateurs, ou dans les expressions des marques – parfois sans qu’elles en aient conscience.
Le plus intéressant, au-delà, c’est de dialoguer avec l’altérité de l’IA, avec sa capacité non pas de « comprendre » comme nous, mais de « voir » des formes, des patterns que nous n’aurions pas repérés.
C’est vrai pour le quali comme pour la sémio, qui est un point fort historique chez h2\ et qui prend aujourd’hui de nouvelles dimensions. Nous pouvons identifier des dynamiques discursives à des échelles qui étaient simplement impossibles auparavant, analyser 40 000 références parfum et voir apparaître des territoires symboliques inédits, analyser l’expression d’une marque sur les médias sociaux dans son univers concurrentiel sur des milliers de posts…
Cette systématisation n’est pas une automatisation, même si elle est très « outillée »…
Exactement. Pour que cette systématisation fonctionne réellement, l’outillage est essentiel. On peut se reposer sur des outils relativement standards, mais c’est forcément limitant. Nous avons donc fait le choix de développer nos outils et plus largement un environnement d’intelligence collaborative, « Arcade », qui transforme le mode d’échange et de travail avec nos clients.
Quels sont les 2 ou trois autres usages de l’IA qui vous semblent apporter un très gros Plus ?
D’abord, les assistants finement calibrés dans le cycle de production du quali. Pour chaque projet nous créons un espace de travail collaboratif Arcade, qui intègre des assistants et agents spécialisés pour chaque étape du travail qualitatif : problématisation, exploration, mise à plat, approfondissement, préparation de synthèse. Chacun a sa « personnalité », ses « skills », ses règles finement élaborées par nous-mêmes. C’est comme avoir plusieurs regards experts qui se complètent.
Pour chaque projet nous créons un espace de travail collaboratif Arcade, qui intègre des assistants et agents spécialisés pour chaque étape du travail qualitatif : problématisation, exploration, mise à plat, approfondissement, préparation de synthèse. Chacun a sa « personnalité », ses « skills », ses règles finement élaborées par nous-mêmes. C’est comme avoir plusieurs regards experts qui se complètent.
Ensuite, la multimodalité intégrée dans une analyse en système. L’IA ne se limite plus au texte et c’est un axe d’innovation où je pense que nous nous différencions assez fortement. Dans nos études quali online, nous pouvons maintenant analyser les images et les vidéos de façon vraiment intégrée. Nous pouvons demander à un assistant : « montre-moi toutes les images qui illustrent le mieux cette valeur, cette tension », et obtenir des verbatims en images qui révèlent des dimensions cachées du discours. Cette mise en système des modes révèle des contradictions fertiles, des non-dits expressifs qui échappent à l’analyse quand on procède “mode par mode”.
J’ajouterai un troisième axe : l’approche conversationnelle dans nos dispositifs online. Avec notre outil CLEA, nous sortons du cadre rigide du questionnaire pour des échanges dialogués, qui permettent d’épouser beaucoup mieux les logiques naturelles des répondants, tout en garantissant ensuite une analyse restructurée et mieux exploitable.
Certains opposent une IA de rationalisation à une IA d’extension des possibles. Cette dichotomie vous semble-t-elle pertinente ?
Oui, elle est pertinente. Rationaliser, optimiser, c’est plaquer l’IA sur des processus existants pour produire plus vite et moins cher. Innover, c’est se demander « Qu’est-ce qu’on peut faire aujourd’hui qu’on ne pouvait pas faire hier, en dehors de « plus vite et moins cher » ? » Dans un cas, seconder l’humain aboutit à remplacer l’humain — il ne faut pas se le cacher ! —, dans l’autre, seconder l’humain aboutit à l’invention de nouvelles modalités de production, de nouvelles façons de travailler ; c’est notre défi.
L’IA permet les deux. Mais pour produire de vraies avancées dans l’innovation, il faut se confronter à cette altérité dont je parlais plus haut. C’est par la complémentarité qu’on crée de l’innovation, avec une façon radicalement différente et transformée d’aborder les données et de produire de l’analyse. À l’inverse, si on cherche seulement à avoir « un agent comme nous » en plus puissant, plus rapide et moins cher, nous resterons dans l’optimisation… avec le risque de tout ramener à des gains de productivité, donc à des questions de prix et de délais. N’est-ce pas se condamner à terme à une destruction de valeur ? Chacun à son niveau doit prendre conscience qu’il porte une part de responsabilité dans cette orientation.
Pour produire de vraies avancées dans l’innovation, il faut se confronter à cette altérité dont je parlais plus haut. C’est par la complémentarité qu’on crée de l’innovation, avec une façon radicalement différente et transformée d’aborder les données et de produire de l’analyse.
La dichotomie quali / quanti a toujours été prégnante dans la recherche marketing. L’IA aide-t-elle à faire un pas vers le Graal consistant à combiner profondeur et volume ?
L’IA permet de déplacer la frontière entre représentativité et significativité : un quali à l’échelle peut « dégrossir » les grandes tendances, tandis que le quali très ciblé « affine » les insights les plus stratégiques. Mais le quanti peut aussi évoluer vers des formes plus ouvertes, grâce à la possibilité de traiter des corpus massifs, de faire des relances dans des questions ouvertes, etc.
Cependant, il faut se méfier d’une logique qui consisterait à « tout faire parce que c’est possible »… Nous devons identifier les bénéfices de chaque approche pour pouvoir les combiner efficacement et répondre ainsi au mieux aux objectifs de nos clients. L’enjeu et les besoins ne sont pas les mêmes suivant que l’on mène des études très tactiques ou très stratégiques.
Donc oui, nous pouvons combiner profondeur et volume au niveau du recueil. Mais le Graal ne se situe plus uniquement à ce niveau. Pour nous, c’est surtout dans l’hybridation et l’intégration quali-quanti au niveau de l’analyse et de son activation stratégique que des évolutions passionnantes se dessinent.
Oui, nous pouvons combiner profondeur et volume au niveau du recueil. Mais le Graal ne se situe plus uniquement à ce niveau. Pour nous, c’est surtout dans l’hybridation et l’intégration quali-quanti au niveau de l’analyse et de son activation stratégique que des évolutions passionnantes se dessinent.
Par exemple ?
Partir d’une segmentation quantitative, l’enrichir avec des insights qualitatifs, créer des personas qui dialoguent entre eux. Ou inversement, partir de patterns qualitatifs émergents et les valider sur des volumes plus importants. C’est cette circulation entre profondeur et échelle qui nous intéresse.
Venons-en aux pièges. S’il n’y en avait qu’un, quel serait LE piège à éviter absolument ?
Il y en a plusieurs en réalité, mais le premier me semble être le piège de la cohérence. Avec un prompt de quelques mots, les LLM sont capables de produire des réponses “qui se tiennent”, avec un niveau de finesse croissant. Le piège est de s’en contenter, car sans une grille préalable très précise et adaptée aux objectifs de la recherche, la cohérence de l’ia reste générique et sa pertinence, trompeuse.
Avec un prompt de quelques mots, les LLM sont capables de produire des réponses “qui se tiennent”, avec un niveau de finesse croissant. Le piège est de s’en contenter (…)
Ensuite, le risque de l’amplification du bruit : « raffiner » des données de mauvaise qualité ne fait qu’amplifier les défauts ! Nous privilégions une construction de contexte maîtrisée plutôt qu’une ingestion massive et indiscriminée.
Enfin, je pense qu’il ne faut surtout pas sous-estimer les risques liés à un éloignement progressif de l’ancrage humain que ce soit sur le plan du recueil ou sur le plan de l’analyse. Ce sont des risques méthodologiques, mais aussi éthiques.
Quid de l’usage des données synthétiques, qui fait fortement débat ?
Nous ne rejetons pas la donnée synthétique par principe. Elle constitue un nouveau moyen de recueil et d’analyse, nous avons fait des tests et nos pipelines IA sont prêts à les intégrer. Mais nous défendons le maintien du consommateur réel dans la boucle, ce que nous appelons « Consumer in the Loop (CITL) », car en quali ce sont souvent les contradictions, les incohérences, les hésitations qui nous donnent les enseignements les plus précieux. Notre garde-fou : un ancrage terrain constant et une validation humaine continue. Notre parti-pris de principe consiste donc dans une hybridation calibrée selon les objectifs, en conservant une part d’échange interpersonnel direct lorsque c’est nécessaire.
Nous défendons le maintien du consommateur réel dans la boucle, ce que nous appelons « Consumer in the Loop (CITL) », car en quali ce sont souvent les contradictions, les incohérences, les hésitations qui nous donnent les enseignements les plus précieux.
Il faut cependant rester ouvert, ne pas s’enfermer dans des croyances du type « l’IA ne pourra jamais faire ça ». La publicité Intermarché du « Loup », saluée comme création 100 % humaine, par exemple : je suis convaincue que c’est typiquement le genre de récit qu’une IA pourrait ou pourra produire ! Il suffit de regarder la façon dont l’émotion devient aujourd’hui un terrain d’expression majeur pour l’IA, que ce soit pour rassembler ou pour manipuler. Cet agnosticisme vaut aussi sur le plan méthodologique. Mais cela ne nous empêche pas d’avoir des convictions. La question de fond ne date pas de l’arrivée de l’IA : vers où voulons-nous aller ? En tant que qualitativiste, je ne me retrouverais pas dans un monde où les études deviendraient un processus entièrement automatisé sur des données synthétiques. Ce qui m’attache au quali, c’est la rencontre avec des individus, et la nécessité de préserver ce lien.
Quelles règles vous donnez-vous pour continuer à avancer dans l’exploitation de l’IA ?
Depuis nos premiers pas, nous sommes passés dans l’équipe par des hauts et des bas. Avec des phases d’incompréhension et même d’exaspération, mais aussi de la fascination, en particulier devant l’agilité créative de l’IA, par exemple pour proposer des scénarios d’évolution stratégique. Il y a eu une tension mentale bien particulière, due à la contradiction épistémologique dans laquelle l’IA nous plonge : elle apparaît à la fois comme mimétique de la raison humaine, mais aussi comme radicalement autre.
Face à cette tension, notre réponse a consisté à décomposer et recomposer méthodiquement les étapes de collaboration. Cela nous a amenés à expliciter ce que nous avions en tête, pour toujours mieux aligner les modèles et agents, à formaliser nos processus intuitifs. L’exercice est parfois ingrat, voire douloureux ! mais il nous a permis de clarifier considérablement notre pratique. Nous avons expérimenté concrètement le fait que beaucoup de limites attribuées à l’IA proviennent en réalité d’un déficit de méthode.
Nous avons expérimenté concrètement le fait que beaucoup de limites attribuées à l’IA proviennent en réalité d’un déficit de méthode.
Et donc ? Encore et toujours plus de méthode. Est-ce là LA règle ?
C’en est une. Le langage naturel crée une illusion d’intuitivité : parce qu’on « parle » à l’outil, on croit pouvoir se passer de cadre. De fait, l’IA est accessible sans être spontanément profonde. Mais sans méthode rigoureuse — cadrage, alignement, orchestration — on reste dans des usages superficiels, « naïfs ». C’est ce que nous appelons le désenchantement méthodologique : l’interface paraît intuitive, mais l’usage exige une expertise élevée pour obtenir des résultats de qualité. Nos règles sont donc en effet avant tout méthodologiques. Il s’agit de construire un système cohérent, fondé sur une démarche explicite et une orchestration rigoureuse, en maintenant le jugement humain au centre du processus.
Le langage naturel crée une illusion d’intuitivité : parce qu’on « parle » à l’outil, on croit pouvoir se passer de cadre. De fait, l’IA est accessible sans être spontanément profonde. Mais sans méthode rigoureuse — cadrage, alignement, orchestration — on reste dans des usages superficiels, « naïfs » (…). Mais tout ceci est rendu possible par nos capacités techniques.
Mais tout ceci est rendu possible par nos capacités techniques : là où beaucoup utilisent des bibliothèques de prompts appliquées à des modèles génériques accessibles via ChatGPT, Claude ou Gemini (même les versions professionnelles restent génériques), nous avons développé avec Adrien Blaise un système d’intelligence propriétaire intégré, DECODia, qui nous donne une maîtrise technique que les approches DIY ou basées sur des outils tout faits ne peuvent offrir. Il s’agit d’une architecture souveraine — opérée sur AWS, avec gouvernance complète des données —, avec des agents spécialisés, une construction de contexte dynamique, un environnement sécurisé et maîtrisé de bout en bout.
C’est ce qui permet d’aller au-delà des interfaces IA « grand public » ?
Tout à fait. C’est la condition pour créer de véritables capacités d’intelligence augmentée, calibrées pour l’expertise qualitative. Mais je dois ajouter que ce n’est pas juste une question de performance, c’est aussi une question de souveraineté méthodologique et de confidentialité absolue, ce point étant essentiel pour nous et nos clients.
Une dernière question enfin, s’agissant précisément de vos clients : qu’est-ce qui vous marque le plus dans leurs réactions sur ce sujet ? Quels messages clés aimeriez-vous leur faire passer ?
Chez nos clients, il y a un écart important entre ceux qui sont peu demandeurs, pour ne pas dire défensifs à l’égard de l’IA, et certains clients très avancés qui en attendent beaucoup ! C’est une chance car cela nous amène, face aux uns, à développer une approche rassurante et pédagogique, et face aux autres, à relever de vrais défis dans l’innovation fondamentale. Il est très gratifiant d’occuper cette position et de pouvoir dire à nos clients actuels et potentiels : « Nous avançons avec vous, au point où vous en êtes de cette aventure ! »
Ce qui compte pour nous, c’est de rester des défricheurs méthodologiques : face à un flux incessant de nouveautés, on évite le piège de l’obsolescence en construisant un système en évolution constante. Nous ne sommes ni dans l’optimisation prudente de l’existant, ni dans la course technologique pour la technologie. Nous construisons une approche qui combine exploration créative et rigueur méthodologique – c’est ça qui fait, nous le pensons, notre singularité.
POUR ACTION
• Echanger avec l’interviewé(e): @ Isabelle Martinez
