L’intelligence artificielle ouvre des perspectives inédites dans l’exploitation des données qualitatives, avec des capacités d’analyse et de synthèse sans précédent. Mais à mesure que ces outils se diffusent, une question s’impose : peut-on réellement faire confiance aux insights qu’ils produisent ? Derrière les promesses de rapidité et de mise à l’échelle, l’enjeu de la transparence devient central.
Issue de travaux menés à l’École Polytechnique Fédérale de Lausanne et l’Université McGill, la plateforme BAI Analytics — de BoundaryAI — propose une approche centrée sur la transparence et la traçabilité des insights. Elle est aujourd’hui déployée en Europe et en Amérique du Nord, auprès d’acteurs des études et de grands comptes. Son CEO et fondateur, Hippolyte Lapierre, revient sur ces principes et leurs implications pour les pratiques d’analyse.
MRNews : Hippolyte Lapierre, vous êtes le CEO-fondateur de BoundaryAI. Votre société est jeune, mais elle est déjà présente aux Etats-Unis, au Canada, en France et en Suisse. Comment la présenteriez-vous en quelques mots ?
Hippolyte Lapierre (BoundaryAI) : La vocation de BoundaryAI est de répondre à un besoin aujourd’hui universel au sein des entreprises. Celles-ci disposent d’énormes masses de données — la volumétrie ayant explosé ces dernières années — provenant de sources multiples. Qu’il s’agisse des verbatims consommateurs dans les études, des interviews clients, des conversations sur les réseaux sociaux, des appels clients, des retours sur leurs produits et services en ligne, ou même de signaux dans les médias, les informations proviennent d’un peu partout.
Les entreprises ont un intérêt majeur à bien exploiter celles-ci, à y trouver du sens pour un plan d’action. Sauf que cela n’a rien de simple, compte tenu à la fois des volumes de données, de leur diversité, et bien sûr de la vitesse à laquelle elles sont désormais générées.
BAI Analytics, qui est issue de 3 années de recherche, a été conçue pour répondre à cet enjeu. Notre plateforme, en s’appuyant sur l’IA permet en effet de transformer ces volumes massifs de données en insights fiables, structurés et directement exploitables. Et ce dans toutes les langues, tous canaux confondus. Son principe est de reproduire le raisonnement d’un analyste humain, mais à l’échelle de milliers voire de millions de verbatims et en quelques minutes.
Le principe de notre plateforme BAI Analytics est de reproduire le raisonnement d’un analyste humain, mais à l’échelle de milliers voire de millions de verbatims et en quelques minutes.
Beaucoup d’acteurs utilisent l’IA dans cette logique d’analyse qualitative. Qu’est-ce qui vous différencie d’eux ?
Les approches basées sur les LLM, qui se sont largement diffusées depuis l’émergence de ChatGPT, apportent une capacité d’interprétation inédite. Mais elles introduisent aussi une forme d’opacité, qui est problématique.
Notre approche consiste précisément à lever celle-ci. La plateforme a été conçue pour garantir une traçabilité probante complète des insights. Concrètement, lorsqu’un insight est identifié — par exemple un problème d’ergonomie sur une catégorie de produits — il est possible de remonter immédiatement aux verbatims qui le fondent : qui l’a exprimé, dans quel contexte, à quel moment, sur quel canal et avec quels mots. Autrement dit, il n’y a donc pas de “boîte noire”.
Concrètement, lorsqu’un insight est identifié — par exemple un problème d’ergonomie sur une catégorie de produits — il est possible de remonter immédiatement aux verbatims qui le fondent : qui l’a exprimé, dans quel contexte, à quel moment, sur quel canal et avec quels mots. Autrement dit, il n’y a donc pas de “boîte noire”.
Quel principe technique permet cela ? Cette traçabilité exclut-elle le risque des fameuses « hallucinations » que peuvent générer les IA ?
Notre technologie est issue de recherches supportées par l’Ecole Polytechnique Fédérale de Lausanne, l’Université McGill et HEC à Montréal. Ces travaux nous ont permis d’élaborer une approche reposant sur trois niveaux complémentaires. D’abord, une compréhension contextuelle approfondie : chaque signal est analysé dans son contexte — canal, moment, profil de l’émetteur. Ensuite, une vérification sémantique indépendante, qui permet de valider la cohérence des regroupements et de limiter les faux signaux. Enfin, un mécanisme de traçabilité qui relie chaque insight à ses données sources et aux différentes couches d’analyse intermédiaires.
Notre technologie est issue de recherches supportées par l’Ecole Polytechnique Fédérale de Lausanne, l’Université McGill et HEC à Montréal.
Sur la question des biais et des hallucinations, qui est en effet centrale, notre position est très claire : un insight ne peut exister que s’il est relié à des données réelles. Il n’y a pas de place, sur notre plateforme, pour de la génération spéculative.
BAI Analytics est utilisable par les équipes chez l’annonceur, mais aussi en institut. Quels avantages la plateforme peut-elle leur apporter ? Comment fait-elle concrètement évoluer le rôle de l’analyste ou du chargé d’études ?
Face à la montée en puissance des données et à leur dispersion sur une multitude de canaux — études, réseaux sociaux, avis clients ou données CRM —, les instituts d’études font face à une complexité croissante. Mais aussi à une opportunité inédite de création de valeur.
C’est précisément sur ce terrain que BoundaryAI se positionne, avec une promesse claire : celle d’unifier l’analyse multicanale, tout en garantissant la traçabilité des insights grâce à un accès direct aux verbatims. La plateforme croise des données hétérogènes pour offrir une lecture plus complète des comportements clients, en quasi temps réel.
La promesse que nous faisons avec BoundaryAI est d’unifier l’analyse multicanale, tout en garantissant la traçabilité des insights grâce à un accès direct aux verbatims. La plateforme croise des données hétérogènes pour offrir une lecture plus complète des comportements clients, en quasi temps réel.
En automatisant les tâches les plus chronophages — qui occupent encore aujourd’hui une part importante du temps des équipes —, elle libère du temps pour l’analyse à forte valeur ajoutée, et permet surtout de rendre les insights directement actionnables, avec des plans d’action concrets déclinés au niveau des produits, des sites ou des régions.
Résultat : des études plus continues et dynamiques, et des instituts renforcés dans leur rôle de pilotage stratégique et d’accompagnement à la décision.
Côté annonceurs, les avantages sont-ils similaires ?
Oui, ils se recoupent assez largement. La possibilité de faire des allers-retours entre les insights et les verbatims est particulièrement précieuse là aussi pour faciliter l’appropriation des résultats au sein des équipes.
Mais le contexte est néanmoins différent. Pour les équipes côté annonceur, le principal changement est qu’ils peuvent passer d’une logique d’étude à une logique d’intelligence continue.
Pour les équipes côté annonceur, le principal changement est qu’ils peuvent passer d’une logique d’étude à une logique d’intelligence continue.
Aujourd’hui, beaucoup de décisions sont prises sur la base d’insights partiels, faute de temps ou de capacité à exploiter l’ensemble des données disponibles. Une plateforme comme BAI Analytics change la donne. Les équipes peuvent accéder à une vision complète des informations disponibles, les analyser rapidement, et surtout les suivre dans le temps. Qu’il s’agisse des réseaux sociaux, des retours clients ou des médias, les données peuvent être monitorées en continu dans 180 langues. Des systèmes d’alerte permettent de détecter très rapidement des évolutions ou des signaux critiques. On passe ainsi d’une logique réactive — découvrir un problème après coup — à une logique beaucoup plus proactive. Et cela peut transformer en profondeur les processus de décision.
Qu’en est-il de la confidentialité des données ?
Dans le domaine du market research, les exigences sont fortes. Les données clients ne doivent pas servir à entraîner des modèles et rester sécurisées. Toutes les données des clients français sont bien entendu seulement traitées en France dans le respect strict du RGPD et de l’IA Act. Le même principe s’applique pour nos clients d’autres régions, avec un traitement de leurs données au Canada, aux Etats Unis ou en Asie.
Est-il possible de tester la plateforme ?
Oui, et c’est un point auquel nous tenons. Nous proposons à chacun de tester la plateforme directement depuis www.boundary-ai.com en quelques clics : il est possible de créer une étude ou de charger un simple fichier Excel de verbatims par exemple, et d’obtenir immédiatement une analyse structurée, avec des insights et les éléments qui les justifient.
L’objectif est de permettre à chacun de juger concrètement de l’apport de l’outil — au-delà des promesses.
Si vous deviez résumer en une idée ce que BoundaryAI change dans l’exploitation des données, quelle serait-elle ?
BoundaryAI, c’est la possibilité de transformer des millions de données qualitatives, issues de sources hétérogènes, en insights vérifiables et traçables, en quelques minutes. Et cela aussi bien dans le cadre d’une étude ad hoc que dans une logique de veille continue.
BoundaryAI, c’est la possibilité de transformer des millions de données qualitatives, issues de sources hétérogènes, en insights vérifiables et traçables, en quelques minutes. Et cela aussi bien dans le cadre d’une étude ad hoc que dans une logique de veille continue.
On peut ainsi travailler à grande échelle, sans perdre le lien avec le terrain, tout en conservant un niveau de confiance élevé dans les résultats — ce qui est essentiel pour éclairer la prise de décision.
Des cabinets d’études établis, comme Init par exemple, ainsi que des entreprises multinationales ou des collectivités, ont déjà intégré BoundaryAI en France. Nous sommes fiers d’accompagner ces acteurs dans l’exploitation du potentiel de leurs données.
POUR ACTION
• Echanger avec l’interviewé(e): @ Hippolyte Lapierre
