Trophées Printemps des Etudes 2026 - Devenez le market researcher de l'année

VU, LU, ENTENDU

« Avec les agents IA, une étude peut continuer à produire de la valeur bien après sa restitution »

Interview de Daniel Bô, fondateur de QualiQuanti

31 Août. 2026

Cas d'entreprise I IA et Market Research I IA et quali I Méthodologie I QualiQuanti

Interview de Daniel Bô (QualiQuanti) : « Avec les agents IA, une étude peut continuer à produire de la valeur bien après sa restitution »

L’IA se prête à des usages de plus en plus nombreux dans la sphère des études marketing. Tous ne suscitent pas le même enthousiasme, ni les mêmes interrogations. Depuis quelques mois, nous nous attachons sur MRNews à explorer ces différentes possibilités, leurs apports mais aussi leurs limites. Daniel Bô, fondateur de QualiQuanti, nous propose ici de prolonger cet inventaire autour d’un usage bien spécifique : la création d’agents IA à partir d’études.
De quoi s’agit-il exactement ? Comment construit-on concrètement ces agents ? Toutes les études peuvent-elles s’y prêter ? Et surtout, qu’apportent-ils de plus une fois l’étude réalisée ? Daniel Bô partage ici son expérience à partir de plusieurs cas, dont celui développé avec le groupe SEB, tout en resituant cet usage dans une réflexion plus large sur les apports de l’IA aux études.

MRNews : En tant qu’institut d’études marketing, vous développez aujourd’hui des agents IA spécialisés. Mais qu’est-ce qu’un agent IA ? Et quel usage peut-on en faire dans les études ?

Daniel Bô (QualiQuanti) : Un agent, ce n’est pas juste une IA à qui on pose une question. C’est un dispositif, à qui on confie un protocole précis, avec une grille de critères et une méthode d’application, pour qu’il produise un jugement reproductible plutôt qu’une opinion ponctuelle. Une étude fondamentale sur la grammaire et la perception des affiches de films, par exemple, fournit une grille d’analyse qui peut être transformée en agent d’évaluation IA.

Concrètement, chez QualiQuanti, un agent se décompose presque toujours en plusieurs étapes en cascade : une phase descriptive, purement factuelle, sans jugement ; une phase évaluative, qui applique la grille héritée de l’étude fondatrice, avec des critères pondérés ; et souvent une phase de spécialisation, où un agent supplémentaire affine le diagnostic selon le type d’objet analysé, par exemple un genre de film ou une catégorie de produit. C’est cette architecture, plus que la technologie elle-même, qui fait qu’un agent devient un outil de pilotage fiable plutôt qu’un simple générateur de commentaires.

Un agent, ce n’est pas juste une IA à qui on pose une question. C’est un dispositif, à qui on confie un protocole précis, avec une grille de critères et une méthode d’application, pour qu’il produise un jugement reproductible plutôt qu’une opinion ponctuelle.

Qu’est-ce qui vous a mené à développer des agents IA ?

Le premier déclencheur est une conviction. La sémiologie et l’IA générative ont un point commun : elles permettent de décomposer un objet complexe et de l’examiner méthodiquement sous plusieurs angles.

Cette conviction s’est d’abord matérialisée par la création, avec l’agence 7KIDS du groupe Cosmo5, d’un agent de décryptage de marque https://7kids.fr/semioai/, capable d’analyser la brand culture et de proposer des activations média. Cet agent s’appuie sur des dizaines d’années de recherche sur l’analyse culturelle des marques avec le sémiologue Raphaël Lellouche. Ces travaux ont notamment donné lieu à l’ouvrage Brand Culture, paru chez Dunod en 2019, et à une méthodologie d’audit de brand culture qui structure l’agent.

Le deuxième déclencheur a été une demande du groupe SEB, fin 2025, de recenser et tester les principaux outils du marché pour évaluer des vidéos produit. SEB produit un volume très important de contenus vidéo pour ses marques, notamment Moulinex, Tefal, Krups ou Rowenta, sans dispositif systématique de pré-test. Face à la multiplication des solutions disponibles, instituts, IA, panels virtuels, outils prédictifs, SEB nous a mandatés pour prendre du recul et produire un panorama comparatif des différentes approches.

À quel panorama avez-vous abouti ?

Nous avons benchmarké une quinzaine de solutions, que nous avons organisées en six grandes familles méthodologiques : analyse intrinsèque du contenu, prédiction par des modèles entraînés, tests déclaratifs auprès de consommateurs réels, tests non déclaratifs, simulation des perceptions consommateurs par IA et analytics post-diffusion en environnement réel.

Chaque famille éclaire une dimension différente : le contenu, l’attention prédite, la perception déclarée, la réaction non déclarative ou encore l’impact terrain. Mais aucune solution n’était véritablement calibrée sur le référentiel spécifique de SEB. Il fallait un outil dédié aux vidéos de produits électroménagers sur les sites d’e-commerce, alors que la plupart des solutions disponibles sont conçues pour évaluer la publicité en général. D’où la nécessité de réaliser une étude exploratoire permettant de définir une doctrine a priori. Nous avons proposé en complément de créer un agent d’évaluation.

Concrètement, comment avez-vous procédé pour créer cet agent IA dédié ?

Nous nous sommes d’abord appuyés sur un historique d’études autour du « product content », initié en 2019 avec notamment SEB et Decathlon, point de départ du blog productcontent.fr. Nous avons ensuite déployé un dispositif Big Quali sur un corpus large : 180 vidéos testées, quatre catégories de produits, 20 marques, 210 répondants recrutés, 16 participants à un forum et 15 jours d’exposition continue, complétés par un volet international.

Les vidéos ont été étudiées à travers une multiplicité d’angles : le démarrage, pour vérifier si le produit et son bénéfice sont visibles dès les premières secondes ; la démonstration, à travers les gestes, le fonctionnement, la preuve, le résultat et l’entretien ; le rythme et la hiérarchie de l’information ; la lisibilité, y compris sans le son et sur mobile ; le son avec la voix off et la musique ; la mise en scène avec les personnages, le cadrage, le décor et la projection dans l’usage ; et enfin la marque, avec la cohérence du territoire, le niveau de gamme et la différenciation.

Cette étude nous a permis de comprendre les critères de succès d’une vidéo selon les catégories de produits. Le groupe SEB nous a demandé un livrable détaillant les résultats des 180 vidéos testées, avec un score d’appréciation. Enfin, à partir de cette étude et de ce corpus, nous avons construit sur Claude une architecture multi-agents permettant d’évaluer les nouvelles vidéos produites.

L’étude (que nous avons réalisée) nous a permis de comprendre les critères de succès d’une vidéo selon les catégories de produits. Le groupe SEB nous a demandé un livrable détaillant les résultats des 180 vidéos testées, avec un score d’appréciation. Enfin, à partir de cette étude et de ce corpus, nous avons construit sur Claude une architecture multi-agents permettant d’évaluer les nouvelles vidéos produites.

Pourquoi avoir construit une architecture multi-agents plutôt qu’un agent unique ?

Une vidéo de fiche produit e-commerce est un objet complexe. Elle déroule une narration dans le temps, avec des plans différents, des démonstrations d’usage, du texte à l’écran… Un agent unique aurait produit un jugement trop superficiel. Nous avons donc découpé le travail entre trois types d’agents : un agent d’extraction, qui transforme la vidéo en séquence de frames exploitables ; un agent d’évaluation transversale, qui étudie la vidéo sur six axes et 28 critères communs à toutes les catégories de produits ; et un agent spécifique à chaque catégorie, qui ajoute des critères propres au type de produit.

Cette architecture en cascade spécialise chaque agent sur une tâche précise. Elle combine un référentiel commun, qui garantit l’homogénéité des évaluations, et des critères adaptés à chaque catégorie : une vidéo d’aspirateur ne s’évalue pas comme une vidéo de sèche-cheveux. Nous avons ainsi développé 15 agents spécialisés. Les scores détaillés, axe par axe et critère par critère, facilitent ensuite les comparaisons et les arbitrages, tout en rendant chaque diagnostic explicable et traçable.

Au-delà de la performance technique de l’agent, qu’est-ce que cela change en pratique pour une entreprise comme SEB ?

L’enjeu est d’abord de changer d’échelle. Une grande entreprise produit chaque année des centaines, voire des milliers de contenus : vidéos, fiches produits, visuels, campagnes, contenus e-commerce… Il est impossible de tous les pré-tester auprès de consommateurs réels, dans toutes les catégories, tous les canaux et tous les pays. Un agent construit à partir d’une étude solide permet d’appliquer en continu un référentiel consommateur à l’ensemble de ces productions. Il peut aider à repérer les contenus faibles avant leur diffusion, comparer plusieurs variantes, identifier précisément les points à améliorer ou vérifier qu’un contenu respecte les bonnes pratiques de sa catégorie.

Le bénéfice business est double. Il s’agit d’abord d’augmenter les chances de succès des contenus produits, en détectant en amont des problèmes de lisibilité, de démonstration, de cohérence avec la marque ou d’adaptation à une catégorie. Mais cela permet aussi de mieux concentrer les investissements en études consommateurs sur les décisions réellement stratégiques, comme les innovations ou les arbitrages à fort enjeu, plutôt que de tester systématiquement chaque exécution.

Le bénéfice business est double. Il s’agit d’abord d’augmenter les chances de succès des contenus produits, en détectant en amont des problèmes de lisibilité, de démonstration, de cohérence avec la marque ou d’adaptation à une catégorie. Mais cela permet aussi de mieux concentrer les investissements en études consommateurs sur les décisions réellement stratégiques, comme les innovations ou les arbitrages à fort enjeu, plutôt que de tester systématiquement chaque exécution.

N’importe quelle étude peut-elle servir à créer un agent IA ?

Non. Un simple test sera insuffisant pour nourrir un agent. Pour construire un agent pertinent, il faut avoir exploré le sujet en profondeur, balayé le champ des possibles, comparé de nombreux cas et surtout fait émerger des règles de fonctionnement, des critères, des typologies et une doctrine d’analyse.

C’est précisément l’intérêt de l’approche Big Quali : travailler sur des corpus importants, multiplier les angles de lecture et rechercher une forme d’exhaustivité. À l’issue de ce travail, on ne dispose plus seulement de résultats d’étude, mais d’un véritable référentiel métier. L’agent permet ensuite d’activer ce référentiel en continu. On lui soumet une nouvelle vidéo ou un nouveau concept et il applique à ce nouvel objet les enseignements issus de l’étude fondatrice. Autrement dit, l’IA ne crée pas la doctrine : elle permet de rendre opérationnelle, répétable et activable une expertise construite par l’étude.

Pour construire un agent pertinent, il faut avoir exploré le sujet en profondeur, balayé le champ des possibles, comparé de nombreux cas et surtout fait émerger des règles de fonctionnement, des critères, des typologies et une doctrine d’analyse. C’est précisément l’intérêt de l’approche Big Quali : travailler sur des corpus importants, multiplier les angles de lecture et rechercher une forme d’exhaustivité.

Avez-vous créé d’autres agents à partir d’études ? Et si oui, lesquels ?

Oui. Nous avons étendu cette logique en repartant de plusieurs études fondamentales que nous avions réalisées, qu’elles soient propriétaires ou publiées.

Nous l’avons fait notamment sur un objet particulier, les affiches de films, à partir d’une étude réalisée pour le CNC il y a plus de vingt-cinq ans. Elle comportait un volet sémiologique important, avec 350 affiches et 180 bandes-annonces analysées et un volet consommateurs en quali. Cette étude garde toute sa valeur aujourd’hui si on la transforme en agent pour évaluer de nouvelles affiches. La grille d’analyse intégrée par l’agent repose sur cinq axes : le chromatisme, la composition, les personnages et les regards, le titre et la typographie, et enfin les codes de genre. Ces axes montrent notamment que chaque genre cinématographique obéit à des codes visuels implicites mais relativement stables.

Grille d’analyse de l’agent « affiches de films » :

Source QualiQuanti – Analyse des affiches de films

Accéder à la vidéo explicitant la démarche de création d’un agent IA d’évaluation des affiches de cinéma

Vous avez déjà évoqué une partie des avantages procurés par la construction d’un agent IA à partir d’une étude. En voyez-vous d’autres ?

Oui. Il y a d’abord cette possibilité de produire des scores, objet après objet, axe par axe et critère par critère. Dans le cas des affiches, cela permet de comparer dans le temps, entre films, entre genres ou entre marchés, et d’objectiver des arbitrages qui resteraient sinon affaire de sensibilité individuelle.

Analyse des affiches de films – extrait

Source QualiQuanti – Analyse des affiches de films, Le Comte de Monte-Cristo

Mais l’autre intérêt est de pouvoir répondre à des consignes et tester des hypothèses formulées par le client. Cette affiche est-elle lisible en vignette numérique ? Le genre est-il identifiable sans connaître le titre ? Cette campagne respecte-t-elle les codes visuels des films précédents de la saga ? L’agent devient ainsi un véritable interlocuteur d’analyse, capable d’instruire une question métier en s’appuyant sur l’expertise acquise lors de l’étude.

Nous avons expérimenté la même approche sur d’autres sujets. Sur l’alimentation végétale, nous avons conçu un agent d’évaluation des substituts de viande et l’avons testé sur deux produits réels du marché, de Fleury Michon et Happyvore. Sur les décors TV, nous avons également exploité sous forme d’agent une étude qui avait porté sur des centaines de décors.

Vous serez présent au Printemps des Études les 24 et 25 septembre prochains, avec deux déjeuners-conférences dédiés à ce sujet. Qu’allez-vous aborder plus précisément ?

Nous reviendrons bien sûr sur le cas SEB, avec le témoignage d’Arnaud Sève, qui dirige le CMI du groupe. Nous présenterons également plusieurs autres cas concrets pour montrer ce que les agents peuvent apporter dans différents contextes d’études.

Voir aussi > La conférence QualiQuanti « Ce que l’IA change vraiment dans les études – Retour d’expérience du Groupe Seb »

Nous avons prévu deux déjeuners-conférences, les 24 et 25 septembre, de 13 h à 13 h 45. Nous prolongerons également ces présentations par une ou plusieurs sessions en virtuel pour ceux que nous ne pourrons pas accueillir lors de ces deux conférences.

Voir aussi > La conférence QualiQuanti « Ce que l’IA change vraiment dans les études – Cas concrets »

Vous êtes enthousiaste vis-à-vis de certains usages de l’IA dans les études, mais plus réservé sur d’autres, et en particulier au sujet des répondants synthétiques…

Oui. Nous sommes enthousiastes sur les usages sémiologiques ou de planning stratégique, mais nous sommes « synthétiques sceptiques » ! J’ai eu l’occasion de l’évoquer récemment, avec cette tribune. Les tests que nous avons pu faire ont montré que le fait de passer par le truchement de consommateurs virtuels était décevant. Pour évaluer une conférence, par exemple, je préfère avoir une IA qui décompose le contenu en termes de clarté, de densité, de niveau d’engagement ou de qualité des citations, plutôt que de lire les réactions de personas synthétiques qui simulent une réaction humaine.

Je suis en revanche convaincu par le principe du jumeau numérique, qui est une sorte d’agent ayant emmagasiné des éléments de vécu sur un profil et pouvant extrapoler des réactions face à de nouvelles situations. Les personas synthétiques peuvent aussi faciliter les comparaisons interculturelles et anticiper les réactions dans différentes géographies. Mais j’attends encore de lire des extraits d’études à partir de personas synthétiques qui soient réellement stimulants et « insightful ». Si on m’en transmet qui sont pertinents, je promets de devenir un ambassadeur du synthétique !

Voyez-vous un dernier point à ajouter ?

Oui, je pense que nous devrions systématiser la génération d’agents IA à partir des études fondamentales. Une étude de ce type devrait pouvoir produire deux livrables : un rapport qui restitue la connaissance et un agent qui permet de continuer à l’activer. Cela renforce l’intérêt de produire des études suffisamment riches pour se prêter à ce prolongement. Aux instituts de construire cette connaissance et cette expertise de fond, pour qu’elles puissent ensuite être activées dans la durée grâce aux agents IA.

Concernant les usages de l’IA dans les études marketing, j’attends de la part de la profession un partage des outputs de l’IA. J’ai assisté à trop de conférences théoriques vantant les mérites de l’IA sans illustrations permettant de juger. L’idée n’est évidemment pas de partager des résultats confidentiels mais les fruits d’expérimentations. Vous trouverez ci-dessous une série d’exemples de travaux non confidentiels reposant sur l’IA. Les feedbacks des lecteurs sont les bienvenus.

POUR ACTION

• Echanger avec l’interviewé(e) : @ Daniel Bô

• Pour plus de détails sur cette interview, voir :

Méthodologies :