Publié le13 septembre 2026FR

Données synthétiques et sondages : simuler n’est pas mesurer

Peut-on remplacer un sondage par des données synthétiques ? Les quatre usages reconnus par la profession, les écarts déjà mesurés, et le test qu’un acheteur peut faire lui-même.

Données synthétiquesSondagesMéthode

Peut-on remplacer un sondage par des données synthétiques ? La question revient à chaque conférence, et la réponse courte — « non, mais » — ne rend service à personne. Voici la version utile : à quels endroits d’un sondage une simulation peut se substituer sans dommage, et les écarts à vérifier avant de croire un chiffre qui n’est venu de personne.

Un sondage est une mesure, pas un contenu

Un sondage interroge un échantillon construit pour représenter une population, à un moment donné. Sa valeur ne tient pas à l’intérêt des réponses : elle tient à la chaîne qui va de la population visée jusqu’au chiffre publié. Qui a été interrogé, comment, combien ont refusé, comment on a redressé.

Une étude marketing peut légitimement chercher des idées et des formulations. Un sondage, lui, prétend à un état du réel. La différence n’est pas de sérieux, elle est de nature — et c’est elle qui décide de ce qu’une simulation peut remplacer.

Un sondage ne produit pas une opinion plausible. Il constate une opinion existante.

Quatre mots employés comme un seul

Terme	Ce que c’est réellement
Donnée synthétique	Une donnée générée artificiellement, qui reproduit les propriétés statistiques de données réelles. La matière première, pas le répondant.
Répondant synthétique	Une instance de modèle de langage à qui l’on demande de répondre comme le ferait un humain. L’unité que l’on compte.
Persona synthétique	Le briefing donné au modèle : les traits et attitudes qui orientent ses réponses. Pas un individu, une consigne.
Population synthétique	L’ensemble généré, pris comme un tout. Le terme vient de la microsimulation — transport, épidémiologie — où l’on fabrique une population entière fidèle aux marges statistiques connues. En études, c’est l’échantillon une fois assemblé.
Jumeau numérique	Une tentative de répliquer une personne réelle précise, et non un archétype. La prétention la plus lourde, donc la plus exigeante en preuves.

L’axe à retenir : la donnée synthétique est l’entrée, le répondant synthétique est la sortie. J’ai détaillé ailleurs comment une même base peut nourrir trois usages très différents.

Les quatre usages, selon la profession française

En juin 2025, la commission métier Études de Syntec Conseila publié une note signée Philippe Guilbert : « Données synthétiques et études marketing & sondages d’opinion ». C’est le document de référence en français. Il identifie quatre cas d’usage, et l’ordre est aussi un ordre de risque croissant.

Imputation des non-réponses partielles. Un répondant réel a sauté trois questions, un modèle estime ce qu’il aurait répondu. La personne existe, on comble un trou.
Extrapolation de réponses. On raccourcit le questionnaire en prédisant les questions non posées.
Augmentation d’échantillon. On ajoute des répondants virtuels générés à partir des répondants réels, surtout sur des cibles rares.
Répondants entièrement virtuels. Plus personne de réel dans l’échantillon. C’est de ce cas qu’on parle quand on dit « remplacer un sondage ».

Les deux premiers sont anciens et balisés. Le quatrième change la nature de l’exercice — et c’est sur lui que portent l’essentiel des promesses commerciales.

Simuler n’est pas mesurer

Dans une analyse publiée par The Conversation en juillet 2026, Ambuj Tewari, professeur de statistique à l’université du Michigan, pose le problème au bon niveau : un système qui produit des réponses synthétiques n’effectue pas une mesure de l’opinion publique, il en exécute une simulation à partir de ce qu’il a déjà vu.

La conséquence est pratique. Quand un sondage classique se trompe, on remonte la chaîne : terrain, mode de recueil, redressement. Quand une simulation se trompe, le biais reste enfermé dans un modèle propriétaire. Syntec Conseil formule de son côté l’avertissement le plus utile du dossier :

Remplacer une partie des répondants réels par des synthétiques dans un échantillon pour montrer que les résultats globaux sont préservés ne prouve pas que la structure des données originelles a été conservée ou améliorée.

Autrement dit : une moyenne qui tombe juste ne prouve rien.

Ce que la recherche a déjà mesuré

En septembre 2026, Science Advances a publié « Digital twins are funhouse mirrors », de la Columbia Business School : dix-neuf études préenregistrées, 164 résultats, des personnes réelles comparées à leurs jumeaux numériques. Deux chiffres comptent.

Les simulés ne se contredisent pas assez : leur écart-type est inférieur à celui des humains dans 154 cas sur 164, soit 93,9 %. Un sondage bâti là-dessus affiche des majorités trop nettes. Et les moyennes bougent aussi : sur 105 des 164 résultats, la réponse moyenne des jumeaux diffère significativement de celle des humains. Qui cite ce travail pour dire « le problème, c’est la dispersion » n’en cite que la moitié.

Nous avons trouvé le même défaut chez nous, et nous l’avons publié avant d’avoir un remède : à l’intérieur d’un bloc politique français, nos répondants simulés atteignaient 0,38 de la dispersion des répondants français réels. Mesuré contre 1 016 Marocains réels, puis corrigé, ce rapport est remonté au niveau humain. Le détail est dans notre article sur la sous-dispersion. Ce que cela ne règle pas : le second écart, celui des moyennes. Ce sont deux propriétés distinctes.

Le test qu’un acheteur peut faire lui-même

Il ne demande pas l’accès au modèle. Il demande qu’on vous livre les réponses individuelles, et non les seuls agrégats — si c’est refusé, vous avez déjà une réponse.

Comparez les écarts-types, pas les moyennes. Sur un sous-groupe défini, confrontez la dispersion simulée à celle d’une enquête réelle publique.
Vérifiez qu’elle varie d’une question à l’autre. Chez de vraies personnes, certains sujets divisent et d’autres font consensus. Une dispersion uniforme est un signal de fabrication.
Regardez si les réponses tiennent ensemble. Deux questions corrélées dans la vraie vie doivent le rester dans la simulation.
Comptez les profils distincts. Un échantillon simulé qui en produit deux fois moins qu’une enquête réelle décrit un monde plus simple que le vôtre.

Une mise en garde, parce qu’elle est contre-intuitive : ajouter du bruit aléatoire ne corrige rien. Cela élargit la dispersion en détruisant la structure. Un fournisseur qui « augmente la variance » sans montrer que les corrélations survivent n’a pas réglé le problème, il l’a déplacé.

Les questions à poser avant de signer

Syntec Conseil renvoie, pour le choix d’un prestataire, au document de l’ESOMAR destiné aux acheteurs de services fondés sur l’IA. J’ai expliqué pourquoi cette association a préféré vingt questions à un label dans « Pourquoi l’ESOMAR pose-t-elle vingt questions ? », et nos vingt réponses sont publiées dans la version anglaise. Si vous n’en retenez que trois : sur quelles données réelles ce système a-t-il été calibré, pour ce pays et cette population ? Quand cette calibration a-t-elle été mesurée pour la dernière fois, et contre quelle référence ? Quels écarts le fournisseur a-t-il publiés sur son propre travail ?

La bonne question n’est donc pas « les données synthétiques remplacent-elles les sondages ? ». C’est : à quelle étape de ce sondage suis-je en train de remplacer une mesure par une hypothèse, et quelle preuve m’a-t-on donnée que l’hypothèse tient ? Si la réponse reste générale, la démonstration est peut-être séduisante, mais la méthode n’est pas établie.

Method over Magic.

Sources

Cadrage professionnel. Philippe Guilbert, « Données synthétiques et études marketing & sondages d’opinion », commission métier Études, Syntec Conseil, juin 2025.

Analyse académique. Ambuj Tewari, université du Michigan, « Les sondages générés par IA séduisent des instituts, mais peuvent-ils vraiment refléter ce que pensent les gens ? », The Conversation, 28 juillet 2026.

Étude citée. « Digital twins are funhouse mirrors », Science Advances, Columbia Business School, septembre 2026 : 154 cas sur 164 (93,9 %) en sous-dispersion, 105 résultats sur 164 où la moyenne diffère significativement.

Tous les articles