Personas synthétiques : peuvent-ils remplacer les répondants ? Je leur ai posé la question

Il y a une ironie que je n’avais pas tout à fait anticipée. Depuis des mois, je défends l’idée que l’intelligence artificielle transforme les études marketing en profondeur. Mais je n’avais pas encore posé la question la plus gênante qui soit : que pensent les personas synthétiques… d’eux-mêmes ?

En décembre 2025, j’écrivais dans une première tribune que l’IA ferait naître une cinquième génération de méthodes d’études. En mai 2026, une seconde tribune confirmait que cette révolution est en train d’arriver. Il restait à la soumettre à ceux qu’elle concerne le plus : les répondants synthétiques eux-mêmes.

Le dispositif : une étude délibérément réflexive

En mai 2026, j’ai conduit deux études avec FlashInsight : vingt entretiens individuels semi-directifs et une réunion de groupe de huit participants. Chaque participant était un répondant synthétique, construit à partir d’un persona — le briefing qui décrit son métier, son expérience et ses attitudes. Ces personas représentaient des professionnels du marketing, des données, de l’expérience utilisateur et des études : ceux qui, dans la vraie vie, sont à la fois des utilisateurs potentiels et des sceptiques légitimes des approches synthétiques.

La question posée : faut-il remplacer les répondants humains par des répondants synthétiques dans les études de marché, ou les compléter ? Autrement dit, j’ai demandé à des machines simulant des humains ce qu’elles pensaient de la légitimité de remplacer des humains par des machines simulant des humains. C’est volontairement inconfortable. Et c’est précisément pour cela que c’est intéressant.

Persona, répondant synthétique, données synthétiques : ces mots ne désignent pas la même chose, et la nuance compte ici. Nous les distinguons dans notre article sur les données synthétiques et leurs trois usages.

Ce qu’ils ont répondu

Dans ce dispositif, entretiens individuels comme réunion de groupe aboutissent aux mêmes trois conclusions.

Le modèle hybride fait l’unanimité. Aucun des vingt-huit ne défend le remplacement total des répondants humains. Tous plaident pour une complémentarité : la machine pour explorer, bousculer les hypothèses, essayer trente pistes au lieu de trois ; l’humain pour valider, décider, engager un budget.

La transparence est une condition sine qua non. Les spécialistes des données et de l’analyse sont les plus exigeants, mais l’exigence traverse tous les profils : tracer les sources, documenter les paramètres de génération, signaler clairement les enseignements synthétiques dans les livrables. Sans cela, la confiance est impossible, et l’outil devient une boîte noire de plus.

Le vrai risque, c’est la chambre d’écho. Le danger identifié par les répondants eux-mêmes n’est pas qu’un modèle produise de mauvais résultats. C’est qu’il en produise de trop lisses, de trop consensuels.

« On risque de se retrouver avec des insights qui sont juste des confirmations de nos propres biais de départ », résume l’un d’eux. La rupture, l’aspérité, le signal faible inattendu : c’est précisément ce que la machine a du mal à produire d’elle-même.

Vingt-huit sur vingt-huit : l’unanimité est elle-même un signal

Quand j’ai publié ces résultats en juin, je présentais cette convergence comme un résultat solide. Je la lis aujourd’hui autrement.

Entre-temps, nous avons publié une mesure de la sous-dispersion (en anglais) : sur une même question, des répondants synthétiques qui partagent un profil se ressemblent bien plus que des personnes réelles au profil identique, qui, elles, continuent de ne pas être d’accord. Et l’équipe de Columbia qui a construit les jumeaux numériques de référence vient de mesurer ses propres modèles : ils sont moins variés que les humains dans l’immense majorité des cas, trop optimistes et trop raisonnables.

→Étude publiée dans Science Advances par l’équipe de Columbia Business School (« Digital Twins as Funhouse Mirrors ») : 19 expériences, 1 784 personnes, 164 mesures. Les jumeaux numériques y sont moins variés que les humains dans 154 mesures sur 164.

Vingt-huit répondants sur vingt-huit du même avis, c’est donc aussi ce que l’on attend d’outils qui manquent de variété. Et c’est exactement la chambre d’écho que ces répondants redoutaient eux-mêmes : des réponses trop lisses, trop consensuelles. Leur unanimité n’invalide pas ce qu’ils disent. Elle rappelle qu’un accord parfait entre répondants synthétiques se lit comme un symptôme autant que comme une conclusion.

Cela ne retire rien à l’usage d’exploration, mais cela le précise : on peut soumettre trente pistes au lieu de trois, à condition de savoir que, sur chacune, les réponses seront plus homogènes que celles de vraies personnes. Le synthétique aide à trier des idées ; il ne mesure pas l’écart des opinions.

Ce qui tient, ce sont leurs arguments. Ils recoupent ce que des professionnels bien réels écrivent aujourd’hui. Luc Balleroy, directeur général d’OpinionWay, appelle à ne pas laisser « le mirage des interviews synthétiques brouiller la révolution IA ». Léger, qui mise sur les personas synthétiques, en détaille publiquement les forces et les faiblesses.

Deux lectures possibles

Lecture optimiste. Les modèles de langage ont absorbé assez de publications, de débats et de tribunes de la profession pour reproduire une position nuancée, qui n’est pas complaisante envers elle-même. Leurs réponses refléteraient alors ce que penseraient des professionnels aguerris : ce serait un signe de bonne calibration.

Lecture critique. Ces modèles reproduisent peut-être aussi ce que leurs concepteurs — Anthropic, OpenAI et les autres — pensent de leurs propres outils. Ce ne serait alors pas l’opinion des professionnels des études que je mesure, mais celle des chercheurs en IA, injectée dans les données d’entraînement. Une chambre d’écho d’un genre particulier : non pas celle de mes biais, mais celle de mes fournisseurs de technologie.

Les deux lectures coexistent, et cette coexistence est la vraie leçon : sur les sujets réflexifs, quand on interroge l’outil sur lui-même, le synthétique est structurellement moins fiable. C’est là que le regard humain extérieur devient indispensable. Je l’écrivais dès ma première tribune : « Ce n’est pas l’outil qui pose problème, c’est notre façon de l’utiliser. »

Trois règles pour la pratique

1. Séparer strictement exploration et validation. La machine explore, bouscule les hypothèses, multiplie les pistes. L’humain valide, décide, engage. Les deux phases ne se mélangent pas dans un même livrable : sur une décision à fort enjeu, le synthétique ne remplace pas la validation humaine.

2. Tracer les consignes et les sources. La confiance se construit sur la visibilité, pas sur la performance affichée. Montrer les paramètres de génération, la provenance des données, les biais connus : ce n’est pas une exigence de puriste, c’est la condition pour utiliser l’outil dans un cadre professionnel sérieux.

3. Soumettre toute conclusion importante à une contre-épreuve sur le terrain. Un enseignement synthétique qui pèse sur une décision stratégique ou budgétaire doit être confronté à des données humaines avant d’être retenu. Ce n’est pas de la méfiance envers l’outil : c’est ce qui le rend crédible dans la durée.

Ce que la machine ne peut pas savoir d’elle-même

Je termine par la phrase qui m’a le plus frappé dans ces vingt-huit entretiens. Elle vient d’un répondant construit à partir d’un persona masculin, plutôt expérimenté, originaire de Limoges, qui simule un professionnel chevronné :

On peut sourire : c’est une machine qui le dit, une machine qui n’a connu ni le stress ni le boulanger. Mais la phrase dit quelque chose de vrai, et c’est justement parce qu’elle vient d’une machine qu’elle mérite d’être prise au sérieux. Les modèles ont absorbé assez de langage humain pour reconnaître et formuler les limites de leur propre expérience. Ce n’est pas de la conscience. C’est de la calibration.

La vraie valeur du synthétique n’est pas de remplacer l’humain. C’est d’être assez bien calibré pour savoir quand il ne peut pas le remplacer.

Un mot aux décideurs

Je voudrais maintenant m’adresser directement aux décideurs marketing : pas aux équipes études, pas aux méthodologues, pas aux vendeurs de plateformes. À ceux qui, lundi matin, doivent arbitrer un concept, un prix, un positionnement, un budget.

Résumer n’est pas synthétiser. Synthétiser n’est pas décider. Ce qui change la trajectoire d’une marque, ce n’est ni le rapport ni la synthèse : c’est la décision qui en sort, et la qualité du débat qui l’a précédée.

Pour la première fois, un décideur peut dialoguer directement avec des répondants synthétiques construits à partir de personas. Leur poser ses questions. Les contredire. Leur présenter trois variantes d’un concept à 22 heures, la veille d’un comité. Tester un prix qu’il n’aurait jamais osé soumettre à un panel. Explorer une intuition avant même de savoir s’il faut une étude.

C’est ce que nous construisons avec FlashInsight : non pas un substitut aux études, mais un outil de dialogue entre un décideur et son marché — qui sait ce qu’il ne sait pas faire, et qui le dit. Pour le décideur, la question pratique tient en trois lignes :

• Quelle décision suis-je en train d’arbitrer cette semaine ?
• Quel échange avec des répondants synthétiques m’aiderait à entrer mieux préparé dans la pièce ?
• Quel garde-fou méthodologique me permet de signer derrière le résultat ?

Si vous savez répondre aux trois, vous n’achetez plus seulement une étude : vous améliorez votre propre façon de décider. Vous êtes passé de « est-ce que cela paraît plausible ? » à « est-ce que je peux signer derrière ? ».

Quand les machines plaident pour l’humain

Les vingt-huit répondants que j’ai interrogés plaident pour le modèle hybride. On vient de voir qu’il faut lire leur unanimité avec précaution. Mais leur conseil tient, parce qu’il ne dépend pas d’eux : se servir du synthétique pour mieux arbitrer ensuite, avec son équipe, ses clients et son marché réel.

Le pas suivant ne sera pas franchi par les équipes études seules. Il le sera par les décideurs qui choisiront de s’emparer du sujet, non comme spectateurs d’un débat de méthode, mais comme utilisateurs directs d’un outil qui leur permet de parler à leur marché avant d’avoir à le sonder.

Et vous, quelle décision arbitrez-vous cette semaine ? Si vous voulez voir ce que cela donne sur vos propres questions, parlons-en.

Une première version de ce texte a paru en juin 2026 sur le blog de L’Atelier IA. Données d’étude : FlashInsight, vingt entretiens individuels et une réunion de groupe de huit participants, mai 2026.

Sources

Tribunes de Laurent Florès dans Market Research News. « La cinquième génération ne sera pas une évolution, mais une révolution » (décembre 2025) · « 18 mois plus tard, la révolution est en train d’arriver » (mai 2026).

Étude de Columbia. « Digital Twins as Funhouse Mirrors », Science Advances.

Le débat chez les professionnels. Tribune de Luc Balleroy (OpinionWay) dans Market Research News · Léger : forces et faiblesses des données synthétiques · Isarta : pourquoi Léger et Plus Compagnie misent sur les personas synthétiques.

À lire sur FlashInsight. Données synthétiques : une matière première, trois usages · Under-dispersion, and a test anyone can run (en anglais).