Un sondage synthétique peut-il prédire la présidentielle 2027 ?

Non, un sondage synthétique ne peut pas prédire qui sera élu au printemps 2027. Il ne demande rien à aucun électeur : il simule des réponses à partir de ce qu’un modèle a déjà appris. Il peut en revanche aider à préparer un vrai sondage, à vérifier qu’un message est compris ou à comprendre une hésitation. Encore faut-il savoir ce qu’on lit quand un « sondage IA » fera les gros titres.

L’essentiel

• Un sondage mesure l’opinion de vraies personnes. Un sondage synthétique la simule. Un chatbot qui donne un pronostic ne fait ni l’un ni l’autre.
• Une élection est le cas le plus difficile pour une simulation : le résultat n’existe pas encore, tout se joue à quelques points, chez ceux qui hésitent, et selon qui ira voter.
• Un sondage synthétique calé sur les sondages publiés ne prédit pas l’élection : il recopie les sondages. Et la loi de 1977 sur les sondages pose une question à regarder avant toute publication.
• Son vrai usage est en amont : tester un questionnaire, un message, une proposition, puis confier la mesure au terrain.

Trois choses que l’on appelle « sondage IA »

Le mot va être employé pour des objets très différents. Avant de discuter d’un chiffre, il faut savoir lequel on a sous les yeux.

Le deuxième existe déjà pour 2027. Le site élection.fr publie toutes les deux semaines les estimations de six chatbots pour les deux tours, à partir de l’actualité récente et sans utiliser de sondages. Le 28 septembre 2026, au second tour, le score donné à la même candidate allait de 52,5 % à 58 % selon le modèle, face à des adversaires qui ne sont pas les mêmes d’un modèle à l’autre. Six modèles, la même consigne, six réponses : c’est ce qu’est un pronostic de chatbot.

Le troisième est celui dont on parle ici. Le principe est expliqué dans notre fiche sondage synthétique : un questionnaire classique posé à des répondants synthétiques plutôt qu’à un panel humain.

Pourquoi une élection est-elle le cas le plus difficile ?

Une étude de marché peut se contenter de comparer des options entre elles. Une élection demande un niveau exact, à une date précise, sur un comportement futur. Cinq raisons rendent l’exercice particulièrement difficile pour une simulation, et plus encore à vérifier.

1. Le résultat n’existe pas encore. Un modèle apprend de ce qui a déjà été écrit et mesuré. On peut lui donner l’actualité récente, mais pas la campagne qui reste à venir, ni les débats, ni l’événement de la dernière semaine. Un électeur, lui, les vivra.

2. Tout se joue à quelques points, chez ceux qui hésitent. Or le défaut le plus connu des répondants simulés est d’être trop d’accord entre eux : c’est la sous-dispersion. Des répondants trop homogènes donnent des écarts trop assurés et effacent une partie des hésitations, c’est-à-dire des électeurs qui font l’élection.

3. Il faut savoir qui ira voter. Une part importante des inscrits ne vote pas, et elle change d’un scrutin à l’autre. Les instituts passent beaucoup de temps à estimer la certitude d’aller voter de chaque personne interrogée. Un profil simulé n’a pas de dimanche après-midi : il répond toujours.

4. La réponse change avec la question, et avec le jour. Changer légèrement la formulation déplace les réponses simulées. Donner la même consigne au même modèle trois mois plus tard aussi : des chercheurs américains l’ont mesuré (voir plus bas). Un sondage qu’on ne peut pas refaire à l’identique ne peut pas suivre une campagne.

5. Le piège du recopiage. Pour paraître juste, une simulation électorale est tentée de se caler sur les derniers sondages publiés. Elle n’apporte alors plus grand-chose : elle reproduit, avec un habillage technologique, ce que les instituts ont déjà mesuré.

Ce que la recherche a déjà montré

Les deux travaux de référence portent sur les États-Unis, et sur des élections déjà passées.

En 2023, une équipe de l’université Brigham Young a montré qu’un modèle de langage, à qui l’on donne le profil de vrais participants à de grandes enquêtes américaines, peut reproduire les réponses de nombreux sous-groupes (Argyle et al., « Out of One, Many »). C’est de là que vient l’expression « échantillons de silicium ». Il compare des réponses à des enquêtes dont on connaissait déjà les résultats : c’est une reproduction, pas une prévision.

En 2024, une autre équipe a posé la question inverse : ces réponses simulées peuvent-elles remplacer une enquête ? Sur l’enquête électorale nationale américaine (ANES 2016-2020), les moyennes simulées étaient souvent proches des vraies, mais pas le reste (Bisbee et al., « Synthetic Replacements for Human Survey Data? ») :

• moins de variation dans les réponses que dans la vraie enquête ;
• des liens entre le profil et la réponse (par exemple entre l’âge et une opinion) souvent différents de ceux de la vraie enquête ;
• des résultats qui changent avec de légères modifications de la consigne ;
• la même consigne qui donne des résultats significativement différents à trois mois d’intervalle.

Leur conclusion porte sur la fiabilité et la reproductibilité de ces données. Aucun de ces travaux ne montre qu’un modèle sait prévoir un vote à venir.

Ce que nous avons mesuré nous-mêmes

FlashInsight fait des études de marché, pas des sondages électoraux, et nous n’avons jamais testé la prédiction d’un vote. Mais l’un des défauts que nous avons mesurés sur nos propres répondants simulés porte sur la politique. La dispersion mesure à quel point des personnes de même profil sont en désaccord entre elles ; on la lit comme un rapport, où 1,00 veut dire « autant que de vrais gens ». À l’intérieur d’un même bloc politique français, nos répondants simulés n’atteignaient que 0,38 de la dispersion de 1 771 vrais Français interrogés par l’European Social Survey (vague 11) : des personnes d’un même camp beaucoup plus d’accord entre elles qu’elles ne le sont en réalité.

Nous avons corrigé la façon dont nos profils sont construits. En France, leur dispersion est aujourd’hui comprise entre 0,97 et 1,03 de celle des vrais Français, sur les attitudes que mesure l’enquête. Les chiffres des huit marchés, avant et après, sont publiés dans notre note sur la fiabilité des répondants synthétiques. Vérifier que cette diversité se retrouve bien dans les réponses est le travail en cours. Et c’est une calibration, pas une validation : le test sur des questions nouvelles, qui n’ont jamais servi à régler le moteur, n’a pas encore été lancé. Même réussi, il ne ferait pas de nos répondants des électeurs capables de dire pour qui ils voteront en avril.

À quoi un sondage synthétique est-il bon pendant une campagne ?

À ce qui se passe avant la mesure, jamais à la mesure elle-même.

La règle est la même que pour toute étude synthétique : le synthétique propose, le terrain tranche.

Que dit la loi sur les sondages ?

En France, la loi du 19 juillet 1977 encadre la publication des sondages liés au débat électoral, sous le contrôle de la Commission des sondages. Son premier article contient deux phrases qui comptent ici :

→Un sondage est, quelle que soit sa dénomination, une enquête statistique visant à donner une indication quantitative, à une date déterminée, des opinions, souhaits, attitudes ou comportements d’une population par l’interrogation d’un échantillon. […] Sont assimilées à des sondages pour l’application de la présente loi les opérations de simulation de vote réalisées à partir de sondages liés au débat électoral.

Nous ne sommes pas juristes, et nous ne trancherons pas. La loi définit le sondage par l’interrogation d’un échantillon, ce qu’un sondage synthétique ne fait pas. Mais elle précise aussi que le nom ne compte pas, et elle assimile à des sondages les simulations de vote réalisées à partir de sondages. Savoir où se place une simulation électorale par IA est donc une vraie question juridique. Qui veut en publier une pendant la campagne devrait la poser avant, et non après.

Côté profession, le code international ICC/Esomar, révisé en 2025, demande déjà de dire au client quand des données ou des personas synthétiques sont utilisés, et avec quel niveau de supervision humaine. Un résultat simulé présenté comme l’opinion des Français, sans le dire, induit son lecteur en erreur.

Comment lire un « sondage IA » d’ici le printemps ?

Quatre questions suffisent, et un titre de presse y répond rarement.

1. Qui a été interrogé ? Si la réponse est « personne », c’est une simulation ou un pronostic, pas un sondage.
2. Sur quoi est-il calé ? S’il s’appuie sur les sondages publiés, il les reproduit. Ce qui compte est ce qu’il apporte en plus, et comment on le sait.
3. Les indécis existent-ils ? Une simulation sans hésitants, ou avec des camps parfaitement homogènes, décrit un électorat plus simple que le vrai.
4. A-t-il déjà été testé à l’aveugle ? C’est-à-dire avant une élection, publié avant le résultat, puis comparé au résultat. Un modèle qui « retrouve » une élection passée n’a prouvé que sa mémoire.

Et pour une entreprise ?

La même logique vaut pour un test de concept ou un pré-test publicitaire, avec une différence qui change tout : on y compare des options entre elles, sans chercher à prédire un niveau exact à une date donnée. C’est là qu’un panel synthétique bien calibré est utile, pour trier tôt des idées et n’envoyer sur le terrain que les meilleures. Les questions à poser à un fournisseur sont les mêmes : face à quelle enquête réelle il est calibré, avec quelle dispersion, et s’il accepte un test en parallèle, à l’aveugle, publié quel qu’en soit le résultat. Nous l’acceptons.

Le même sujet, en version courte et pour un public plus large, est dans la chronique de Laurent Florès pour le Journal du Net : « Présidentielle 2027 : peut-on prédire le vote avec des répondants synthétiques ? ».

Sources

La loi. Loi n° 77-808 du 19 juillet 1977 relative à la publication et à la diffusion de certains sondages d’opinion, article 1er, version en vigueur depuis le 27 avril 2016.

Recherche. Argyle L. P., Busby E. C., Fulda N., Gubler J. R., Rytting C., Wingate D. (2023). Out of One, Many: Using Language Models to Simulate Human Samples. Political Analysis, 31(3), 337-351. Bisbee J., Clinton J. D., Dorff C., Kenkel B., Larson J. M. (2024). Synthetic Replacements for Human Survey Data? The Perils of Large Language Models. Political Analysis, 32(4), 401-416.

Presse. Florès L. (2026). Présidentielle 2027 : peut-on prédire le vote avec des répondants synthétiques ?, Journal du Net, 1er octobre 2026.

À lire sur FlashInsight. Les répondants synthétiques sont-ils fiables ? Nos chiffres, huit marchés · Données synthétiques et sondages : simuler n’est pas mesurer · La sous-dispersion · Le sondage synthétique.