Dans cet article vous découvrirez que des startups cherchent à remplacer les répondants aux entretiens qualitatifs et aux focus groups par l’intelligence artificielle (IA). Nous analysons cette approche et expliquons les avantages et inconvénients qu’elle présente.
J’avais développé dans un article les recherches en cours pour le remplacement des sondages par l’IA générative. Cette dernière menace désormais aussi les méthodologies qualitatives. Lors du Websummit 2024, nous avons rencontré des startups qui proposaient de remplacer les focus groups et entretiens semi-structurés par des avatars générés par l’IA. Dans cet article, je me penche sur cette approche et vous livre mes réflexions. Spoiler alert : j’y vois pas mal de problèmes méthodologiques.
Contactez le cabinet d’études de marché IntoTheMinds
Si vous n’avez que 30 secondes
- Des startups commencent à proposer d’utiliser des avatars générés par IA pour simuler des réponses lors d’entretiens qualitatifs et de focus groups.
- Cette approche présente des avantages en termes de budget et de timing
- De nombreuses limitations existent toutefois : les réponses sont limitées à des informations ingérées par l’algorithme. Vous ne pouvez donc pas a priori générer d’informations nouvelles.
- Les informations réelles et précises (prix, noms, …), qui constituent la valeur ajoutée même d’une étude de marché ne peuvent pas être générées de manière sûre par l’algorithme
- Ce type d’application ne convient pas aux études en B2B
La tech derrière cette innovation
La technologie repose sur la modélisation de personas virtuelles grâce à l’IA. Il s’agit donc de simuler le comportement des consommateurs réels. Les interactions sont réalisées sur une plateforme online (SaaS). Les entreprises peuvent y interagir avec ces personas pour tester des produits, des marques ou des campagnes.
L’IA est entraînée sur base de vraies interviews qui sont réalisées pour chaque persona disponible dans la plateforme.
Avantages d’une IA pour remplacer vos répondants
Les avantages d’une IA pour « simuler » le comportement de répondants sont évidents :
- Gain de temps
- Gain d’argent
Les parties les plus pénibles de l’étude qualitative sont éliminées :
- Vous n’avez plus besoin de recruter des répondants pour vos focus groups et entretiens individuels
- Vous pouvez automatiser la phase de questions – réponses
- Toutes les réponses sont fournies par écrit, ce qui évite d’avoir à les transcrire
- Il est possible de simuler l’effet d’un produit sur plusieurs profils de consommateurs en parallèle
En poussant le bouchon un peu plus loin, on pourrait même imaginer que les fichiers d’interactions avec les avatars sont envoyés directement dans un logiciel de codage et analysés automatiquement. Tout le processus d’étude qualitative se ferait alors en vase clos, et il n’y aurait même pu besoin de l’intervention d’un humain.
Mais est-ce vraiment réaliste ?
Inconvénients
Vous vous en doutez, les inconvénients sont nombreux. Je vais donc m’attacher à vous montrer les limites du système.
Les insights sont limités à ce qui est déjà connu
C’est sans doute le plus gros inconvénient. Comme il s’agit d’une simulation de conversation, l’IA qui est derrière doit avoir été entraînée avec des données. Ce type d’approche ne peut donc vous livrer que des informations qui sont déjà connues. Or, les marchés changent, les comportements aussi. Il y a donc un vrai risque que les réponses que vous obtiendrez ne correspondent plus à l’état du marché.
Limitations pour les études de marché en B2B
La technologie repose sur la création de personas. Il s’agit donc d’un « profil moyen » qui résume le comportement global d’un groupe de clients. Ceci suppose donc une certaine homogénéité de comportements. Ce pré-requis m’amène à remettre en question la pertinence de cette approche dans un contexte B2B.
Dans une étude de marché en B2B, le but est le plus souvent de comprendre comment la personne interviewée prend ses décisions. Dans de nombreux cas, cette décision résulte de mécanismes complexes qui reposent sur :
- Plusieurs personnes au sein de l’entreprise
- Des processus formels (par exemple pour l’évaluation d’un fournisseur, la négociation, les limites de prix, etc.)
- Il y a donc a priori un nombre infini de modalités de décisions et il est difficile de fournir une réponse « moyenne ».
Pas d’informations précises et réelles
Un autre problème que pose la simulation d’une étude qualitative via l’IA générative concerne la réalité et la précision des informations. Que ce soit en B2C ou en B2B, le but d’une étude est d’apporter des réponses précises sur :
- Une part de marché
- Un prix payé
- Le nom du produit ou du service utilisé
Lorsqu’un client contacte un cabinet d’études de marché, il attend de ce dernier des informations précises. Or ces dernières ne sont a priori pas disponibles de manière exhaustive dans les données d’entraînement. Il en résulte que les réponses apportées par l’IA ne peuvent qu’être imprécises.
Dans le cadre d’une étude B2B, les données ne sont jamais publiques (c’est l’essence du secret des affaires). Il est donc impossible d’attendre d’une IA qu’elle vous donne des informations fiables dans ce contexte.
Les aspects non-verbaux sont ignorés
Une étude qualitative ne se limite pas à ce qui est dit. Un bon interviewer ou modérateur tient compte des réactions non verbales. Une réaction non verbale peut permettre de :
- Détecter une dissonance cognitive : ce que dit la personne n’est pas en adéquation avec ce qu’elle ressent
- Mieux modérer un focus group en donnant la parole aux personnes qui n’osent pas réagir spontanément
- Approfondir certaines positions
Techniques alternatives d’étude de marché non applicables
Pour finir, une simulation par IA se limite à des interactions textuelles. Cela empêche donc d’utiliser des techniques d’étude de marché alternatives :
- Utilisation d’images pendant les interviews
- Mmanipulation d’objets pendant les focus groups
- Création de prototypes suivant la technique du design thinking
Conclusion
La technologie d’émulation d’interviews et focus group par IA peut présenter un intérêt lorsqu’il s’agit de simuler des comportements connus, bien documentés.
Cette technologie est toutefois inadaptée
- Dans des contextes de marché très dynamiques, où les comportements clients sont susceptibles d’évoluer vite
- Lorsqu’il s’agit de recueillir des informations précises et factuelles sur des prix payés ou des produits / services utilisés
- Dans la plupart des études B2B
