IA et recherche qualitative : pourquoi le “scale” ne signifie pas gigantisme

L’article récent de Harvard Business Review https://hbr.org/2026/04/how-ai-helps-scale-qualitative-customer-research consacré à la manière dont l’IA aiderait à “scaler” la recherche qualitative a mis en valeur un contresens : croire que l’échelle signifie forcément gigantisme

Le premier malentendu tient au mot même de “scale”. Beaucoup entendent derrière lui une course aux très grands nombres, comme si le qualitatif devait désormais prouver sa valeur en atteignant des volumes comparables à ceux du quantitatif. L’enjeu du Big Qual n’a jamais été de viser des échantillons astronomiques. Ce qui compte, c’est l’atteinte d’une masse critique suffisante pour faire apparaître des régularités, des contrastes, des exceptions, des récurrences symboliques ou culturelles.

Autrement dit, l’échelle n’a de valeur que si elle permet de voir plus finement la diversité des vécus, des contextes, des registres d’expression, des imaginaires et des systèmes de représentation. Dans cette perspective, l’échelle devient une condition de mise en visibilité de la complexité.

Une deuxième confusion traverse le débat : la tendance à identifier le qualitatif à sa forme la plus canonique, c’est-à-dire l’entretien humain approfondi, mené par un modérateur expérimenté. La tradition qualitative est aussi une tradition d’élargissement des matériaux : observations, récits, journaux, traces, textes, images, discours médiatiques, productions culturelles, interactions sociales, mises en scène marchandes, objets visuels, pratiques. Ce que nous appelons Big Quali, c’est précisément la capacité à articuler cette diversité de matériaux et à multiplier les angles et focales d’analyse comme l’explique Dominique Desjeux, Professeur émérite d’anthropologie à l’Université Paris Cité et à la Sorbonne, qui invite à combiner les « échelles d’observation ».

Ce que l’IA change réellement : une extension du terrain d’exploration

À cet égard, l’IA permet de travailler sur des masses documentaires, discursives, visuelles et symboliques qui excèdent les capacités de lecture manuelle traditionnelles. Le défi n’est donc pas de “scaler” le qualitatif comme on industrialise une procédure. Le défi est d’utiliser l’IA pour élargir le champ du visible, sans renoncer à ce qui fait la force du regard qualitatif : l’attention aux nuances, aux contextes et aux couches de signification.

En définitive, l’IA semble pertinente dans au moins deux grands registres du quali.
– Le premier est celui de l’auto-administré à grande échelle. Il permet de sortir d’un qualitatif artisanal, souvent contraint par un nombre limité de questions et d’interviewés, sans basculer vers des effectifs pléthoriques. L’auto-administré permet de demander à 20 personnes de réagir à 200 vidéos pendant un forum d’une durée de 15 jours. Le scale porte sur la taille du corpus plus que sur le nombre d’interviewés.
– Le second registre est celui de l’analyse de contenus et de la sémiologie. Textes, images, discours, contenus d’usagers (reviews), médias sociaux peuvent être observés, comparés et décryptés à une échelle bien plus large.

Mon commentaire sur un post Linkedin a suscité un débat avec une qualitativiste traditionnelle.

Voici une synthèse de ce débat : Le débat porte finalement moins sur la possibilité technique d’analyser des corpus massifs avec l’IA que sur la nature même de ce que produit la recherche qualitative lorsqu’elle change d’échelle.

---

La position de Daniel Bô : articuler micro et macro

• Le Big Qual ne vise pas à accumuler des milliers de répondants pour le plaisir des grands chiffres.
• L’objectif est d’atteindre une masse critique pertinente, suffisamment large pour faire apparaître des variations, des signaux faibles et des régularités invisibles dans de très petits corpus.
• Les LLM ne sont pas considérés comme des producteurs de vérité, mais comme des outils d’exploration et de synthèse permettant de naviguer dans des corpus complexes.
• Pour éviter l’effet « boîte noire », les synthèses doivent rester traçables : l’analyste conserve l’accès à l’ensemble des verbatims afin de vérifier les interprétations proposées par l’IA.
• Le rôle humain demeure central : interprétation, contextualisation et validation restent sous contrôle du chercheur.
• L’ambition du Big Qual est donc de combiner profondeur qualitative et vision panoramique, en articulant plusieurs formats (entretiens, communautés, enquêtes avec questions ouvertes, vidéos, stimuli multiples).

L’objection de Susanne Friese : attention à ne pas changer de définition du qualitatif

• Selon elle, l’analyse approfondie de 20 à 30 entretiens permet déjà d’atteindre une forte richesse interprétative.
• Lorsque les corpus deviennent très volumineux, il devient difficile de maintenir un véritable human-in-the-loop sans se limiter à des vérifications ponctuelles.
• Elle considère que l’on obtient alors une autre forme de connaissance, plus extensive que véritablement qualitative au sens traditionnel.
• Le risque est de laisser croire que l’IA permettrait simplement de « faire du qualitatif à grande échelle », alors qu’elle produit en réalité un objet hybride.
• Le gain porte davantage sur une vision plus représentative ou plus diversifiée des points de vue, mais pas nécessairement sur l’épaisseur interprétative propre à la lecture rapprochée de quelques cas.

Le véritable point de désaccord

Le débat n’oppose donc pas des partisans et des adversaires de l’IA. Les deux reconnaissent l’intérêt des grands corpus.

La divergence est surtout épistémologique :

• Pour Daniel Bô, le Big Qual est une articulation des échelles : la profondeur du micro et la capacité du macro à révéler des motifs plus larges sont complémentaires.
• Pour Susanne Friese, changer d’échelle change la nature du savoir produit : on ne « scale » pas simplement le qualitatif, on produit un autre type de nuance.

En synthèse

Le Big Qual ne doit ni être présenté comme le remplacement du qualitatif traditionnel, ni comme une simple extension quantitative. Il invite plutôt à penser une écologie des méthodes, où l’IA permet de naviguer entre deux niveaux de compréhension : la proximité interprétative des cas singuliers et la lecture holistique de corpus étendus. La question centrale devient alors moins « peut-on faire du qualitatif à grande échelle ? » que : comment articuler intelligemment différentes formes de nuance pour mieux comprendre la complexité du réel ?