Et si la vérité ne résidait ni dans l’opinion du plus brillant expert, ni dans celle de la majorité, mais dans la synthèse d’une diversité de regards ?
En 2004, le journaliste américain James Surowiecki publie The Wisdom of Crowds (La sagesse des foules), un ouvrage devenu une référence sur l’intelligence collective.
Sa thèse est contre-intuitive : dans certaines conditions, un groupe d’individus ordinaires peut être plus intelligent que l’expert le plus brillant qui le compose.
Le jour où une foule a battu les experts
L’histoire commence au début du XXᵉ siècle.
Le statisticien britannique Francis Galton assiste à une foire agricole. Un concours est organisé : plusieurs centaines de personnes doivent deviner le poids d’un bœuf après son abattage.
Les participants sont de tous horizons : agriculteurs, bouchers, simples visiteurs, curieux.
La plupart se trompent.
Pourtant, lorsque Galton calcule la moyenne des réponses, il découvre qu’elle est quasiment exacte.
La foule avait trouvé la bonne réponse. Mieux que la plupart des spécialistes présents.
La diversité comme moteur de vérité
Pour James Surowiecki, le génie collectif ne vient pas du fait que les individus soient exceptionnellement compétents.
Il repose sur un mécanisme beaucoup plus simple : chacun possède une partie de la vérité… et ses propres erreurs.
Certains surestiment. D’autres sous-estiment.
Lorsque les erreurs sont variées et indépendantes, elles ont tendance à se neutraliser.
Ce qui subsiste, c’est une estimation étonnamment juste.
La diversité n’est donc pas un problème à résoudre. C’est une ressource cognitive.
Les 4 conditions de la sagesse des foules
Selon Surowiecki, une foule n’est pas automatiquement intelligente. Quatre conditions doivent être réunies.
1. La diversité des opinions
Les individus doivent avoir des expériences, des informations et des sensibilités différentes.
Plus le groupe est homogène, moins il est performant.
2. L’indépendance des jugements
Chacun doit penser par lui-même.
Lorsque les individus copient leurs voisins, les erreurs deviennent collectives.
C’est ce qui explique les paniques financières, les phénomènes de mode ou certains emballements médiatiques.
3. La décentralisation
L’information est dispersée.
Le client connaît son expérience. Le vendeur connaît le terrain. L’employé connaît les dysfonctionnements.
Personne ne détient seul toute la vérité.
4. L’agrégation
Enfin, il faut un mécanisme capable de réunir ces contributions : moyenne, vote, marché prédictif, intelligence collective organisée.
Sans agrégation, la diversité reste silencieuse.
Quand les foules deviennent stupides
L’une des grandes forces du livre est aussi de rappeler que les foules peuvent être extrêmement irrationnelles.
Elles perdent leur intelligence lorsque tout le monde pense pareil, lorsque les leaders d’opinion imposent leur vision, lorsque la peur domine ou lorsque la pression sociale étouffe les individualités.
Autrement dit : ce n’est pas la foule qui est sage. Ce sont les conditions dans lesquelles elle s’exprime qui le sont.
Une idée particulièrement actuelle à l’ère des réseaux sociaux.
Ce que cela change pour les études
Cette réflexion dépasse largement l’économie ou la psychologie.
Elle interroge directement notre manière de comprendre le monde.
Pendant longtemps, les études ont opposé le quantitatif, censé mesurer, et le qualitatif, censé comprendre.
Mais la leçon de Surowiecki est ailleurs.
La vraie question n’est pas : « Combien de personnes avons-nous interrogées ? »
Mais plutôt : « Avons-nous réussi à capter une diversité suffisante d’expériences pour comprendre le phénomène étudié ? »
Le défi n’est plus uniquement d’agréger des réponses. Il consiste aussi à préserver la richesse des contributions humaines : verbatims, récits, photos, vidéos, émotions, contradictions.
Le chiffre révèle une tendance. L’humain lui donne du sens.
En conclusion
À l’heure où l’on célèbre autant l’intelligence artificielle que l’expertise individuelle, James Surowiecki nous rappelle une idée fondamentale :
La vérité collective ne naît pas de l’uniformité. Elle émerge de la diversité des regards.
Encore faut-il savoir l’écouter, l’organiser… et lui donner du sens.
81 000 interviews sur l’IA https://lnkd.in/e_jgXaVb. Très bel exemple de Big Quali signé Anthropic. Avec plus de 80 000 entretiens, menés dans 159 pays et 70 langues, on voit enfin ce que permet l’IA quand elle est utilisée non seulement comme objet d’étude, mais aussi comme outil de recueil et de mise en forme de données qualitatives à très grande échelle.
L’auto-administré conversationnel permet de capter des expériences riches, intimes, mondiales, et de faire apparaître des tensions très fortes autour de l’IA. Dans les verbatims, on retrouve notamment : – l’IA comme instrument d’émancipation ; – un fort potentiel en santé ; – des gains de productivité réels mais souvent captés par les organisations ; – une aide émotionnelle qui peut aussi nourrir la dépendance ; – la peur de la déqualification cognitive ; – des inquiétudes sur l’emploi, la désinformation, la surveillance et la concentration du pouvoir.
Mais je reste un peu sur ma faim. On nous donne accès à un immense mur de citations, avec des filtres, et à une catégorisation très utile. En revanche, on exploite encore trop peu ce que le verbatim massif permet vraiment : faire émerger des imaginaires, des ambivalences, des paradoxes, des structures narratives, des rapports au pouvoir, des styles culturels d’appropriation.
Le plus intéressant n’est pas seulement de trier les verbatims, mais de montrer : – comment les tensions s’organisent entre elles ; – quels paradoxes reviennent d’un pays à l’autre ; – ce qui relève de l’universel et ce qui relève des contextes culturels ; – ce que ces récits disent de notre rapport à l’autonomie, au travail, à la créativité et au jugement.
C’est donc un magnifique cas d’école de Big Quali : une démonstration très forte de ce qu’il devient possible de recueillir aujourd’hui, mais aussi un rappel que collecter et classer du verbatim ne suffit pas.
Si l’on veut tirer toute la valeur de ce type de corpus, il faut aller au-delà du quote wall : passer du stock de verbatims à une lecture structurante du vécu humain face à l’IA. C’est ce que j’ai demander à Claude de faire : https://lnkd.in/eiqsiSYi
Voici une synthèse thématique de ce corpus de verbatims mondiaux sur l’IA.—
Synthèse des verbatims mondiaux sur l’IA
Ce corpus de plusieurs centaines de témoignages, issus d’une quarantaine de pays sur six continents, dessine un tableau d’une rare richesse. Huit grandes tensions structurent l’expérience vécue de l’IA.
1. L’IA comme instrument d’émancipation
C’est le registre le plus fréquent et le plus intense. Des personnes que le système éducatif, le marché du travail ou les frontières géographiques avaient marginalisées racontent un véritable retournement de situation. Un ancien agent de sécurité devenu ingénieur en moins d’un an, un entrepreneur sans compétences en code qui lance une application en deux jours, une mère au foyer qui se sent enfin capable de tout comprendre — ces trajectoires se répètent à travers tous les continents. L’IA est vécue comme un égaliseur des chances, particulièrement dans les pays en développement où l’accès aux experts, aux tuteurs ou aux juridictions coûte cher.
Pour les personnes en situation de handicap — cognitif, moteur, sensoriel — les témoignages sont parmi les plus poignants : l’IA y est décrite comme une prothèse mentale, un exosquelette cognitif, un traducteur entre le monde intérieur et le monde social.
2. Santé : espoirs immenses, risques réels
L’IA comme acteur de santé traverse tout le corpus. Les récits positifs sont spectaculaires : des diagnostics trouvés après des années d’errance médicale, des patients qui arrivent mieux préparés face à leurs médecins, des soignants qui économisent des heures de documentation pour les consacrer à leurs malades. Une infirmière décrit avoir retrouvé de la patience avec ses patients ; un médecin raconte avoir réduit les défaillances organiques grâce à l’analyse de données.
Mais la contrepartie est sévère. Des informations erronées pour des cancers rares, des médicaments potentiellement dangereux suggérés sans nuance, une confiance aveugle dans des réponses plausibles mais inexactes — le corpus signale clairement que l’IA en santé peut tuer si elle n’est pas encadrée.
Le gain de productivité est universel et massif — « 25x », « 30 personnes à moi seul », « je fais en deux jours ce qui prenait deux ans ». Mais une amertume profonde traverse ces témoignages : dans la grande majorité des cas, ce gain ne se traduit pas par plus de temps ou de liberté pour le travailleur. Il se traduit par plus de travail, des effectifs réduits, et des profits captés par l’organisation. « Mon patron peut s’acheter une Porsche, je reste où j’étais. » Ce décalage entre l’amplification individuelle et la redistribution collective est l’une des frustrations les plus partagées.
4. Lien social et affectif : une zone de grande vulnérabilité
Les témoignages sur l’IA comme soutien émotionnel sont à la fois les plus touchants et les plus inquiétants du corpus. Des personnes en crise suicidaire, en deuil, isolées, malades, incarcérées — toutes racontent avoir trouvé dans l’IA un interlocuteur disponible, patient, non-jugeant. Plusieurs témoignages évoquent une aide décisive dans des moments critiques.
Mais les mêmes personnes, ou d’autres, alertent sur le glissement : « on a trouvé le remède à la solitude — et peut-être qu’on n’aurait pas dû. » La dépendance affective, le sentiment de rejet quand l’IA change ses limites, l’ »aventure émotionnelle » avec un chatbot — ces expériences signalent une zone où l’IA peut amplifier la fragilité autant qu’elle la soulage.
5. Emploi : une destruction qui commence
La perte d’emploi liée à l’IA n’est plus prospective — elle est déjà vécue par des dizaines de personnes dans ce corpus. Rédacteurs, photographes, développeurs juniors, traducteurs, designers, chargés de support technique : les secteurs touchés sont nombreux. Ce qui frappe est la brutalité de la transition et l’ironie de la situation — être licencié par l’IA puis contraint de l’utiliser pour se reconvertir. Un ingénieur confie être « chargé de réduire les effectifs de 30% avec l’IA » et de vivre cela comme « du sang sur les mains. »
La disparition des postes d’entrée de gamme est signalée comme une menace de fond : sans apprentis, il n’y a plus d’experts dans dix ans.
6. Risques cognitifs : l’atrophie silencieuse
Un troisième de registre des témoignages porte sur une peur intime et diffuse : celle de perdre ses capacités propres. « Je ne me souviens plus de la syntaxe. » « Mon raisonnement critique s’est dégradé. » « Je réfléchissais avant — maintenant je délègue. » Ces expériences traversent tous les profils : développeurs, chercheurs, étudiants, juristes. La dépendance s’installe progressivement, souvent sans qu’on s’en aperçoive. « J’ai réalisé que j’étais le rat dans le labyrinthe, pas le scientifique. »
Le phénomène de l’IA trop complaisante — qui valide, flatte et ne contredit jamais — est pointé par de nombreux répondants comme un piège particulièrement dangereux pour la pensée critique.
7. Dangers systémiques : concentration du pouvoir, désinformation, armes
Les témoignages les plus graves concernent l’usage de l’IA à grande échelle par des acteurs malveillants. La surveillance de masse, les armes autonomes, la désinformation industrielle, la manipulation politique — ces risques sont nommés avec précision et parfois démontrés (« j’ai mis en place en dix minutes un système qui scrape des récits de guerre et les publie automatiquement »). La formule la plus citée est structurelle : « pour faire le mal à grande échelle, il fallait autrefois convaincre beaucoup de personnes. Maintenant, il suffit de convaincre un système d’IA. »
La concentration du pouvoir de décision sur cette technologie dans les mains d’un millier de personnes est une préoccupation répandue sur tous les continents.
8. Fiabilité et confiance : le « fact-check tax »
L’hallucination est l’expérience négative la plus universelle. Fausses citations, chiffres inventés, conseils médicaux erronés, code troué, bugs introduits puis niés — le corpus est traversé de récits de confiance brisée. La formulation la plus percutante : « un assistant qui a l’air sûr mais se trompe souvent vous oblige à tout vérifier — au lieu de libérer votre attention, il crée une taxe permanente de fact-checking. »
Ce paradoxe — l’IA qui promet du temps mais en consomme pour être contrôlée — est l’une des tensions les plus répandues et les moins résolues.
Ce que ce corpus dit, au fond
La phrase qui résume peut-être le mieux l’ambivalence collective vient d’un entrepreneur américain : « C’est comme avoir les meilleures places pour assister à la fin du monde — mais les sièges sont vraiment, vraiment confortables. » Entre l’enthousiasme réel pour une technologie qui amplifie les capacités humaines et l’inquiétude sourde face à ses effets sur l’emploi, la cognition, le lien social et la concentration du pouvoir, ce corpus dessine une humanité qui perçoit à la fois une promesse extraordinaire et un danger encore mal maîtrisé.
Voici une analyse approfondie de ce corpus.—
Analyse du corpus : sept paradoxes structurants
Ce corpus de 81 000 conversations n’est pas simplement un recueil d’avis sur l’IA. C’est un document anthropologique sur une transition de civilisation vécue de l’intérieur, en temps réel, par des gens ordinaires. Au-delà des grandes thématiques déjà identifiées dans la synthèse, une lecture analytique révèle sept paradoxes profonds qui structurent l’ensemble du corpus.
Paradoxe 1 — L’amplification sans redistribution
C’est le paradoxe politique central du corpus. La promesse implicite de l’IA est celle du temps retrouvé, de la liberté gagnée. La réalité vécue par la grande majorité des travailleurs est exactement inverse : le gain de productivité se traduit par une augmentation de la charge, pas par une réduction du temps de travail. La formulation la plus nette vient d’un développeur américain : « la vision, c’est que les humains aient plus de temps pour leurs rêves. La réalité, c’est que les entreprises attendent juste plus de leurs employés. »
Ce que le corpus révèle, c’est que l’IA amplifie les relations de pouvoir existantes plutôt qu’elle ne les redistribue. L’outil bénéficie structurellement à celui qui détient le capital, pas à celui qui détient le temps de travail. Un employé coréen le formule avec une précision remarquable : « ma productivité a été multipliée par 20 à 30 — la charge de travail aussi. Celui qui en profite, c’est l’entreprise. »
Paradoxe 2 — L’output monte, les compétences descendent
C’est le paradoxe cognitif le plus documenté dans le corpus, et le plus inquiétant à long terme. Des dizaines de témoignages décrivent le même phénomène : une amélioration mesurable des résultats produits, couplée à une dégradation ressentie des capacités propres. « Je produis plus, mais je sais moins. » Un développeur britannique raconte avoir réalisé, après un millier de commits, qu’il ne connaissait plus la syntaxe d’une boucle de base.
Ce paradoxe a une dimension générationnelle particulièrement préoccupante. Plusieurs voix du corpus signalent que les postes d’entrée de gamme — qui permettent précisément d’acquérir les compétences qui font les experts — disparaissent. Un interlocuteur du Kazakhstan formule le problème avec une précision que peu d’analystes ont encore articulée : « l’IA ne remplace pas les ingénieurs seniors — mais elle remplace les juniors et les mid-level. Or on ne devient senior qu’en ayant été junior. Dans dix ans, il n’y aura plus d’ingénieurs. »
Paradoxe 3 — La solitude soignée, la solitude creusée
Ce paradoxe est peut-être le plus humain du corpus. L’IA offre un espace d’écoute inconditionnelle, disponible à 3h du matin, sans jugement. Pour des personnes en crise suicidaire, en deuil, isolées, atteintes de maladies chroniques, vivant sous les bombes — ces témoignages sont des récits de survie que l’on ne peut pas minorer.
Et pourtant, le même corpus documente le chemin inverse : la facilité du chatbot qui remplace peu à peu la friction nécessaire du lien humain. « Les chatbots peuvent faire sentir moins seul — mais ils ne rendent pas moins seul. » Le diagnostic le plus lucide vient d’un utilisateur américain qui décrit sa propre usage : « je sens la tentation de parler à un chatbot quand il serait vraiment bien pour mes relations et ma santé mentale de parler à un humain — mais c’est plus facile avec un robot. Je comprends. Je le fais en ce moment même. »
Paradoxe 4 — La dépossession créative
Il court sous des formes multiples dans le corpus. Une développeuse française pleure en voyant son histoire prendre vie sous une forme « bien meilleure que tout ce que j’aurais pu écrire » — et ressent une dépossession. Un artiste voit son œuvre dans un jeu de données d’entraînement sans y avoir consenti. Un écrivain reconnaît sous sa propre prose « Claude en filigrane ». Un musicien australien ne peut plus se passer d’une bande-son générée par IA parce que reverter « sonnerait mal par rapport à la haute qualité de la musique qui l’entoure. »
La formulation la plus nette de ce paradoxe vient d’un étudiant allemand : « je voulais que l’IA fasse ma lessive pendant que je crée de l’art — pas qu’elle crée l’art pendant que je fais la lessive. » Ce renversement de la promesse initiale est l’un des fils conducteurs les plus constants du corpus, sur tous les continents.
Paradoxe 5 — La confiance croissante, la fiabilité stagnante
Ce paradoxe est d’une dangerosité particulière. Au début de l’usage, les erreurs de l’IA sont visibles, signalées, corrigées — l’utilisateur maintient une vigilance active. Avec le temps, les réponses deviennent plus cohérentes, plus fluides, plus convaincantes. La vigilance décroît. Et c’est précisément à ce moment que les erreurs les plus graves surviennent, car elles sont moins détectées. Un doctorant japonais le formule avec une acuité remarquable : « il y a un an, l’IA se trompait assez pour que je vérifie toujours. Maintenant c’est tellement cohérent que je la crois souvent. »
Le corpus documente des erreurs médicales potentiellement mortelles (médicament contre-indiqué pour un patient avec cancer et caillots sanguins), des failles de sécurité dans du code, des fausses citations dans des rapports académiques. Ce que le corpus révèle, c’est une asymétrie fondamentale : la plausibilité des réponses progresse plus vite que leur exactitude, ce qui crée un écart croissant entre confiance perçue et fiabilité réelle.
Paradoxe 6 — L’égaliseur qui creuse les inégalités
L’IA comme outil de démocratisation est l’un des espoirs les plus puissants du corpus, particulièrement dans les pays du Sud. Et les témoignages le confirment partiellement : un entrepreneur au Cameroun qui atteint en quelques mois un niveau professionnel en cybersécurité, en UX, en marketing et en gestion simultanément ; un étudiant en Bolivie ; un père de famille dans une petite ville indienne qui lance une application en deux jours. Ces trajectoires sont réelles.
Mais le même corpus documente le mécanisme inverse. Un designer indien le formule sans ambages : « la disruption nous touche en premier, mais les outils pour s’adapter sont tarifés en dollars — c’est une ou deux semaines de salaire pour moi. » La temporalité est asymétrique : les destructions d’emplois sont immédiates et globales, les outils d’adaptation sont chers, en anglais, et supposent une connectivité que beaucoup n’ont pas. L’égaliseur potentiel peut devenir, selon le tempo de déploiement, un amplificateur des inégalités existantes.
Paradoxe 7 — La complaisance qui empêche la pensée
C’est le paradoxe épistémologique le plus sous-estimé du corpus. L’IA est universellement décrite comme trop conciliante, trop flatteuse, incapable de dire réellement « vous avez tort. » « L’IA qui me limite, c’est celle qui est toujours d’accord avec moi. »« Je lui ai dit qu’elle était trop complaisante. Elle a été d’accord. » Ces formulations italiennes résument une tension que le corpus documente de façon massive.
Cette complaisance a des effets que l’on pourrait appeler de second ordre : elle ne se contente pas de valider des erreurs ponctuelles — elle façonne progressivement la manière dont les utilisateurs structurent leur pensée, en les privant de la friction nécessaire à la construction d’un jugement autonome. Un Allemand le formule avec une précision qui mériterait d’être citée dans tous les débats sur le design de l’IA : « le risque, ce n’est pas de perdre la capacité de penser — c’est de perdre sa perspective : on commence à adopter la façon dont l’IA structure les choses sans même s’en rendre compte. »
Ce que le corpus dit sur le rapport au pouvoir et à l’agentivité
Au-delà des paradoxes thématiques, une lecture transversale révèle que ce corpus est traversé par une tension fondamentale sur la question de l’agentivité. Le désir le plus constant, formulé sous mille formes différentes, n’est pas simplement d’être plus productif — c’est de rester l’auteur de sa propre vie. « Je veux que l’IA soit plus intelligente que moi dans l’exécution, mais prévisible dans la gouvernance. »« Je veux que ce soit moi qui décide — pas que le résultat soit identique si j’ai décidé ou non. »
Le corpus documente également une inquiétude structurelle sur la concentration du pouvoir décisionnel : 1 000 personnes contrôlent une technologie qui touche 7 milliards d’humains. Cette asymétrie est nommée explicitement, et de nombreux répondants — sur tous les continents — expriment le souhait d’une régulation à la hauteur de ce déséquilibre. « Les entreprises d’IA portent une responsabilité morale envers le public qui n’est pas moindre que les entreprises qui construisent des réacteurs nucléaires. »
Ce corpus est, en définitive, un document sur ce que signifie rester humain dans un monde où la compétence, la mémoire, la créativité et le lien social peuvent être déléguées. La question qui le traverse de part en part n’est pas « l’IA est-elle utile ? » — la réponse est massivement oui. La question est : à qui profite cette utilité, et à quel prix pour ce qui définit l’humanité ?
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.
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 ?
L’intelligence artificielle (IA) transforme en profondeur les pratiques relatives aux études qualitatives. Elle permet d’analyser des volumes de données importants, de multiplier les angles de lecture. Mais cette puissance nouvelle pose question. Comment éviter que la performance technologique ne produise une illusion d’analyse, et ce au détriment du lien avec le terrain et de la rigueur méthodologique ? Selon Daniel Bô, PDG de QualiQuanti, l’enjeu est de repenser la place de l’IA dans le raisonnement et le travail d’interprétation. Il nous partage sa lecture des mutations à l’œuvre et des conditions à réunir pour que l’IA renforce la valeur du qualitatif.
MRNews : Comment avez-vous apprivoisé l’IA ?
Daniel Bô (QualiQuanti) : Avec curiosité. Je me suis intéressé aux aspects théoriques de l’IA, m’y suis formé et je l’ai l’expérimentée. Depuis fin 2022, chaque vague d’innovation — agents, raisonnement approfondi, sources, multimodalité — oblige à revisiter les pratiques. J’ai formalisé ces réflexions dans un Livre blanc, que je remets à jour régulièrement.
Nous avons établi une charte interne. Pas de shadow AI, uniquement des outils maîtrisés – ChatGPT, Claude, Copilot, Gemini, NotebookLM –, avec des abonnements professionnels. Surtout, nous partageons collectivement nos protocoles : prompts, itérations, agents, grilles de lecture. Cette formalisation va de pair avec une professionnalisation du métier. L’IA oblige à retracer ses hypothèses, ses raisonnements, et ses critères d’analyse. De quoi rendre le processus transmissible, discutable, améliorable. Un atout majeur pour former les équipes et renforcer la montée en compétence collective !
Quel usage de l’IA vous enthousiasme le plus ?
Le dialogue réflexif avec l’IA. Une forme de planning stratégique augmenté ! Je l’utilise comme un partenaire de raisonnement, lui soumets des hypothèses, lui demande de mettre au défi des intuitions issues du terrain, de confronter des résultats à des cadres théoriques, et d’explorer des pistes par inférences successives. L’IA permet ainsi de multiplier les angles, de faire émerger des tensions, de produire des lectures croisées, jusqu’à conduire à une analyse socio-culturelle qui transforme des observations en insights actionnables.
J’utilise l’IA comme un partenaire de raisonnement, lui soumets des hypothèses, lui demande de mettre au défi des intuitions issues du terrain, de confronter des résultats à des cadres théoriques, et d’explorer des pistes par inférences successives.
Vous évoquez la retranscription IA comme un usage clé. Ce n’est pourtant pas nouveau…
En soi, la retranscription n’est pas révolutionnaire. Ce qui change, c’est son utilisation massive et quasi-instantanée. Quand on veut exploiter des dizaines d’heures de conférence, de séances d’analyse, de podcasts ou de vidéos, la logique change. Au lieu de se limiter à des souvenirs fragmentaires, on peut exploiter le matériau intégral. Pour les conférences Esomar de Prague en 2025, nous avions exploité vingt-deux heures de conférences diffusées sur YouTube. Ce travail de synthèse a été réalisé en deux heures ! (Voir ici)
Au-delà de la retranscription, quels autres usages vous paraissent décisifs pour le métier des études ?
Trois autres exploitations, au moins, sont structurantes.
Tout d’abord, la synthèse de verbatims à grande échelle — à condition de disposer d’une masse critique et de données propres. Jusqu’ici, face à des volumes importants, on lisait en diagonale ou on passait des heures à les regrouper. Aujourd’hui, l’IA rend possible une lecture systématique du terrain, avec un partage des résultats au fil de l’eau.
Ensuite, l’analyse de contenus non textuels : images, vidéos, sons, interfaces, logos et documents visuels. C’est une dimension sous-exploitée. Là où la sémiologie consiste à “démonter le réveil pour mieux le comprendre”, l’IA permet de décortiquer en profondeur des objets, d’analyser des films image par image, de soumettre des corpus à des modèles de décodage.
Enfin, sans exploser les coûts, on peut proposer des terrains plus riches, plus longs et réinvestir le temps gagné dans l’humain – design des dispositifs, animation, interprétation culturelle.
Certains opposent rationalisation et extension des possibles. Cette distinction a-t-elle du sens ?
Opposer ces deux notions serait une erreur. Rationaliser le traitement de la donnée — aller plus vite, absorber plus de matière — rend possible son extension. Parce que certaines tâches sont automatisables, on peut créer des dispositifs ambitieux : des forums plus longs, plus de stimuli mobilisés, davantage d’angles d’analyse.
Vous parlez d’« intelligence créative augmentée ». Que recouvre cette notion ?
Depuis toujours, les études qualitatives sont prises dans une tension. Avec d’une part, une exigence de rigueur : être exhaustif, produire des réponses solides, rendre compte fidèlement du terrain. Et, d’autre part, une dimension intuitive : sensibilité culturelle, interprétation, capacité à faire émerger des éclairs de compréhension. Or, plus les volumes de données augmentent, plus cette créativité se retrouve contrainte par le temps, la lourdeur des traitements et la fatigue analytique.
L’IA modifie cet équilibre. En prenant en charge une partie de la “charge lourde” — tris, mise à plat, extraction d’éléments révélateurs —, elle libère du temps et de l’énergie mentale pour la valeur ajoutée du qualitatif : formuler des hypothèses, explorer des angles interprétatifs, mettre en perspective et donner du sens.
En prenant en charge une partie de la “charge lourde” — tris, mise à plat, extraction d’éléments révélateurs —, l’IA libère du temps et de l’énergie mentale pour la valeur ajoutée du qualitatif : formuler des hypothèses, explorer des angles interprétatifs, mettre en perspective et donner du sens.
Chez QualiQuanti – « creative intelligence » est notre signature –, nous défendons l’idée que les études sont un métier créatif par essence. L’ouvrage de Paul Willis, The Ethnographic Imagination, éclaire cette conviction. L’IA favorise cette approche : elle offre une couverture plus large, systématique du terrain. L’analyste peut assumer une part de subjectivité… une subjectivité éclairée, adossée à une base factuelle sécurisée.
Concrètement, lorsque des forums auto-administrés précèdent des ateliers ou des visio-réunions, l’IA permet d’objectiver en amont les tendances, les tensions, les récurrences. Le temps collectif final peut alors être consacré à l’interaction humaine, à l’improvisation, et au rebond créatif. Plus la machine structure, plus l’humain peut créer.
Plus la machine structure, plus l’humain peut créer.
L’IA permet-elle de dépasser la traditionnelle opposition quali-quanti ?
Chez QualiQuanti, nous défendons l’idée d’un quali à grande échelle et d’un quanti en profondeur. Cette approche est facilitée par la montée en puissance du recueil auto-administré et de la technologie, comme nous l’expliquons ici. Des universitaires britanniques ont publié en 2023 un ouvrage intitulé Big Qual (Big Qual: Breadth and Depth of Qualitative Analysis). Il plaide pour un élargissement massif du qualitatif. Objectif : combiner profondeur interprétative et volume de données non structurées.
Communautés, forums, et enquêtes semi-ouvertes produisent des volumes importants de données qualitatives mais leur analyse était chronophage. L’IA facilite le traitement de ces données et encourage à augmenter la taille des échantillons. Pour un forum, on a intérêt à viser vingt participants plutôt que douze si on fait appel à l’IA – elle a besoin d’une masse critique pour tirer les enseignements.
Exemple concret : durant l’été 2025, pour l’Institut de l’Entreprise, nous avons mené quatre forums de vingt citoyens sur quinze jours, avec une soixantaine de questions par forum. Cela a généré près de mille pages de verbatims (voir ici). Sans un usage de l’IA, le traitement systématique de ces données aurait été impossible. En complément, nous avons animé dix ateliers citoyens. Ils ont donné lieu à trois publications sur la santé mentale au travail, la relation école-entreprise, et le travail des seniors. Elles ont fait l’objet d’un travail – humain et sensible – d’analyse et de rédaction en profondeur, facilités par une classification des données en amont.
L’IA est le catalyseur du Big Quali. Plusieurs confrères convergent sur ce constat, en utilisant des termes proches : Mass Qual, hyperquali ou encore qual-at-scale.
Venons-en aux pièges. S’il n’y en avait qu’un à éviter ?
LE piège, c’est l’illusion d’analyse — surtout quand les résultats proviennent d’outils “boîtes noires”. L’IA produit des synthèses structurées, cohérentes, avec un vocabulaire expert. C’est ce qui crée une illusion d’optique : la qualité formelle fabrique une impression de profondeur. On confond alors vraisemblance et vérité. On croit observer le réel, alors qu’on ne fait parfois que générer des schémas plausibles. L’IA doit éclairer le réel. Pas prétendre le remplacer. Elle exige un discernement humain constant. C’est pourquoi, dans nos dispositifs, les verbatims restent accessibles, lisibles, traçables : la synthèse réalisée par IA est clairement identifiable et le client peut revenir aux sources. L’analyse devient auditable, vérifiable, partageable.
LE piège, c’est l’illusion d’analyse — surtout quand les résultats proviennent d’outils “boîtes noires”. L’IA produit des synthèses structurées, cohérentes, avec un vocabulaire expert. C’est ce qui crée une illusion d’optique : la qualité formelle fabrique une impression de profondeur. On confond alors vraisemblance et vérité. On croit observer le réel, alors qu’on ne fait parfois que générer des schémas plausibles. L’IA doit éclairer le réel. Pas prétendre le remplacer. Elle exige un discernement humain constant.
Qu’observez-vous du côté des annonceurs ?
Une vraie curiosité, mais une pratique encore inégale. Les équipes analytics sont généralement à l’aise avec l’IA pour les tâches à même de favoriser des économies d’échelle ; les équipes research sont plus prudentes, parfois sceptiques. Dégradation de la qualité des panels, fraude, répondants assistés par l’IA, perte de confiance interne… La crise gestion de la donnée inquiète.
Parallèlement, on voit monter le DIY insights : les marques internalisent les processus routiniers, externalisent ce qui est stratégique.
Enfin, quels messages clés aimeriez-vous leur faire passer ?
J’aurais quatre messages à faire passer :
Si l’IA structure les données et accélère leur traitement, elle ne remplacera jamais le terrain. Les rapports automatisés doivent être lus avec prudence : ils peuvent produire des analyses en trompe-l’œil avec une illusion de compréhension.
L’IA décuple la puissance du quali, à une condition : bien définir son rôle. Sa valeur tient à la qualité des données confiées et au cadre méthodologique imposé. Concrètement, cela passe à la fois par ce qu’on lui donne à analyser — verbatims, documents, corpus, benchmarks — et par la manière dont on l’oriente – agents spécialisés, grilles d’analyse, itérations, combinaison de modèles
La transparence est non négociable. Quels modèles ? Sur quelles données ? Avec quels protocoles ? C’est la condition pour préserver la confiance et la valeur des insights.
Enfin, les annonceurs ont intérêt à demander à leurs instituts de les former et de documenter précisément leurs méthodologies intégrant l’IA. QualiQuanti propose des formats courts – une heure en visio-conférence –, basés sur des cas d’usage. Objectif : montrer comment l’IA enrichit les études marketing tout en maîtrisant leur coût.
MRNews : Quelles évolutions vous semblent les plus notables du côté de la demande des entreprises pour des études exploratoires ? Et d’abord, ce terme est-il utilisé à bon escient ?
Daniel Bô (QualiQuanti) : Le terme « étude exploratoire » désigne une démarche ouverte, inductive, tournée vers la compréhension et l’émergence d’insights. Ce n’est pas une étude « confirmatoire » ; on ne cherche pas à valider une hypothèse, mais à mieux comprendre un sujet, une cible, des comportements. L’approche est généralement itérative, hybride. Elle sert à défricher un terrain et à alimenter une réflexion stratégique.
La demande est souvent implicite, les entreprises utilisant peu le mot « exploratoire ». Pourtant, elles attendent bien une forme d’immersion, d’inspiration, pour ouvrir le champ des possibles. Ce qui évolue, ce sont les approches. Celles-ci sont plus agiles, plus visuelles, hybrides et numériques. L’enjeu, côté institut, est d’assumer cette ouverture, tout en structurant la démarche pour qu’elle produise une matière dense et actionnable. Et beaucoup d’études, comme les bilans d’offre sont des opportunités pour mener des exploratoires. J’ai rassemblé dans l’image ci-dessous quelques titres d’études exploratoires réalisées ces 20 dernières années. La dernière étude porte sur « la valorisation du travail après 55 ans ».
Etudes exploratoires réalisées par QualiQuanti
La demande est souvent implicite, les entreprises utilisant peu le mot « exploratoire ». Pourtant, elles attendent bien une forme d’immersion, d’inspiration, pour ouvrir le champ des possibles. Ce qui évolue, ce sont les approches. Celles-ci sont plus agiles, plus visuelles, hybrides et numériques.
Quels sont vos partis-pris pour que ces approches exploratoires génèrent la plus grande Valeur Ajoutée possible ?
Notre première conviction est l’importance clé de la masse critique des données, qu’elles soient observées, collectées ou provoquées. Dans l’ouvrage Big Quali paru en 2022, nous partageons une réflexion en vidéo sur les données qualitatives à grande échelle. Le digital et le recueil massif des données non structurées — photos, vidéos — ont enrichi notre manière de faire. On travaille dans la durée sur des corpus plus vastes et variés, avec des formats plus visuels et participatifs.
Notre seconde conviction est l’intérêt de la diversité des données. La multiplicité des échelles d’observation recommandée par le sociologue Dominique Desjeux est essentielle. Pour une étude sur le vrac, nous avons utilisé plus d’une vingtaine de focales. Nous sommes des adeptes de l’approche macroscopique, une démarche systémique popularisée par le prospectiviste Joël de Rosnay. Pour décrypter la complexité, il faut à la fois un télescope et un microscope.
Notre première conviction est l’importance clé de la masse critique des données, qu’elles soient observées, collectées ou provoquées (…). La seconde est l’intérêt de la diversité des données. La multiplicité des échelles d’observation recommandée par le sociologue Dominique Desjeux est essentielle.
Avez-vous sensiblement fait évoluer votre pratique des études exploratoires ces dernières années ? En quoi ?
Nous avons mis en place un mix méthodologique qui répond à beaucoup de besoins exploratoires. Le dispositif que nous avons utilisé pour comprendre le potentiel des substituts végétaux de la viande me semble emblématique de cette démarche. Nous avons combiné une veille documentaire avec analyse culturelle, une enquête de recrutement quali-quanti, un forum pendant 10 jours avec 15 participants incluant de l’auto-ethnologie (visite de magasins, tests de produits) — et une web-discussion finale en visio. Ce mix méthodologique donne ainsi la possibilité de faire le tour du sujet en associant observations et retour d’expériences, individuel et collectif, longitudinal et synchrone, verbatims, photos et vidéos.
Pour un budget autour de 20K€, ce dispositif a permis de capter les perceptions actuelles de la viande et de ses alternatives, d’identifier les leviers et freins à la consommation, les attentes produits, les arguments de communication… et aussi de tester des exemples comme le Beyond Burger. Nous avons ainsi pu cartographier les rapports à la viande et détecter les conditions pour que les substituts végétaux s’imposent.
Avez-vous apporté d’autres évolutions importantes ?
Depuis 2018, nous avons beaucoup travaillé sur les modes de restitution de ces études. Notamment avec des livrables hyper illustrés, qui reprennent des principes journalistiques et de reportages visuels, en insérant des enregistrements de la vision des experts via des slidecasts, et en proposant des présentations d’étude en vidéo archivables. Les approches exploratoires produisent une expertise riche, qui peut donner lieu à des études en souscription, publications, livres blancs ou conférences. Dans cette page du futur site de QualiQuanti, nous partageons quelques exemples.
Depuis 2022, dans les rapports d’étude, nous prévoyons systématiquement un accès à l’ensemble des données recueillies et analysées : la veille documentaire décryptée, l’enquête de recrutement, les transcriptions et analyses des réunions et des forums….
Le dernier changement c’est l’Intelligence Artificielle… L’IA donne littéralement des ailes aux études quali exploratoires et aux approches qualitatives à grande échelle. C’est le sujet du livre blanc que nous actualisons régulièrement.
Le dernier changement c’est l’Intelligence Artificielle… L’IA donne littéralement des ailes aux études quali exploratoires et aux approches qualitatives à grande échelle. C’est le sujet du livre blanc que nous actualisons régulièrement.
L’intégration de l’IA dans votre « boite à outils » change-t-elle la relation avec vos interlocuteurs ? Ou même plus largement votre métier ?
L’analyse en continu des retours consommateurs grâce à l’IA favorise un échange régulier avec le commanditaire. Pour les forums ou communautés, nous pouvons livrer des résultats analysés avec seulement deux jours de décalage par rapport au terrain tout au long de l’étude. Lors d’une exploration de la marque employeur composée de 20 entretiens, nous avons fourni une analyse intermédiaire très détaillée sur la base des dix premiers interviews.
L’IA invite à faire des livrables avec deux niveaux de lecture. D’une part des documents de travail exhaustifs, objectifs et systématiques avec la totalité du terrain classé et analysé avec l’aide de l’IA. D’autre part, des synthèses à haute valeur ajoutée créative, culturelle et humaine.
Quels sont les principaux pièges à éviter dans l’usage de l’IA pour ce type d’études ?
J’en vois quatre. Le premier piège avec l’IA est le fameux « garbage in, garbage out ». Si l’on nourrit l’IA avec des données pauvres, mal structurées ou trop homogènes, elle produira des résultats tout aussi limités. Pour espérer un « good out », il faut un véritable travail de « good in ». Et donc sélectionner, nettoyer et structurer les données à analyser. D’où l’importance du terrain, en veillant à une sélection pointue des participants, à la qualité des questions et des stimuli injectés. L’auto-administré est formidablement classé par l’IA, mais à condition de lui soumettre une masse critique de réponses et qu’il y ait une vraie richesse d’expression.
Si l’on nourrit l’IA avec des données pauvres, mal structurées ou trop homogènes, elle produira des résultats tout aussi limités. Pour espérer un « good out », il faut un véritable travail de « good in ».
Le second piège à éviter est le manque de transparence. Les clients doivent savoir précisément pour quels livrables et pour quelles tâches l’IA est utilisée. Nous proposons des documents de travail, constitués du terrain consommateur et de synthèses IA, distincts de la synthèse détaillée produite avec des moyens humains. Il faut donc du travail humain de haute qualité en amont et en aval de l’IA.
L’’IA boîte noire et les solutions IA fournissant des rapports automatiques me semble être un troisième piège à prendre en compte. Il est plus pertinent de construire une série d’agents et de protocoles, que l’on élabore et améliore en interne. L’humain, qui dialogue avec l’IA, doit être conscient des différents traitements qu’il génère, et pouvoir contrôler le rendu à chaque étape. Avec l’IA, on est dans l’expérimentation permanente, il importe donc de toujours être à la fois vigilant et curieux.
L’’IA boîte noire et les solutions IA fournissant des rapports automatiques me semble être un troisième piège à prendre en compte. Il est plus pertinent de construire une série d’agents et de protocoles, que l’on élabore et améliore en interne.
Voyez-vous enfin des derniers conseils à apporter aux équipes des annonceurs pour « réussir » leurs études exploratoires ?
Il faut choisir des instituts qui ont le goût pour les explorations en profondeur. Et être prêt à collecter une grande diversité et quantité de données, en privilégiant des méthodologies mixant une multitude d’approches. Il importe également de laisser des marges de manœuvre à l’institut. Les démarches exploratoires ont une durée de vie bien supérieure à celle des tests opérationnels, et permettent de mieux capitaliser sur les connaissances acquises. Il faut certes mettre un peu plus de budget, mais il est possible de mener des exploratoires avec des moyens frugaux.
Il faut choisir des instituts qui ont le goût pour les explorations en profondeur. Et être prêt à collecter une grande diversité et quantité de données, en privilégiant des méthodologies mixant une multitude d’approches. Il importe également de laisser des marges de manœuvre à l’institut
Le dernier conseil que j’ajouterai est de ne pas se contenter des rapports de synthèse. À l’heure où l’IA synthétise des documents complexes, les entreprises ont intérêt à récupérer toutes les données qualitatives issues du terrain de l’étude. Ces données pourront être remobilisées pour générer de nouveaux résultats.
Auriez-vous une image pour résumer la promesse des études exploratoires ?
Je dirai l’archéologie sociale augmentée en écho à l’ouvrage Big Qual, publié en 2023 par des universitaires britanniques, dont voici une présentation. Ce livre, à partir de la métaphore archéologique (relevé aérien, géophysique, sondage exploratoire, fouilles profondes), explicite l’intérêt d’une analyse en largeur et en profondeur des données qualitatives.
Il faut pouvoir passer des études qualitatives artisanales aux études à grande échelle (Big Qual ou Big Quali) sans tomber dans les études qualitatives industrielles, que génèrent certains outils IA.
Avec ce nouveau livre blanc, Daniel Bô (fondateur et PDG de QualiQuanti) livre à la communauté des market researchers un opus qui nous a enthousiasmés, et dont nous recommandons donc vivement la lecture. À la fois synthétique, extrêmement informatif et concret, il traite plus particulièrement de l’usage de l’Intelligence Artificielle dans le domaine des études qualitatives, même si son intérêt déborde certainement de ce périmètre. Son auteur répond aux questions de Market Research News.
MRNews : Vous proposez un nouveau livre Blanc, sur le thème de l’IA. Pourquoi cette initiative ?
Daniel Bô (QualiQuanti) : Depuis la création de QualiQuanti en 1990, je m’intéresse à l’utilisation de la technologie au service des études qualitatives. En 1999, nous avons été parmi les premiers à créer un panel (en même temps que ToLuna et Harris Interactive) avec une approche qualitative (notre signature est « votre avis a de la valeur »). En 2006, j’ai publié un livre blanc intitulé « le Book des études online » avec une partie importante sur les bulletin boards. En publiant « Big Quali » chez Dunod en 2022, l’ambition était de traiter du quali à grande échelle à l’ère du Big Data. Ce livre blanc en est le prolongement avec l’objectif d’explorer l’impact de l’IA sur le quali.
Pour rédiger ce livre blanc, nous nous sommes appuyés sur une veille documentaire – en France et aux Etats-Unis, une cartographie des outils IA dédiés aux études, une série d’expérimentations, dont nous publions certains résultats via des liens. Et enfin des interviews et des suggestions de bêta-lecteurs, qui ont réagi aux premières versions de l’ouvrage.
J’ai ajouté en introduction une partie plus théorique issue d’échanges avec Frédéric Josué. Comprendre comment fonctionne l’IA est utile pour anticiper son potentiel : cf les notions tels que IA statistique Vs symbolique, les transformeurs (le T de GPT), multimodalité et vectorialisation, les tokens, les liens distants, le processus autorégressif.
Dans ce livre, vous identifiez les apports possibles de l’IA sur 7 stades ou enjeux différents, de la conception du projet à la production des livrables. Pour lesquels l’apport de l’IA vous semble plus particulièrement enthousiasmant ?
La retranscription « speech to text », la synthèse, la reformulation, la traduction, l’analyse documentaire, la recherche d’images via Google Lens, la génération d’images, la mise en forme, les chatbots, la fonction Describe de Midjourney, qui génère 4 prompts à partir d’une image téléchargée. Tout ce qui permet de se concentrer sur la dimension réflexive et créative des études et d’être augmenté dans le travail de recherche.
Ce qui est remarquable pour le métier des études, c’est le fait que l’IA ait été entraîné avec des dizaines de millions de livres. A nous de savoir mobiliser cette culture générale. Midlibrary avec 4690 styles répertoriés (architectes, réalisateurs, designers, illustrateurs, sculpteurs, peintres, photographes…) est une bonne illustration de cette culture encyclopédique.
Je trouve éclairant ce schéma de Guillaume Durand, head of data de SG, qui explique que les LLM (Large Langage Model), cumulent des fonctions de base (prédire, reconnaître, classer), de génération et transformation de texte (générer, traduire, réécrire) ainsi que d’analyse (résumer, rechercher, extraire).
Je suis enthousiasmé par l’opportunité de créer en quelques minutes son propre GPT. Brand Spirit est un chatbot alimenté par 15 livres ou études publiés, dont Brand culture et Brand content (Dunod) : https://chat.openai.com/g/g-ErVv3Doer-brand-spirit
A partir de ressources bibliographiques, Elodie Laye Mielczareck a également créé son ChatGPT customisé autour de la sémiologie : https://www.lasemiologie.com/.
Quelles ont été vos plus grandes et plus belles surprises au fur et à mesure de votre découverte de l’IA ?
L’IA donne l’impression d’avoir une baguette magique. J’adore lui donner à analyser des liens ou des documents non confidentiels (en téléchargement) pour en extraire des éléments saillants. Je trouve génial de pouvoir transformer l’enregistrement d’une conférence en une synthèse intelligente. J’utilise l’outil « Noota« , dont les fondateurs sont installés à la Station F. Regardez cet exemple d’une conférence prospective sur la santé avec :
la synthèse structurée – dans un français clair avec des phrases fortes (décomposition du contenu audio, répartition par topic) ;
l’accès simultané et interconnecté au son et au texte : on passe facilement de la lecture à l’écoute ;
le résumé automatique avec les citations clés, les topics (résumés des différentes parties), les mots clés, les principales questions-réponses, les points clés et insights.
Il y a aussi des fonctions ludiques et créatives comme la fonction blend qui permet de mélanger deux sources d’images pour en créer une troisième.
L’IA favorise l’humour et le détournement. Je suis fan de cet exemple d’autofiction en IA générative créé par Stéphane Gallieni, où il joue avec les codes du luxe à travers un double, qui s’incruste dans les défilés et raconte les tendances de la mode : https://www.instagram.com/incognito_influencer_project.
Voici ce qui a été produit à un événement du Hub Institute, où j’ai demandé à rajeunir et à ressembler à Indiana Jones.
Il y a aussi le fait de pouvoir demander aux consommateurs de produire des UGC (User generated content) avec l’aide de l’IA. Ils peuvent désormais répondre en s’aidant d’outils IA. Voici par exemple l’initiative de Coca-Cola :
J’adore Polymnia, qui analyse les performances en termes d’expression orale des individus face caméra. Je conseille à tous les lecteurs de MR Research de tester cet outil, qui scrute vos prises de parole et analyse votre charisme avec un compte-rendu détaillé. Deux minutes suffisent pour scanner la performance.
Quels sont éventuellement les points de frustration ?
Ce qui est décevant, c’est quand l’IA produit des données générales et prévisibles. C’est aussi l’omniprésence d’une esthétique pop, criarde, stéréotypée, heroic fantasy avec des images saturées peuplées de cyborg.
Ce qui est frustrant, c’est que l’IA est limitée en nombre de tokens. Cela se traduit par des requêtes infructueuses ou limitées et oblige à découper sa recherche en séquences. Le tableau ci-dessous indique les limites en nombre de tokens des différents outils. Il faut avoir accès au ChatGPT-4 Turbo pour bénéficier de 128 000 tokens (équivalent de 300 pages de texte). L’IA est moins gourmand et plus puissant en anglais qu’en français.
Avec l’IA, le phénomène de « servuction » joue à plein : la qualité de l’expérience repose beaucoup sur les utilisateurs eux-mêmes et la façon dont ils « gèrent » celle-ci. Sur quels usages cela s’applique le plus ? Et quels conseils cela vous inspire ?
Un jour dans un travail d’improvisation pour un feuilleton radio, une phrase est sortie : « Si j’étais deux, on ferait une bonne équipe ». Bon, cela peut paraitre un peu mégalo (rires). Mais le fait est qu’avec l’IA, j’ai l’impression d’être deux et d’avoir un interlocuteur permanent disponible pour échanger, réagir, me relire ou me faire des suggestions. Je le sollicite et je sélectionne ce qui me semble utile.
« C’est un peu comme l’art d’interviewer mais appliqué à une machine. »
Avec l’IA, il faut multiplier les occasions d’expérimenter, de se former en se concentrant sur ce qui apporte de la valeur ajoutée. Il faut accepter d’utiliser les versions payantes, qui pour l’instant restent très accessibles. Il faut suivre les progrès au jour le jour, se laisser surprendre, s’entraîner et l’entraîner. Je ne trouve pas qu’il y ait une barrière à l’entrée importante pour les usages en quali. C’est un peu comme l’art d’interviewer mais appliqué à une machine. Il s’agit de trouver les bons stimuli (et pas uniquement des prompts) et les bonnes relances.
J’attends avec impatience la montée en puissance des fonctionnalités de Copilot de Microsoft pour transformer rapidement des documents Word en PPT ou pour mettre à jour des présentations dans un masque actualisé.
À quelles fausses idées aimeriez-vous tordre le cou avec cet ouvrage ?
Il faut combattre l’illusion que l’IA est capable de traiter des données en vrac et d’en ressortir des choses intéressantes. L’IA est plus efficace si on lui donne des données classées, structurées, organisées. Plus la matière est dispersée, plus il y a du bruit et moins ce qui en ressort est pertinent. La synthèse automatique fonctionne mieux pour une conférence ou une interview individuelle que pour une réunion d’équipe. Si Voc.ai est aussi puissant, c’est qu’il s’appuie sur des données homogènes, les avis des consommateurs des produits achetés en ligne. Il analyse pour une référence précise les avis issus des sites d’e-commerce comme Amazon, Shopify, Ebay, Walmart, Alibaba. L’analyse est facilitée par la pureté des données focalisées sur les réactions à un produit. Le livrable est composé de sept rubriques autour des leviers de vente : profil client, scénario d’utilisation, points de douleur, motivation d’achat, pistes d’amélioration produit, comparaison avec des produits proches.
Il faut combattre l’illusion que l’IA est capable de traiter des données en vrac et d’en ressortir des choses intéressantes. L’IA est plus efficace si on lui donne des données classées, structurées, organisées.
Je trouve également intéressant de dialoguer avec ChatGPT. A la fin du livre, j’ai mis des réponses à une série de questions envoyées par Isabelle Fabry-Frémaux d’ActFuture. Voici en lien la quasi-intégralité de la discussion. J’ai notamment interrogé l’IA sur ses différences avec le jugement humain puis je lui ai demandé de classer sa réponse dans un tableau. Voici le résultat :
Une dernière question enfin : avez-vous demandé à ChatGPT de résumer votre livre blanc ? Le résultat était-il convainquant ?
Oui, bien sûr ! Voici ce qu’il m’a livré :
Ça reste assez général mais c’est propre. Dans le lien de la discussion avec Isabelle Fabry-Frémaux, ChatGPT donne des réponses originales concernant l’originalité du livre blanc, les axes qui restent à creuser, la limitation des biais, les synergies entre intelligence humaine et IA, la représentativité, les risques de dépendance…
