Comment tirer le meilleur du qualitatif sans renoncer à la puissance d’un terrain élargi ? Comment recueillir des expériences incarnées, dans la durée, tout en bénéficiant d’un traitement structuré des données ? C’est tout l’enjeu de l’approche Big Quali, développée par QualiQuanti : un dispositif hybride qui combine enquête quali-quanti, forum online, visio-réunions et analyse assistée par l’IA générative.
Cette méthodologie répond à un besoin croissant des marques, médias, institutions et acteurs de l’innovation : comprendre finement les usages, les perceptions, les motivations et les leviers d’adhésion, tout en s’appuyant sur une masse critique de contributions.
Une exploration consommateur en trois temps
L’approche Big Quali repose sur un dispositif en trois phases : une enquête de recrutement quali-quanti, un forum online longitudinal, puis une ou plusieurs visio-réunions de bilan et d’approfondissement.
La première phase consiste en une enquête en ligne semi-ouverte, menée auprès de 100 à 350 personnes correspondant à la cible. Elle permet de qualifier les profils, de recueillir de premiers résultats chiffrés et de collecter des verbatims à grande échelle. Cette étape sert aussi à constituer un vivier de participants volontaires pour la suite qualitative. L’enquête peut être menée sur fichier client ou via le panel propriétaire TestConso, qui rassemble 350 000 individus : https://www.testconso.com. Un exemple de questionnaire de recrutement est disponible ici : https://asptest.sphinxonline.net/surveyserver/s/test7/travailpost55/questionnaire.htm.
La deuxième phase est le cœur du dispositif : un forum qualitatif online, sur WhatsApp ou Krealinks, réunissant généralement 12 à 20 participants pendant quelques jours à trois semaines. Chaque jour, les participants répondent à des questions ouvertes, réalisent des missions, partagent des photos, des vidéos, des impressions, et réagissent aux contributions des autres. Le forum permet ainsi de combiner expression individuelle et dynamique collective.
La troisième phase prend la forme d’une à trois visio-réunions finales, avec des participants issus du forum. Ces réunions synchrones permettent de mettre en commun les perceptions, d’approfondir les hypothèses, de faire réagir à des stimuli et de construire des pistes d’amélioration ou d’innovation.
Le forum online : un terrain qualitatif dans la durée
Le principal apport du Big Quali est de sortir le qualitatif de l’instantané. Là où un focus group concentre les échanges sur deux ou trois heures, le forum online installe la réflexion dans le temps. Les participants s’imprègnent progressivement du sujet, répondent depuis leur environnement naturel et peuvent documenter leurs pratiques au fil de l’eau.
Cette temporalité change la qualité du matériau recueilli. Elle favorise la spontanéité, la réactivité et l’ancrage dans l’expérience réelle. Les participants peuvent photographier leurs produits, visiter un magasin, tester un service, commenter une communication, comparer des offres ou partager des moments de consommation.
Un forum de 15 participants pendant 12 jours, à raison de 30 minutes par jour, représente environ 90 heures de contributions. C’est beaucoup plus qu’un focus group classique, tout en offrant une diversité d’expressions : écrits, photos, vidéos, messages vocaux, réactions collectives.
Une méthode à géométrie variable
Le Big Quali n’est pas un format figé. Le nombre de participants, la durée, le nombre de vagues et la nature des missions peuvent être adaptés selon les objectifs de l’étude.
La méthode convient particulièrement aux problématiques d’usages et attitudes, aux tests de communication, aux explorations 360° d’une marque ou d’un produit, aux études de publics rares ou dispersés, aux terrains BtoB, aux démarches de recherche-développement, aux tests à domicile, ou encore aux études internationales et multi-pays.
Elle est aussi pertinente pour analyser de vastes corpus : plusieurs dizaines de vidéos, de créations publicitaires, de supports de communication, de parcours clients ou de points de contact peuvent être soumis progressivement aux participants.
L’IA générative comme accélérateur d’analyse
L’approche Big Quali prend une nouvelle dimension avec l’IA générative. Celle-ci ne remplace pas l’analyse humaine, mais elle permet d’exploiter plus efficacement la masse de données produite par l’enquête et le forum.
Les questions ouvertes de l’enquête de recrutement et les contributions du forum constituent des données propres, structurées et suffisamment abondantes pour être analysées avec rigueur. L’IA peut aider à classer les réponses, identifier des thèmes récurrents, extraire les meilleurs verbatims, produire des tableaux d’analyse, effectuer certains comptages et préparer des documents de travail rapidement partageables.
L’intérêt est double : gagner en systématicité dans le traitement des verbatims et libérer du temps pour l’interprétation humaine, la créativité méthodologique et les échanges en visio. QualiQuanti insiste ainsi sur la complémentarité entre IA générative et auto-ethnologie : l’IA structure, l’humain interprète.
Des livrables riches, illustrés et traçables
L’un des atouts du dispositif est la transparence tout au long de l’étude. Le commanditaire peut suivre l’avancement du terrain, accéder aux données brutes, consulter les documents de travail et bénéficier de résultats intermédiaires.
Les livrables peuvent inclure le profil détaillé des participants, le guide d’animation évolutif, le corpus des stimuli injectés, le script brut des contributions, une mise à plat systématique des réponses, une analyse de l’enquête de recrutement, un rapport synthétique illustré de verbatims et d’exemples, ainsi qu’une présentation orale des résultats.
Cette logique permet de passer d’une étude perçue comme une « boîte noire » à un processus ouvert, progressif et documenté.
Deux options pour renforcer le dispositif
Le Big Quali peut être enrichi par deux étapes complémentaires.
En amont, une veille documentaire préparatoire permet de nourrir le guide d’animation, de recueillir des données de cadrage et de sélectionner des stimuli pertinents pour le forum et les visio-réunions.
En aval, un bilan quantitatif grand nombre peut être mis en place pour valider les principaux résultats qualitatifs, hiérarchiser les enseignements et mesurer leur poids selon les profils.
Une réponse aux limites du quali classique
Le Big Quali ne vise pas à remplacer les méthodes qualitatives classiques, mais à en prolonger la portée. Par rapport au groupe en salle, il permet une immersion dans le quotidien, une injection progressive des sujets, des relances individuelles et collectives, et surtout beaucoup plus de temps de parole pour les participants.
Il conserve la richesse du qualitatif — les récits, les nuances, les émotions, les images, les contradictions — tout en ajoutant une profondeur longitudinale et une puissance d’exploitation renforcée par l’IA.
Conclusion : du quali augmenté, mais toujours humain
Le Big Quali est une méthode d’étude conçue pour explorer les sujets complexes avec finesse, ampleur et efficacité. Elle combine la richesse de l’expérience vécue, la diversité des contributions, l’intelligence collective du forum, l’approfondissement en visio et la puissance de traitement de l’IA générative.
Dans un contexte où les marques ont besoin de comprendre non seulement ce que les publics déclarent, mais aussi ce qu’ils vivent, ressentent, comparent, photographient, racontent et projettent, cette approche offre un cadre particulièrement fécond.
Le Big Quali, c’est une manière d’hybrider le meilleur du quali et du quanti : plus de données, plus de profondeur, plus d’illustrations, plus de transparence — au service d’insights réellement actionnables.
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.
Ravi de figurer dans le top 4 des articles https://www.mrnews.fr/best-of-2024/ les plus lus grâce à l’interview réalisée par Thierry Semblat pour Market Research News sur le thème : « Comment l’IA transforme les études qualitatives ? »
C’était il y a près d’un an. Depuis, l’IA n’a cessé de bouleverser nos pratiques chez QualiQuanti : l’IA libère, augmente la puissance de travail, modifie certaines pratiques en quali.
🔍 Voici quelques-unes de nos innovations avec l’IA :
🌐 Développement de techniques d’interrogation adaptées à l’IA, nécessitant des réponses structurées et une masse critique de données.
🧠 Création d’agents IA dédiés pour extraire, analyser et traiter les données qualitatives.
✍️ Mise en place de documents collaboratifs avec analyses en temps réel pour un suivi en direct des études.
📊 Renforcement des contributions en auto-administré (forums, auto-ethno, réactions à des stimuli) pour enrichir les données IA.
💡 L’IA donne des ailes au big quali et :
– permet de recueillir et d’analyser beaucoup plus de données qualitatives pour le même budget-temps (Big Quali : quali à grande échelle, quali longitudinal, veille approfondie)
– met la qualité du recrutement et du terrain au coeur de l’étude
. la qualité des traitements par l’IA est liée ce qu’on lui donne à lire
. de l’utilité d’avoir son propre panel pour les recrutements
– répond aux questions simples de façon systématique et renforce la dimension objective du quali
– assiste dans la mise en forme des résultats dont l’agencement des images
– facilite l’analyse documentaire en rendant possible la lecture rapide de multiples documents dans différentes langues
– permet de travailler à partir d’une multitude de sources dispersées
– laisse du temps pour plus de créativité, de profondeur, d’improvisation, d’observation, d’exploration d’une multiplicité d’angles
– invite à faire des livrables avec deux niveaux de lecture :
. des synthèses à haute valeur ajoutée créative, culturelle et humaine
. des documents de travail exhaustifs, objectifs et systématiques avec la totalité du terrain classé et analysé avec l’aide de l’IA
Ce qui pouvait apparaître un peu laborieux dans les études qualitatives est pris en charge par l’IA. L’IA permet de faire des études très puissantes avec des budget-temps limités et des équipes réduites. L’IA nécessite un bon niveau de séniorité pour juger ce qui est pertinent et efficace et faire son miel à partir des suggestions. L’IA nous met en position de chef d’orchestre avec les consommateurs et les agents IA à animer. N’hésitez pas à demander le livre blanc que nous actualisons mois après mois.
Ce manuel avancé introduit une nouvelle approche de l’analyse qualitative à grande échelle : la méthode pionnière de l’analyse en largeur et en profondeur. Il met en évidence les forces et l’application du « Big Qual » en tant que méthodologie distincte de recherche. L’ouvrage s’adresse aux étudiants et chercheurs de diverses disciplines et horizons méthodologiques.
L’idée centrale est que les données qualitatives disponibles dans les archives ou via le partage de données offrent de nouvelles possibilités pour la recherche en sciences sociales. En croisant plusieurs corpus qualitatifs, les chercheurs peuvent élargir la diversité des contextes et des populations étudiées, ce qui renforce la portée théorique des analyses.
La méthode dite breadth-and-depth articule deux logiques :
une exploration large des corpus grâce aux métadonnées et aux outils informatiques ;
une analyse fine et interprétative de sous-échantillons pertinents.
Les auteurs comparent cette démarche au travail archéologique : repérage global, sondages, puis excavation approfondie. L’objectif n’est pas de proposer une méthode rigide, mais un cadre de réflexion pour mieux exploiter les grands corpus qualitatifs, encourager les collaborations entre approches quantitatives et qualitatives, et développer de nouvelles manières d’analyser les données qualitatives à grande échelle.
L’augmentation des ensembles de données qualitatives à grande échelle offre des opportunités inédites. En combinant plusieurs ensembles de données qualitatives, il devient possible d’accroître la généralisabilité théorique et de renforcer la compréhension des processus sociaux.
Dans un contexte où les sciences humaines et sociales exploitent de plus en plus les possibilités du Big Data, cet ouvrage devient une ressource incontournable, favorisant le développement des compétences et proposant de nouvelles perspectives sur l’analyse qualitative et son exploitation.
Table des matières (9 chapitres)
1️⃣ Introduction au « Big Qual » et à la méthode d’analyse en largeur et en profondeur
2️⃣ Valeur et place de l’analyse qualitative à grande échelle
3️⃣ Présentation de la méthode en largeur et en profondeur
4️⃣ Panorama des ensembles de données qualitatives
5️⃣ Sourcing et recherche des ensembles de données adaptés
6️⃣ « Aerial Surveying » : Construction d’un corpus et exploration des données
7️⃣ Navigation entre largeur et profondeur en analyse qualitative
8️⃣ Réflexion sur les implications éthiques et méthodologiques
9️⃣ Le futur de l’analyse qualitative et du « Big Qual »
Extraits des critiques
📢 Malcolm Williams (Université de Cardiff, Royaume-Uni) : « Ce volume sera une référence en analyse qualitative. Il démontre que les Big Data peuvent être aussi qualitatives que quantitatives. Il propose une approche unique basée sur l’archéologie de la profondeur et de la largeur, dépassant la dichotomie traditionnelle entre quantitatif et qualitatif. »
📢 Jessica Nina Lester (Université d’Indiana, USA) : « L’un des apports majeurs de ce livre est d’explorer la généralisation théorique des grands ensembles de données qualitatives, en expliquant non seulement leur importance, mais aussi comment les utiliser. »
📢 Kathy A. Mills (Université Catholique Australienne, Australie) : « Une ressource essentielle pour apprendre à gérer les grandes bases de données qualitatives. Ce manuel guide le lecteur à travers la nouvelle méthode de l’analyse en largeur et en profondeur, illustrée par des études de cas et des outils d’exploration de données. »
À propos des auteurs
Susie Weller(Université d’Oxford, UK) : Spécialiste des méthodes qualitatives, analyse longitudinale et recherche appliquée.
Emma Davidson(Université d’Édimbourg, UK) : Experte en méthodes qualitatives et éthique de la recherche.
Rosalind Edwards(Université de Southampton, UK) : Chercheuse en méthodologies qualitatives et longitudinales.
Lynn Jamieson(Université d’Édimbourg, UK) : Sociologue spécialisée dans les relations familiales et sociales.
📌 Résumé Ce livre fournit une approche innovante pour traiter et analyser les données qualitatives à grande échelle grâce à la méthode en largeur et en profondeur. Il montre comment l’exploitation des Big Qual Data peut aller au-delà des méthodes traditionnelles et enrichir notre compréhension des dynamiques sociales.
L’IA ouvre une nouvelle ère pour les études avec des masses de données qualitatives analysées au fil de l’eau.
Un forum de 30 personnes pendant 3 semaines représente une centaine de questions, la réaction à des dizaines de stimuli et plus de 200 heures de contribution.
🎯 Avec l’IA, une valeur ajoutée réside dans la préparation et dans la qualité du terrain :
Sélection pointue des participants
Qualité des questions et des stimuli injectés
Richesse d’expression et masse critique de réponses
Animation qui facilite le décryptage de l’IA grâce à la numérotation et au codage des questions, items, et stimuli
L’analyse en continu devient possible avec les bonnes instructions et une vigilance constante. Cela permet d’échanger avec le commanditaire au fur et à mesure.
L’IA libère du temps pour aborder l’étude sous une diversité d’angles de recherche et intégrer des dispositifs créatifs : missions consommateurs, reportages photos/vidéos, réactions à des hypothèses et stimuli variés…
L’IA permet de réaliser des études qualitatives à grande échelle (Big Quali) ambitieuses avec des équipes légères. La masse critique des réponses et leur traitement systématique accentuent l’objectivité et la légitimité des résultats.
📩 Pour en savoir plus, demandez à recevoir notre livre blanc sur l’IA et le quali, et le support de l’intervention de QualiQuanti avec Digital Value lors du Printemps des études, qui a eu lieu le 27 septembre 2024.
Dans son livre La France selon les recherches Google, David Dubois explore comment les requêtes en ligne peuvent révéler des insights profonds sur les comportements et les aspirations des consommateurs français. Cet ouvrage souligne que les recherches sur Internet ne sont pas simplement des données brutes, mais un véritable pouls de la société, offrant une mine d’informations cruciales pour les professionnels du marketing.
Les recherches en ligne : un baromètre du marché de l’attention
Visualisées dans le temps et dans l’espace, les variations d’intensité de requêtes en ligne représentent ainsi une bonne mesure de ce que le sociologue Gérald Bronner appelle « le marché de l’attention »14, dans lequel les mots-clés seraient les valeurs qui montent ou qui descendent, un peu comme le mouvement des actions à la Bourse, selon l’intérêt du moment. David Dubois
Dubois décrit les recherches en ligne comme un reflet de l’attention collective, où chaque mot-clé représente une action fluctuante sur un marché virtuel. En 2020, les Français ont généré plus de 98 milliards de données via leurs recherches Google (quatre requêtes par jour et par habitant), offrant ainsi une vaste base de données pour les entreprises cherchant à comprendre les tendances émergentes et les changements de comportement.
En tant que professionnels du marketing, il est crucial de reconnaître que ces données ne sont pas seulement des chiffres, mais des indicateurs de ce qui capte l’attention des consommateurs à un moment donné. En analysant les mots-clés populaires, les marketeurs peuvent identifier des opportunités pour ajuster leurs stratégies, développer des campagnes publicitaires plus ciblées, et répondre de manière proactive aux besoins du marché.
La search intelligence est une source de données majeure et sous-utilisée.
La solution DVI (Digital Value Insights est beaucoup plus puissante que Google Trends pour analyser les intentions des consommateurs et à comprendre les dynamiques du marché. Voici les principales différences :
Source de Données Multicanal : Contrairement à Google Trends qui se limite aux recherches effectuées sur Google, DVI intègre des données provenant de plusieurs moteurs de recherche comme Baidu, Yahoo, Bing, et autres. Cela permet une vision plus globale des intentions des consommateurs, surtout dans des marchés où Google n'est pas dominant, comme en Corée du Sud ou en Chine.
Granularité des Données : DVI offre une granularité beaucoup plus fine des données. Là où Google Trends donne un index relatif sans les volumes absolus de recherches, DVI fournit des volumes exacts de recherches par mot-clé, permettant une analyse beaucoup plus précise des tendances et des comportements des consommateurs.
Analyse des Intentions : DVI permet non seulement de voir quels mots-clés sont recherchés, mais aussi d'analyser ces mots-clés en fonction de l'intention derrière la recherche. Cette approche est plus proche de la transaction et permet une meilleure compréhension des motivations des consommateurs, comparé à Google Trends qui ne fournit qu'une vue superficielle des données.
Capacité de Classification et de Filtrage : DVI permet de classer et de filtrer les données selon des critères très spécifiques, adaptés aux besoins des entreprises. Par exemple, elle peut classifier les recherches selon les marques, les produits et les intentions.
Comparaison et Historique Étendu : Avec DVI, les utilisateurs ont accès à 48 mois d'historique de données, ce qui permet des comparaisons temporelles robustes et l'identification de tendances à long terme. Google Trends offre une vue limitée à travers des périodes spécifiques sans permettre une analyse historique aussi profonde.
Insights Actionnables : DVI est non seulement un outil d'analyse de données, mais il intègre également des services de conseil pour interpréter les données et proposer des actions concrètes. Cette combinaison d'outil et de conseil est conçue pour répondre à des questions business précises, alors que Google Trends offre simplement des données brutes sans contextualisation ni recommandations.
Les requêtes dans Google sont les meilleurs exemples de données "Big Quali" que j'ai pu identifier avec les reviews (avis utilisateurs sur les sites de e-commerce).
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…
🔍 La Search Intelligence pour Décrypter les Insights Consommateurs 🔍 C’est un superbe exemple de #BigQuali
La search intelligence est éclairante car les requêtes sont d’excellents révélateurs des insights :
– En permettant de décrypter les intérêts, préoccupations, et questions émergentes.
– En offrant une fenêtre sur ce que les gens désirent réellement savoir ou obtenir.
Les requêtes de recherche sont un reflet des préoccupations et des besoins immédiats des utilisateurs. Contrairement aux interactions sur les réseaux sociaux, où les comportements peuvent être influencés par la perception publique, les recherches sur Internet sont privées et donnent un aperçu plus sincère des intentions réelles.
L’écoute des recherches aide à prévoir les besoins des consommateurs avant qu’ils ne deviennent des tendances dominantes. Les entreprises peuvent ainsi ajuster leur stratégie de contenu, développer de nouveaux produits, ou améliorer les services existants en anticipation des demandes.
La search intelligence se distingue par sa capacité à fournir des données extrêmement précises et comparables dans le temps. Elle permet d’analyser des données à un niveau très granulaire, souvent jusqu’au niveau du mot-clé individuel.
Les données de recherche peuvent être analysées sur de longues périodes, ce qui permet de détecter des modèles saisonniers ou des réponses à des événements mondiaux. Les moteurs de recherche comme Google stockent des historiques de données qui permettent de comparer le volume et la nature des recherches à travers le temps.
La search intelligence permet également de corréler les tendances de recherche avec des événements externes, comme des lancements de produits, des campagnes de communication, ou des changements réglementaires, offrant ainsi une vue d’ensemble de l’impact de ces événements sur le comportement public. Cette corrélation aide à comprendre non seulement le « quoi » mais aussi le « pourquoi » derrière les tendances de recherche.
💡 Digital Value Insight, pionnier de la search intelligence, fusionne recherche et analyse de données à grande échelle avec l’IA : https://www.digitalvalue-insight.com/fr
Intégration Complète des Données de Recherche
Digital Value Insight centralise les données de recherche provenant de divers moteurs tels que Google, Naver, Baidu, Yahoo, et Bing.
Utilisation de l’IA et de la Science des Données
L’outil utilise l’IA pour classer plus de 750 000 mots-clés.
Insights Actionnables et Personnalisés
Digital Value transforme ces données en insights clairs et actionnables.
Analyse de la Performance Digitale
La plateforme analyse des intentions de recherche à cibler dans le SEO, le SEA, et le Shopping.
Rapports Insightful et Reviews Régulières
Digital Value propose des revues trimestrielles avec des experts.
Expertise en Conseil Basé sur les Données
Digital Value apporte une expertise approfondie dans l’interprétation des données pour le conseil stratégique #SearchIntelligence#ConsumerInsights
Pour bien utiliser l’intelligence artificielle, il faut d’abord en comprendre les grands principes. L’IA n’est pas une technologie unique, mais un ensemble de méthodes qui permettent à une machine d’accomplir des tâches habituellement réalisées par des humains : lire, écrire, analyser, classer, générer du contenu ou encore piloter des systèmes complexes.
Dans ce chapitre, Frédéric Josué, président de 18M.io, consultant spécialisé en marketing et communication, apporte un éclairage pédagogique sur les fondements de l’IA. Son parcours est disponible ici : https://www.linkedin.com/in/frederic-josue-322465/. Il est également joignable à cette adresse : frederic.josue@18m.io.
IA, machine learning et deep learning : trois niveaux à distinguer
L’intelligence artificielle désigne la capacité d’une machine à imiter certaines formes d’intelligence humaine. Le machine learning, ou apprentissage automatique, constitue une branche de l’IA : au lieu d’être programmée règle par règle, la machine apprend à partir d’exemples et de données.
Le deep learning, ou apprentissage profond, est lui-même une sous-catégorie du machine learning. Il s’appuie sur des réseaux de neurones artificiels inspirés du cerveau humain et permet de traiter de très grandes quantités de données. C’est dans cette famille technologique que s’inscrit l’IA générative.
Apparue conceptuellement dès les années 1950-1960, l’IA a longtemps été freinée par le manque de données et de puissance de calcul. Cette période de ralentissement est connue sous le nom d’« hiver de l’intelligence artificielle ». Le véritable renouveau intervient à partir de 2010 avec l’explosion du Big Data : internet, les réseaux sociaux et les usages mobiles fournissent alors des masses de données comportementales exploitables pour entraîner les modèles.
Un tournant majeur a lieu en 2017 avec l’invention des architectures Transformer, qui deviennent la base des grands modèles de langage comme GPT, pour Generative Pretrained Transformer.
IA symbolique et IA statistique : deux logiques différentes
L’histoire de l’IA oppose deux grandes approches.
La première est l’IA symbolique, dominante jusqu’aux années 1980. Elle repose sur des règles explicites : par exemple, si un patient a plus de 38,5 °C de fièvre, alors il est considéré comme malade. Cette IA est déterministe : ses décisions sont traçables, car elles découlent de règles clairement définies.
La seconde est l’IA statistique, qui domine depuis les années 1980. Elle repose sur des données, des exemples et des probabilités. C’est le cas du machine learning, du deep learning et des modèles comme ChatGPT. Cette approche est beaucoup plus puissante à grande échelle, mais aussi plus opaque : les modèles peuvent produire des erreurs, extrapoler ou « halluciner », sans que l’on puisse toujours expliquer précisément leur raisonnement interne.
La vectorisation du monde : le principe clé de l’IA générative
L’IA générative fonctionne grâce à une idée centrale : traduire le monde en données numériques. Une image est représentée par des pixels et des couleurs. Une position géographique est décrite par des coordonnées de latitude et de longitude. Un mot, quant à lui, peut être représenté sous forme de vecteur multidimensionnel.
C’est le principe du word embedding : les mots sont placés dans un espace vectoriel où leur distance traduit leur proximité sémantique. Ainsi, « chat » et « chien » seront plus proches que « chat » et « humain », car ils partagent certaines caractéristiques. De même, « thé » et « café » seront plus proches entre eux que du mot « haricot », car ils renvoient à des usages et contextes similaires.
Cette représentation permet aux modèles de langage de comprendre les relations entre les mots, les nuances de sens et le contexte dans lequel ils apparaissent.
Comment fonctionne l’IA générative ?
L’IA générative transforme une instruction, appelée prompt, en contenu : texte, image, musique, vidéo ou message vocal. Les trois lettres de GPT permettent de comprendre son fonctionnement.
G pour génératif : le modèle produit du contenu nouveau à partir de ce qu’il a appris.
P pour pré-entraîné : il a été entraîné sur de vastes ensembles de données passées. Il dispose donc d’une culture générale très large, mais peut manquer d’informations récentes ou spécifiques.
T pour Transformer : cette architecture analyse le contexte grâce à des mécanismes d’attention. Elle évalue l’importance relative des mots dans une phrase ou un document afin de produire une réponse cohérente.
Les Transformers sont dits auto-régressifs : ils génèrent le texte progressivement, mot après mot, en se basant uniquement sur ce qui précède. Par exemple, face à une phrase évoquant le soleil couchant, l’horizon, la nuit et les teintes dorées, le modèle pourra prédire qu’un mot comme « obscurité » est une suite probable. Il ne « pense » pas comme un humain : il calcule la suite la plus vraisemblable à partir de patterns appris.
Ce que permettent les grands modèles de langage
Les grands modèles de langage ouvrent de nombreuses possibilités pour le marketing, la communication et la relation client. Ils peuvent analyser de grands volumes de données, identifier des tendances, faire émerger des insights, créer des personas ou encore simuler des comportements de consommateurs.
Ils permettent aussi de produire des contenus personnalisés selon différents publics cibles. L’un de leurs atouts est la personnalisation émotionnelle : on peut demander à un modèle d’adopter un ton plus empathique, engageant, descriptif ou encourageant selon l’objectif recherché.
Ces technologies accélèrent également la production de contenus, notamment lorsqu’elles sont connectées à des outils métiers. Par exemple, il est possible d’intégrer ChatGPT à Make pour synthétiser chaque jour des newsletters et générer des mails clients : https://www.make.com. On peut aussi associer une base de connaissance à un chatbot capable de répondre à des questions sous forme de messages vocaux.
Mais ces usages posent aussi des questions : les gains réels de productivité restent difficiles à mesurer, les coûts d’implémentation peuvent être importants et les équipes doivent être formées pour utiliser ces outils efficacement.
Pour aller plus loin
Le chapitre recommande plusieurs ressources pédagogiques courtes proposées par Meta avec Simplon :
Pour un tour d’horizon plus complet, le chapitre renvoie également à l’intervention d’Hugues Bersini au Collège de Belgique, intitulée « ChatGPT, la brève histoire d’une IA régressive » : https://youtu.be/VTRDr1FKCys?si=HhzcL47-m0QFfBj7.
Conclusion
L’IA générative n’est pas une rupture isolée, mais l’aboutissement de plusieurs décennies de recherche en intelligence artificielle, machine learning, deep learning, traitement du langage naturel et Big Data. Sa puissance repose sur la transformation du réel en données vectorisées, puis sur la capacité des modèles Transformer à prédire, générer et adapter du contenu en fonction d’un contexte.
Pour les organisations, elle représente une opportunité majeure : mieux analyser les données, produire plus vite, personnaliser les messages et enrichir l’expérience client. Mais son usage exige aussi de la méthode, de la formation et une compréhension claire de ses limites : une IA générative ne raisonne pas comme un humain, elle calcule des probabilités à partir de données passées.
Édito – L’intelligence artificielle au service d’un quali augmenté
I. UNE MÉMOIRE GLOBALE ET LOCALE
Accéder à une culture générale élargie
Constituer un capital intellectuel de recherches
II. LE TRAITEMENT DE DONNÉES À GRANDE ÉCHELLE
Tirer parti de la retranscription automatique (speech-to-text)
Exploiter plus de retours-consommateur
Interagir avec la caméra vidéo
Interagir via des agents conversationnels
Analyser les données non structurées à grande échelle
III. LE POTENTIEL DE CRÉATIVITÉ ET DE CONSEIL
Générer une diversité de pistes de travail
Démocratiser la création d’images
Conclusion : Prendre en compte les limites de l’IA
« Comment l’IA transforme les études qualitatives » : c’est le thème du livre blanc que nous préparons. Pour illustrer ce projet, voici quelques images générées par Dall-e, dont une couverture avec des hallucinations. A côté, des illustrations de la puissance de l’IA sur la retranscription de la parole, la libération des expressions, la masse critique de témoignages, la multiplicité d’angles, l’intelligence créative et le quali à grande échelle (Big Quali).
🧠 Le parti pris de ce livre blanc : montrer tout ce qu’on peut faire concrètement avec l’IA en quali : customiser un chat GPT, analyser les reviews d’Amazon & co, interviewer via un chatbot, se faire coacher sur la rédaction, synthétiser et traduire, illustrer des pistes… Nous allons vous montrer une série d’expérimentations. Likez ce post si vous voulez recevoir la première édition de cet opus.
🔵 L’IA est une invitation au knowledge management et à la réexploitation des sources disponibles. On peut mixer l’expertise de l’institut avec la culture générale disponible. Ce cocktail génère des résultats précis et enrichis. Nous avons eu la bonne surprise de créer « BRAND SPIRIT » https://chat.openai.com/g/g-ErVv3Doer-brand-spiritune base de connaissances à partir des principaux livres et études publiques de QualiQuanti. Ce chatbot restitue et enrichit le concept de performativité. https://chat.openai.com/share/12d7360f-b9b7-4d1a-bfcc-c9b3bcfb556c.
🏙 Grâce à Noota, nous pratiquons la retranscription + synthèse automatique avec un grand bonheur. Voici l’enregistrement et la retranscription IA d’une conférence sur l’avenir de la santé. Plus besoin de prendre de notes pour essayer de se rappeler d’une conférence ou d’un discours. L’enregistrement permet d’obtenir : – La synthèse structurée (décomposition du contenu audio, répartition par topic) – L’accès simultané et interconnecté au son et au texte : on passa facilement de la lecture à l’écoute – Le résumé automatique avec les citations clés, les topics (résumés des différentes parties)
🎈 L’application Creative Writing Coach https://chat.openai.com/g/g-lN1gKFnvL-creative-writing-coach est pertinente quand elle relit nos deux rapports d’étude réalisés pour le CNM en faisant des suggestions : https://chat.openai.com/share/64ee732c-8c0b-44bb-bd16-52888398d377 Le coach insiste sur les schémas et l’équilibre texte-image, les résumés intermédiaires avec points clés, la mise en avant de cas, la lisibilité au format numérique avec des éléments multimédias, l’actualisation et la mise à jour, la mise en avant des recommandations.
Et encore tant de choses à explorer (sur les questions d’intérêt général concernant les marques, la communication et le retail qui sont au coeur des recherches de QualiQuanti)
In the age of Big Data and new technologies, every company has access to a mass of qualitative data – photos, videos, testimonials, etc. – that can be used to improve the quality of its communications.
What is the value and economic interest of this qualitative data?
How can we produce and exploit this material without drowning in it?
Part of the answer lies in a new dimension of qualitative research: Big Qual. This approach goes beyond traditional qualitative research in several respects:
– larger samples – forums, communities, social listening;
– longer interrogation times – up to several weeks.
Produce quality data on a large scale, in cooperation with the public – provided you know how to stimulate them.
Analyzing this data with a human and cultural approach, when artificial intelligence is limited to identifying and classifying data.
Promoting ownership of the results through inspiring deliverables.
The aim of this book is to use examples to illustrate the transformation of qualitative research via digital technology and to demonstrate its full potential. Shaking up traditional research approaches, Big Qual is an effective method that is accessible to everyone – marketing professionals as well as managers and decision-makers thinking about the future of their company and their brands – and within a limited time budget.
Daniel Bô, HEC and SciencesCom, CEO and founder of the QualiQuanti research institute, is a pioneer of online panels and qualitative and quantitative research. The author of blogs and white papers on research, he has published articles on brand content and brand culture with Dunod. With Big Qual, he offers an illustrated overview of digital methodologies and reflects on the power of qualitative research.
Les questions ouvertes sont très intéressantes pour motiver les répondants et expliciter les réponses. Elles stimulent la participation, la réflexion, la créativité du répondant. Elles suivent la progression en entonnoir du questionnaire en s’inspirant de l’entretien semi-directif. Pour obtenir des réponses riches, il faut alterner questions fermées et ouvertes et privilégier les formats panoramiques, qui donnent une vision complète. Le digital facilite la réponse aux questions ouvertes car c’est le répondant qui tape sa réponse. La réponse aux questions ouvertes sera encore plus naturelle avec la modalité de réponse audio associée au speech-to-text.
L’ouverture des questions présente des avantages sur le plan du contenu de l’interrogation et sur le plan ergonomique. Voici un exemple utilisé pour valider un projet de vidéo de la Macif, dont les résultats sont détaillés en fin d’article.
L’ouverture du questionnaire permet surtout une meilleure investigation et une collecte de données plus fine. Jean Moscarola dans son article intitulé « Les actes de langage. Protocole d’enquêtes et analyse des données textuelles[1] » montre qu’une question très structurée comme la mesure de satisfaction sur une échelle donne une impression de précision en partie illusoire. Ce type de questions systématiques (échelles, items,…) impose à l’interviewé de se situer au sein du cadre de référence de l’enquêteur. Ces questions semblent objectives alors qu’elles subissent une part de subjectivité. Pour améliorer la fiabilité des interprétations et éclairer les résultats quantitatifs, une solution consiste à combiner avec les questions fermées des questions ouvertes.
Pour une question aussi périlleuse qu’une mesure d’intention d’achat, le recours à une double question ouverte sur “ce qui incite / n’incite pas à acheter” s’avère extrêmement utile. Cet approfondissement permet d’expliciter ce que l’interviewé a en tête au moment où il se situe sur l’échelle d’intention d’achat. Une campagne de publicité peut plaire à travers une question fermée très positive mais pour des raisons incompatibles avec la stratégie de la marque. Ces raisons sont décelables seulement grâce à l’exploitation de questions ouvertes. Une campagne de publicité rejetée dans une question quantitative peut être optimisée grâce aux enseignements de la partie qualitative. A contrario, dans les études strictement quantitatives, les résultats chiffrés non éclairés sont parfois risqués à interpréter.
Le livre Big Quali a été relu, corrigé et enrichi. La version définitive sortira chez Dunod en janvier 2022 après photocomposition. D’ici la validation du BAT, vos remarques et suggestions sont les bienvenues.
Un bêta-lecteur intervient généralement lorsque l’œuvre est prête à être publiée. Son apport est de repérer des fautes mais surtout de donner son avis, de poser des questions, de faire des suggestions. https://www.monbestseller.com/actualites-litteraire/5760-tout-savoir-sur-la-beta-lectureCe livre a déjà bénéficié d’échanges depuis juillet 2021. Il a donné lieu à une multitude de versions partagées grâce à une vingtaine de bêta-lecteurs proches du métier des études. Il a fait l’objet de plusieurs centaines de questions, remarques ou suggestions et a suscité des recherches et interviews complémentaires. J’ai pu ainsi passer d’un MVP ou MVB (Minimum Viable Product/Book) à la version finale.
Merci à tous ceux qui ont participé à la relecture du livre.
Voici le testament scientifique de Jacques Jenny, que j’ai trouvé très inspirant.
La thèse que je voudrais ici exposer et argumenter, c’est que non seulement les deux grands «genres méthodologiques» dénommés habituellement «Qualitatif» et «Quantitatif» sont nécessairement complémentaires – banalité largement partagée – mais surtout que leur distinction même est foncièrement artificielle, fallacieuse et par conséquent stérile et contre-productive.
Cette division classique du travail méthodologique procède d’une illusion d’optique, provoquée par une perception tronquée de ce que sont réellement, concrètement, d’une part les pratiques et méthodes dites «quantitatives» et d’autre part les pratiques et méthodes dites «qualitatives».
Déjà, la frontière entre les deux n’est pas toujours placée aux mêmes endroits, selon les points de vue et selon les auteurs.
Et que dire des espèces «hybrides» ? où classer par exemple les «statistiques textuelles» et autres lexicométries, qui font entrer le langage dans le camp des mathématiques ?
Ce qui mériterait éventuellement les qualificatifs distincts de Quantitatif et Qualitatif, ce ne sont pas des Méthodes mais ce qu’on pourrait appeler les «plate-formes techniques» de ces méthodes. Car il est exact qu’on se trouve confronté, dans un cas, à des répartitions numériques et, dans l’autre, à des énoncés langagiers – et que ces deux matériaux ont des structures et des contraintes spécifiques telles que leur analyse, leur interprétation, exige la discipline de spécialités pertinentes et performantes : disons pour simplifier, respectivement les mathématiques, les statistiques et les sciences du langage, la sociolinguistique.
Mais les méthodes, elles, ne peuvent pas se réduire à ces disciplines spécifiques :
– les traitements mathé-statistiques doivent impérativement prendre en compte, intégrer, les significations précises et circonstanciées des catégories de classement des objets dénombrés, ordonnés ou mesurés et, au-delà, les discours dans lesquels ces catégories prennent sens, sous peine de n’être que des «exercices de calcul»,
– et les analyses discursives de corpus textuels ne peuvent négliger ni les «opérateurs de quantification» que contient tout énoncé ni les formes de répartition spatio-temporelle de leurs éléments constitutifs, qui contribuent à leurs significations, sous peine de n’être que des «exercices de littérature».
Jacques JENNY – Sociologue retraité (ancien de l’Iresco-CNRS)
