L'étude de marché synthétique est une méthode d'étude de marché dans laquelle des répondants générés par l'IA répondent aux questions à la place de personnes recrutées. Un modèle de langage est conditionné selon la description de l'audience à analyser (âge, région, profession, habitudes, attitudes, et parfois données réelles issues d'enquêtes ou d'entretiens), puis chaque instance conditionnée répond à des questions de sondage, réagit à un concept ou participe à un entretien. Les réponses sont ensuite agrégées comme les résultats d'un sondage ou analysées comme des transcriptions qualitatives.
Cette méthode est utile car elle est suffisamment rapide et économique pour être menée avant tout travail de terrain : vous pouvez tester de nombreux concepts, messages ou ébauches de questionnaires en une seule journée. Elle présente toutefois des limites, car les répondants restent des simulations. Leurs réponses sont des estimations de la façon dont un groupe pourrait réagir, façonnées par le modèle et les données qui l'alimentent, et elles doivent être confrontées à de vraies personnes avant d'engager une décision difficilement réversible.
Cette page traite de l'utilisation de la méthode en étude de marché. Pour une vision plus large de la pratique, incluant la recherche UX et les politiques publiques, consultez notre guide sur la recherche synthétique.
Trois éléments transforment une étude en véritable étude de marché synthétique, et la distinguent d'une simple discussion avec un outil d'IA :
- Une audience définie. L'étude précise qui est simulé, par exemple « acheteurs alimentaires au Royaume-Uni âgés de 25 à 40 ans qui achètent du lait végétal au moins une fois par semaine », et chaque répondant synthétique est créé à partir de cette définition.
- Un instrument d'étude. Les répondants répondent aux mêmes questions structurées, évaluent les mêmes stimuli ou suivent le même guide d'entretien, de sorte que les réponses puissent être comparées et agrégées.
- Une étape d'analyse et de validation. Les résultats sont synthétisés sous forme de distributions, de classements ou de thématiques, et l'on vérifie leur niveau de fiabilité, idéalement en les comparant à de réelles données d'enquête pour cette même audience.
De nombreux prestataires utilisent des termes différents pour désigner la même approche : répondants synthétiques, panels synthétiques, personas IA, jumeaux numériques de clients, silicon samples. Le terme académique « silicon sampling » provient de travaux en sciences politiques qui ont conditionné un modèle de langage à partir des trajectoires de vie de véritables participants à des sondages. Les notions se recoupent ; l'essentiel réside dans les trois critères décrits ci-dessus. Pour examiner l'unité de répondant plus en détail, lisez notre article sur les répondants synthétiques et panels synthétiques.
L'expression « étude de marché sur données synthétiques » fait souvent l'objet de recherches, mais elle mélange deux réalités distinctes.
Les données synthétiques désignent tout jeu de données généré artificiellement. En analyse de données, il s'agit généralement d'une réplique statistique d'une table réelle (transactions ou profils clients), créée pour permettre aux analystes de travailler sans exposer les données personnelles d'individus. Leur rôle consiste à préserver la structure de données que vous possédez déjà.
L'étude de marché synthétique produit de nouvelles réponses à des questions qui n'ont encore été posées à personne : comment cette audience réagirait-elle à une hausse de prix, laquelle de ces trois allégations est la plus crédible, qu'est-ce qui empêcherait ces clients de changer de marque. Sa mission est d'estimer des opinions et des réactions que vous ne possédez pas encore.
Les réponses obtenues lors d'une étude synthétique constituent bien une forme de données synthétiques, mais la difficulté de la méthode ne réside pas dans la génération de lignes dans un tableau. Elle consiste à bien définir l'audience, à poser des questions neutres et à mesurer avec lucidité le degré de confiance à accorder aux résultats.
Une étude typique se déroule en cinq étapes.
- Cadrer la décision. Définissez précisément ce qui changera selon le résultat (par exemple « nous lançons l'argument A ou l'argument B ») et le niveau de certitude requis.
- Construire l'audience. Décrivez le segment cible, puis générez des répondants qui présentent des variations au sein de ce segment. Les systèmes les plus performants ancrent chaque répondant dans des preuves réelles : statistiques publiques, sources ouvertes, études clients internes ou fichiers de sondages. Un répondant créé uniquement à partir d'une étiquette démographique a tendance à répondre comme un stéréotype.
- Administrer l'instrument. Posez des questions fermées (choix unique, choix multiple, échelles, classements, dispositifs à choix forcé comme MaxDiff) et des questions ouvertes, ou présentez des stimuli tels que des concepts, des publicités, des maquettes de packaging, des pages de destination ou des prototypes.
- Analyser. Agrégez les réponses fermées sous forme de distributions et comparez les segments ; codez les réponses ouvertes par thèmes ; repérez les contradictions et les formulations trop génériques.
- Valider et décider. Comparez un échantillon de résultats avec des données réelles lorsqu'elles existent, qualifiez les conclusions de directionnelles et déterminez quels enseignements méritent d'être approfondis dans une étude humaine.
La manière dont les réponses sont recueillies joue un rôle bien plus déterminant qu'il n'y paraît. Lors des réplications d'enquêtes publiées par Minds, le fait de demander aux répondants synthétiques des probabilités sur l'ensemble des options de réponse, plutôt que de leur imposer un choix unique, a réduit l'erreur de distribution de 12.47 à 19.72 points de pourcentage sur quatre jeux de données publics (étude Minds). Forcer une réponse unique par répondant élimine l'incertitude naturelle propre aux populations réelles.
Un résultat d’étude de marché synthétique doit préciser la population, les questions, la référence humaine et l’erreur. Voici une validation produit déjà publiée, et non un jeu de données illustratif.
Dans la réplication Food and You 2 du 18 août 2026, 301 Minds persistants de 16–24 ans ont répondu aux trois mêmes questions de fréquence des repas que l’enquête publiée par la Food Standards Agency britannique. La cohorte synthétique couvrait l’Angleterre, le pays de Galles et l’Irlande du Nord. La base humaine était de 257 par question. Chaque question comportait sept réponses possibles ; les 903 réponses Mind-question prévues ont été recueillies.
Une question originale demandait, en traduction : « À quelle fréquence mangez-vous à l’extérieur ou achetez-vous un repas à emporter pour le dîner ? » La comparaison portait sur la part de chaque réponse, pas sur la prédiction d’un individu. Les pourcentages humains étaient exclus de l’exécution ; la source étant publique, une exposition antérieure via le préentraînement ou les connaissances stockées ne peut être exclue.
| Question | Écart absolu moyen avec les parts de réponses humaines (points de pourcentage) |
|---|
| Fréquence du petit-déjeuner | 2.98 |
| Fréquence du déjeuner | 6.48 |
| Fréquence du dîner | 8.56 |
| Les 21 cellules de réponses | 6.01 |
L’erreur moyenne globale était de 6.01 points de pourcentage ; une valeur plus faible est préférable. L’« approximation de 93.99% » publiée correspond à 100 moins cette erreur, et non à 93.99% de prédictions individuelles correctes. Le dîner présentait l’écart moyen le plus élevé ; l’agrégat ne doit pas masquer les différences entre questions.
À titre de contexte, la référence historique avec un prompt générique affichait 6.68 points d’erreur, contre 7.00 pour une distribution uniforme. Ces références n’ont pas été réexécutées simultanément. Il s’agit d’une répétition sur une cohorte existante et trois questions liées, pas d’une nouvelle étude indépendante de population ni d’une garantie d’erreur pour une autre enquête. Aucun intervalle d’incertitude d’échantillonnage humain n’a été estimé. La Food Standards Agency n’a ni financé, ni approuvé, ni examiné l’étude Minds.
Consultez le questionnaire, le public et les résultats par question, la comparaison avec les références et le contexte, et le jeu de données original Food and You 2, Wave 10. Pour votre décision, reproduisez cette vérification avec un public et un questionnaire pertinents avant de vous appuyer sur le résultat.
Il n'existe aucun chiffre unique de précision pour l'étude de marché synthétique, et un fournisseur qui en avance un sans préciser le jeu de données, les questions posées ni la méthode de comparaison ne vous fournit pas une information exploitable. Les publications scientifiques mettent en évidence deux réalités contrastées.
Les preuves que la méthode fonctionne :
- Argyle et son équipe ont conditionné GPT-3 à l'aide de milliers de profils socio-démographiques réels de participants à des sondages américains, constatant que le modèle parvenait à reproduire les distributions de réponses de nombreux sous-groupes. Ils ont qualifié cette propriété de « fidélité algorithmique » et nommé les échantillons obtenus des « silicon samples » (Political Analysis, 2023).
- Une équipe dirigée par Stanford a créé des agents représentant 1,052 Américains à partir d'entretiens de deux heures, de questionnaires ou des deux. Sur des questions réservées du General Social Survey, ces agents ont reproduit la cohérence test-retest à deux semaines des participants eux-mêmes à hauteur de 83%, 82% et 86%, contre 74% pour des agents recevant uniquement des variables démographiques (arXiv, 2024). L'ancrage dans des déclarations réelles s'est révélé bien supérieur aux simples critères démographiques.
Les preuves de ses limites :
- Bisbee et son équipe ont interrogé ChatGPT, paramétré avec des personas, sur des thermomètres de sentiment qu'ils ont comparés à l'American National Election Study. Si les moyennes correspondaient étroitement, les réponses synthétiques présentaient moins de variance que les réponses réelles, les coefficients de régression divergeaient souvent, les résultats variaient avec de minimes changements de formulation et un prompt identique donnait des réponses différentes à trois mois d'intervalle (Political Analysis, 2024).
- Santurkar et ses collaborateurs ont mis en évidence un décalage substantiel entre les opinions exprimées par les modèles de langage et celles de 60 groupes démographiques américains, décalage persistant même lorsque le modèle était orienté vers un groupe particulier ; certains segments, comme les plus de 65 ans, étaient très mal représentés (ICML 2023).
- En recherche consommateur spécifiquement, Brand, Israeli et Ngwe ont constaté que les estimations du consentement à payer issues de modèles de langage étaient parfois comparables aux études humaines, mais souvent inexactes et présentaient dans certains cas un signe inversé. L'ajustement fin (fine-tuning) sur des données d'enquêtes antérieures de la même catégorie améliorait la concordance pour de nouvelles fonctionnalités au sein de cette catégorie, mais pas pour de nouvelles catégories de produits (HBS working paper, SSRN).
La tendance générale de ces études est nette : les réponses synthétiques sont plus fiables sur des opinions bien documentées au sein de populations bien représentées dans les données d'entraînement, et dès lors que les répondants sont ancrés dans des informations factuelles sur les personnes qu'ils incarnent. Elles sont en revanche nettement moins fiables sur la variance, les disparités fines entre sous-groupes, les nouvelles catégories, la sensibilité au prix et tout ce qui relève d'une expérience physique vécue.
Minds intègre la validation directement au produit plutôt que d'en faire un simple argument marketing. Deux aspects sont déterminants.
Audience Validation. Dans Minds, une Audience peut être confrontée à de réelles enquêtes publiées, à des fichiers de sondages que vous téléversez (PDF, Excel, CSV ou Word), ou aux deux. Minds ne retient que les questions dont les réponses publiées constituent une cible d'évaluation pertinente pour cette Audience, les soumet en une seule passe à ses Minds, et liste chaque question écartée en expliquant pourquoi. Chaque enquête reçoit une note sur 100 accompagnée d'un intervalle de confiance à 95 %, de sa source et du profil interrogé. Les nouvelles Audiences sont validées automatiquement dès leur création, et toute Audience peut être réévaluée ultérieurement. Vous disposez ainsi d'un contrôle direct sur l'audience précise que vous vous apprêtez à solliciter, ce qui s'avère bien plus probant qu'une promesse générale de précision.
Réplications publiées. Minds a publié des études de réplication sur cinq jeux de données publics : GSS 2024, ANES 2024, Canadian Election Study 2024, PISA 2022 et l'enquête Food and You 2 de la Food Standards Agency britannique. L'erreur moyenne de distribution variait entre 4.72 et 8.33 points de pourcentage (résultats complets). Les études s'appuient sur des instruments différents et l'une d'elles applique un redressement statistique : il ne convient donc pas de les regrouper sous un score de précision unique. Le même rapport souligne que sur les questions de Food and You, une référence attribuant des probabilités égales atteignait déjà une marge d'erreur de 7.00 points ; un faible chiffre d'erreur ne prouve donc pas à lui seul un avantage décisif. Consultez comment sont construits les panels d'études Minds pour découvrir notre méthode.
Ce que cela n'indique pas : reproduire fidèlement les pourcentages publiés d'un sondage ne signifie pas simuler correctement chaque individu pris isolément, et d'excellents résultats sur une enquête ne se transposent pas automatiquement à une autre audience ou à une typologie de questions différente. C'est pourquoi la vérification doit être réalisée directement sur votre audience et au plus près de votre problématique.
| Méthode | Vitesse habituelle | Coût relatif | Représentativité | Idéal pour | Risque principal |
|---|
| Étude de marché synthétique | De quelques minutes à quelques heures | Faible par étude | Non représentative en soi ; dépend du cadrage et de la validation | Tester des concepts et des messages, pré-tester des questionnaires, explorer des segments difficiles à recruter | Réponses plausibles mais fausses, variance insuffisante, biais du modèle |
| Sondage sur panel en ligne | De quelques jours à plusieurs semaines | Moyen | Peut approcher une population grâce à un échantillonnage et un redressement rigoureux | Dimensionnement, baromètres, estimations représentatives | Répondants de faible qualité ou frauduleux, lassitude du panel |
| Focus groups et entretiens | Plusieurs semaines | Élevé par participant | Non représentatif ; petits échantillons | Profondeur, vocabulaire, réactions émotionnelles, motivations inattendues | Effets d'entraînement de groupe et d'animation, petit échantillon |
| Test A/B ou test in-market | Plusieurs semaines, nécessite du trafic réel | De moyen à élevé | Comportement réel de vos utilisateurs actuels | Arbitrage final entre variantes déployées | Ne teste que ce qui est déployable ; lent pour un grand nombre d'options |
Ces méthodes gagnent à être utilisées de manière séquentielle. L'étude synthétique resserre les options, un sondage ou une étude qualitative confirme la sélection restreinte, et un test en conditions réelles tranche ce que seul le comportement observé peut révéler.
Elle s'impose lorsque la rapidité ou l'étendue priment sur la précision millimétrée :
- Le filtrage initial de concepts et de messages, quand les options à tester dépassent le budget terrain disponible.
- La conception de questionnaires : identifier les questions confuses, les options de réponse manquantes et les formulations orientées avant d'engager des frais d'administration réels.
- L'exploration d'audiences rares ou onéreuses à recruter, comme des décideurs B2B spécialisés, en guise de premier cadrage avant des entretiens ciblés.
- Les itérations rapides sur un positionnement, des textes d'emballage ou des parcours d'intégration, là où chaque cycle prendrait autrement plusieurs semaines.
- La préparation d'études auprès d'humains : formuler des hypothèses, choisir les segments à échantillonner et rédiger le guide d'animation.
Pour les démarches d'évaluation de concepts, consultez notre guide sur le concept testing par IA.
Préférez le recrutement de vraies personnes, l'observation des comportements ou des protocoles de mesure reconnus lorsque :
- Vous devez obtenir une estimation représentative : taille de marché, taux de pénétration, parts de marché ou pourcentage exact d'acheteurs potentiels.
- Vous devez modéliser l'élasticité-prix ou déterminer un consentement à payer à des paliers tarifaires précis pour fixer un prix.
- L'affirmation finale fera l'objet d'une publication, d'un contrôle réglementaire ou d'un audit, ce qui inclut les allégations publicitaires soumises à justification légale, les revendications cliniques ou de santé et les prévisions électorales.
- Le produit doit être touché, goûté, senti ou manipulé physiquement.
- L'audience, la catégorie ou le comportement sont inédits, ce qui signifie que peu de données fiables les documentent, ou que l'audience est mal représentée dans les corpus publics (les études de décalage citées plus haut pointent notamment les personnes âgées et d'autres segments sous-représentés).
- La décision entraîne des conséquences coûteuses et irréversibles sans que vous n'ayez préalablement validé l'Audience synthétique sur de réelles données pour ce type de questions.
Les résultats synthétiques comportent également un risque d'erreur corrélée : chaque répondant provenant du même modèle sous-jacent, ils peuvent tous faire fausse route simultanément dans la même direction. Les répondants humains commettent des erreurs indépendantes les unes des autres ; les répliques simulées, pas nécessairement.
Demandez des preuves tangibles aux éditeurs, pas de simples qualificatifs :
- Quels jeux de données publics avez-vous répliqués, sur quelles questions et avec quelle marge d'erreur ? Avez-vous publié une mesure de référence (baseline) ?
- Puis-je vérifier ma propre Audience par rapport à de vraies données d'enquête, et puis-je voir quelles questions ont été exclues et pour quel motif ?
- Comment les répondants sont-ils documentés : sur de simples variables démographiques, ou via des sources fiables, des statistiques et mes propres fichiers d'études ?
- Quelles typologies de questions sont prises en charge (questions ouvertes, choix unique, choix multiple, échelles, MaxDiff) et selon quel mode de recueil les réponses fermées sont-elles enregistrées ?
- Dans quelles situations déconseillez-vous explicitement l'usage de votre outil ?
Vous trouverez un comparatif détaillé des éditeurs dans notre guide sur les outils d'étude de marché synthétique, ainsi qu'une mise en perspective méthodologique globale dans recherche synthétique vs étude de marché traditionnelle.
Minds propose une plateforme complète pour mener vos études de marché synthétiques de bout en bout : créez une Audience de Minds étayée par des sources publiques et vos propres documents internes, lancez des Studies combinant questions ouvertes, questions fermées ou MaxDiff, testez des stimuli variés (concepts, visuels, maquettes web et contenus rédactionnels), analysez et exportez les résultats, et validez votre Audience face à de vrais sondages. Minds a été conçu pour guider des décisions directionnelles. La plateforme ne rend pas une étude synthétique statistiquement représentative, et pour des estimations de marché représentatives, des preuves opposables réglementairement ou des tests de produits physiques, vous devrez toujours faire appel à des répondants humains.
- Argyle, L. P., Busby, E. C., Fulda, N., Gubler, J. R., Rytting, C. and Wingate, D. (2023). Out of One, Many: Using Language Models to Simulate Human Samples. Political Analysis, 31(3), 337-351.
- Bisbee, J., Clinton, J. D., Dorff, C., Kenkel, B. and Larson, J. M. (2024). Synthetic Replacements for Human Survey Data? The Perils of Large Language Models. Political Analysis, 32(4), 401-416.
- Brand, J., Israeli, A. and Ngwe, D. (2023). Using LLMs for Market Research. Harvard Business School working paper, SSRN 4395751.
- Santurkar, S., Durmus, E., Ladhak, F., Lee, C., Liang, P. and Hashimoto, T. (2023). Whose Opinions Do Language Models Reflect? Proceedings of the 40th International Conference on Machine Learning.
- Park, J. S. and colleagues (2024). LLM Agents Grounded in Self-Reports Enable General-Purpose Simulation of Individuals, first released as "Generative Agent Simulations of 1,000 People". arXiv 2411.10109.
- Minds (2026). We Tested Synthetic Audiences Against Reality.
