Étude de marché et IA : ce que ChatGPT peut faire, ou non, pour votre étude

Combien d’entreprises européennes utilisent déjà l’IA ?

L’adoption s’est fortement accélérée. Selon Eurostat, 19,9 % des entreprises de l’UE comptant dix salariés ou plus utilisaient au moins une technologie d’IA en 2025, contre 8,1 % en 2023. La part a plus que doublé en deux ans.

Ces moyennes masquent de fortes disparités entre États membres. Les Pays-Bas devancent nettement la moyenne de l’UE ; la Bulgarie est loin derrière, et l’écart entre les deux ne cesse de se creuser.

En 2021, l’écart entre entreprises néerlandaises et bulgares était de 9,8 points de pourcentage ; en 2025, il atteignait 24,6 points. Deux précautions s’imposent. L’indicateur recense toute technologie d’IA, de l’analyse de texte à l’apprentissage automatique : il ne montre donc pas combien d’entreprises utilisent l’IA spécifiquement pour le marketing ou les études. Et il porte sur les entreprises de dix salariés ou plus : il ne dit rien des entrepreneurs individuels. D’autres indicateurs de la numérisation des entreprises, dont l’usage des réseaux sociaux et la publicité en ligne payante, figurent dans notre rubrique données sur les entreprises.

Pour un commanditaire d’études, la conséquence pratique est que les outils d’IA font désormais partie du quotidien de nombreuses équipes, chez les clients comme chez les prestataires. La question n’est plus de savoir s’il faut les utiliser, mais où ils aident et où ils induisent en erreur.

Qu’est-ce qu’un modèle de langage fait bien dans un projet d’étude ?

Les modèles de langage donnent le meilleur d’eux-mêmes sur un matériau dont vous disposez déjà, avec une consigne assez précise pour que le résultat soit vérifiable. Rapporté aux étapes d’un projet type :

Le gain de temps est réel au stade de l’analyse. Regrouper deux mille commentaires ouverts en thèmes demandait autrefois des jours de codification manuelle ; un modèle produit une première passe en quelques minutes, et le travail du chargé d’études consiste désormais à corriger la grille de codification plutôt qu’à la construire à partir de rien.

Où ChatGPT échoue-t-il comme outil d’étude ?

Ses échecs sont prévisibles dès lors qu’on se rappelle ce qu’est un modèle de langage : un système entraîné sur des textes passés, qui génère la suite la plus probable de votre requête.

1. Il répond à des questions dont il ne peut pas connaître la réponse. Demandez-lui quelle part des propriétaires d’animaux en France paierait pour un abonnement d’alimentation haut de gamme : vous obtiendrez un pourcentage énoncé avec aplomb. Aucun échantillon ne le sous-tend ; il n’y a donc ni marge d’erreur ni moyen de juger à quel point il peut être faux.
2. Ses connaissances s’arrêtent à une date limite. Une hausse de prix au trimestre dernier, un nouveau concurrent ou un changement de réglementation lui échapperont, sauf si vous les lui fournissez.
3. Il invente des sources. Les modèles citent parfois des rapports qui n’existent pas, ou attribuent à de vraies institutions des tableaux d’apparence crédible.
4. Il parle au nom de ceux qui écrivent en ligne. Les données d’entraînement surreprésentent les internautes assidus. Eurostat indique que 89,5 % des personnes dans l’UE utilisaient internet quotidiennement en 2025, contre 82,7 % en Bulgarie et 98,4 % aux Pays-Bas. Les personnes extérieures à ce groupe d’utilisateurs quotidiens sont sous-représentées dans ce dont les modèles apprennent, et ce sont aussi les plus difficiles à joindre par des panels en ligne.

Le quatrième problème pèse le plus dans les travaux multipays. La vision qu’a un modèle du consommateur moyen correspond probablement mieux à Amsterdam qu’à une petite ville du nord-ouest de la Bulgarie.

Répondants synthétiques : un banc d’essai, pas un échantillon

Les répondants synthétiques sont des personas générés par l’IA qui répondent à un questionnaire comme s’ils étaient des clients. Le résultat ressemble à des données d’enquête, avec des pourcentages, des segments et des verbatims, et c’est précisément ce qui le rend risqué.

Ils sont utiles dans un rôle restreint :

• vérifier que les questions sont comprises comme prévu avant un test pilote ;
• estimer la durée du questionnaire et repérer les filtres défaillants ;
• générer des hypothèses et des modalités de réponse pour une enquête ultérieure auprès de vraies personnes.

Ils remplacent mal de vrais répondants, car ils n’ont aucune base de sondage : aucune marge d’erreur ne peut donc être calculée (voir notre guide de la taille d’échantillon pour ce que cela signifie en pratique). Leurs réponses varient moins que celles des humains, reproduisent les stéréotypes présents dans les données d’entraînement et ne peuvent pas tenir compte d’événements postérieurs à la date limite du modèle.

Si un prestataire propose des données synthétiques pour une vraie décision, demandez une étude de validation : le même questionnaire administré à un échantillon réel, avec des critères de concordance fixés à l’avance. Comparez la distribution des réponses, le classement des options et surtout les écarts entre sous-groupes, là où les données synthétiques dérivent le plus souvent.

Comment valider les productions de l’IA avant qu’elles n’atteignent un rapport

Traitez chaque production de l’IA comme le brouillon d’un collaborateur junior compétent mais peu fiable. Cinq contrôles détectent la plupart des problèmes :

• Doubler la codification d’un sous-ensemble aléatoire. Un chargé d’études code un échantillon de réponses ouvertes, par exemple une sur dix, sans voir les codes de la machine, puis compare les deux.
• Remonter chaque chiffre. Chaque statistique doit renvoyer à un tableau nommé, une année et une URL. Les chiffres d’adoption de l’IA ci-dessus, par exemple, proviennent du tableau isoc_eb_ai d’Eurostat.
• Confronter les citations aux transcriptions. Exigez la ligne ou l’horodatage de chaque citation, et ouvrez-la.
• Relancer la requête. Si une seconde exécution sur le même matériau produit des thèmes différents, ces thèmes ne sont pas robustes.
• Consigner le paramétrage. Notez le modèle, la version, la date et la requête, pour que l’analyse puisse être reproduite.

Gouvernance : protection des données, règlement sur l’IA et codes professionnels

Les transcriptions d’entretiens, les enregistrements et les fichiers d’enquête contiennent souvent des données personnelles : noms, voix, employeurs, parfois des informations de santé ou financières. Les téléverser dans un chatbot grand public constitue un transfert à un tiers qui, au regard du RGPD, exige une base légale, une information des participants et un accord de traitement avec le fournisseur.

Une politique applicable couvre quatre points :

• supprimer les noms, les coordonnées et les autres identifiants avant que le texte n’entre dans un outil d’IA ;
• utiliser des versions professionnelles assorties d’un accord de traitement des données, avec l’entraînement sur vos données désactivé ;
• indiquer aux participants, dans le texte de consentement, que leurs réponses pourront être traitées avec l’IA ;
• conserver les données brutes séparément, pour que l’analyse puisse être refaite sans IA.

Le règlement européen sur l’intelligence artificielle (AI Act), dont les obligations s’appliquent par étapes, prévoit des obligations de transparence lorsque des personnes interagissent avec un système d’IA. Si vous menez des entretiens modérés par l’IA, informez les participants que l’enquêteur n’est pas une personne. Le Code international ICC/ESOMAR exige aussi l’honnêteté envers les clients sur les méthodes : un rapport doit donc préciser quelles étapes ont été assistées par l’IA et comment elles ont été contrôlées. Notre page méthodologie décrit la manière dont nous appliquons ces règles.

Quand une étude sur mesure reste-t-elle nécessaire ?

L’IA raccourcit la préparation et l’analyse. Elle ne peut pas fournir les preuves lorsque la décision dépend du nombre de personnes qui passeront à l’acte, du prix qu’elles accepteront ou de leurs raisons :

• pour mesurer des parts, une notoriété ou une intention d’achat, il vous faut une enquête quantitative sur un échantillon défini ; le calculateur de taille d’échantillon indique combien d’entretiens exige une précision donnée ;
• pour comprendre des motivations que les clients n’écrivent pas en ligne, les entretiens individuels approfondis avec de vrais acheteurs restent la voie fiable ;
• pour analyser de grands volumes d’avis et de publications sur les réseaux sociaux, une analyse du marché numérique combine classification automatique et vérification humaine ;
• pour les statistiques de marché officielles, commencez par notre liste de sources de données de marché gratuites en Europe.

Si vous ne savez pas quelle option s’applique, décrivez votre décision dans le formulaire de demande de proposition : nous vous suggérerons un dispositif qui utilise l’IA là où elle fait gagner du temps, et de vrais répondants là où la réponse dépend d’eux.