Population Synthétique : La Simulation est Confirmée par la Simulation

Dans l’environnement commercial moderne, les organisations sont sous pression pour réduire les coûts tout en devant simultanément augmenter l’efficacité. Dans un monde où les tendances du marché changent chaque semaine, les décisions doivent être prises plus rapidement que jamais, et pour prendre de bonnes décisions, des données solides sont nécessaires. Cependant, c’est là que le paradoxe se pose, car la recherche de marché traditionnelle perd la bataille contre le temps et les budgets, surtout dans des domaines fragmentés et de niche, et la méthodologie atteint ses limites. Des normes strictes de protection des données restent un obstacle inévitable qui complique encore les tests d’hypothèses rapides.

C’est précisément dans cet écart entre le besoin de rapidité et les contraintes budgétaires les populations synthétiques émergent comme un compagnon nécessaire et précieux aux méthodes classiques de recherche de marché. Et aujourd’hui, lorsque l’intelligence artificielle a atteint un niveau où elle peut simuler de manière convaincante le comportement, les attitudes et les réactions humaines, des portes s’ouvrent à des approches entièrement nouvelles dans la recherche de marché, des jumeaux numériques qui imitent statistiquement de vrais consommateurs aux populations synthétiques qui remplacent les enquêtes traditionnelles et les groupes de discussion.

Cependant, comme le prévient le Dr. Karlo Knežević, responsable de l’IA chez Sofascore, c’est cette capacité même à simuler qui soulève certaines des questions les plus importantes de l’économie numérique : Où s’arrête l’approximation utile et où commence l’illusion dangereuse ?

– Les réponses à cette question détermineront non seulement l’avenir du marketing mais aussi la qualité des informations sur lesquelles nous basons nos décisions commerciales, réglementaires et sociales – affirme Knežević.

Photocopie d’une Photocopie

C’est précisément là où la technologie ouvre de nouvelles possibilités que de nouvelles limitations émergent également. L’une des questions les plus importantes soulevées aujourd’hui concerne la qualité à long terme des données sur lesquelles reposent de tels systèmes. Que se passe-t-il lorsque les modèles commencent à apprendre à partir de contenus générés par d’autres modèles, plutôt qu’à partir de réponses humaines réelles ?

Knežević déclare que cette question touche au cœur de l’un des problèmes techniques les plus graves de l’intelligence artificielle d’aujourd’hui, connu sous le nom de ‘collapse de modèle’. Il avertit que le risque technique augmente à mesure que les systèmes génératifs inondent l’espace numérique. À titre d’exemple, il cite des recherches publiées en 2024 dans la revue Nature, qui ont montré que les modèles génératifs qui apprennent de manière itérative à partir de leurs propres résultats perdent progressivement de la diversité et reproduisent un spectre de motifs de plus en plus étroit.

– En termes simples, un modèle qui apprend d’un autre modèle ressemble à une photocopie d’une photocopie. Chaque génération subséquente est plus faible que la précédente – explique Knežević.

Dans le contexte de la recherche de marché, les conséquences d’un tel processus peuvent être assez concrètes. Un système initialement formé sur des données réelles de consommateurs peut, au fil du temps, perdre la capacité de reconnaître des préférences non conventionnelles, des segments de marché de niche ou des spécificités culturelles. Si l’ensemble de l’écosystème commence à recycler des données synthétiques sans apport régulier de nouveaux signaux humains, prévient Knežević, la recherche de marché peut se transformer en une boucle fermée dans laquelle le système confirme ses propres hypothèses au lieu de découvrir quelque chose de nouveau sur de vraies personnes.

Vérité Fondamentale

Un tel risque n’est pas simplement théorique, déclare Knežević. Des études comme celle de Bisbee et al. publiées en 2024 dans la revue Political Analysis ont montré que les réponses synthétiques générées par de grands modèles de langage ont significativement moins de variabilité que les réponses humaines réelles. Les valeurs moyennes s’alignent parfois, mais la gamme d’opinions, l’intensité des attitudes et le comportement de groupes spécifiques s’écartent souvent de la réalité.

– En d’autres termes, les données peuvent sembler convaincantes, mais les conclusions sur des segments de consommateurs spécifiques peuvent être erronées de dix points de pourcentage ou plus – souligne Knežević, ajoutant que la solution n’est pas de rejeter les données synthétiques, mais de les utiliser de manière disciplinée.

– Les données humaines réelles doivent rester le cadre de référence fondamental, ce que l’on appelle dans la profession la vérité de terrain. Les ensembles de données synthétiques doivent être régulièrement calibrés par rapport à de nouvelles recherches sur le terrain, et les systèmes doivent avoir des mécanismes intégrés qui alertent automatiquement lorsque la diversité des données commence à tomber en dessous d’un niveau critique. De plus, les professionnels de la recherche de marché doivent maintenir un rôle actif dans l’évaluation de la qualité et l’interprétation des résultats au lieu d’accepter aveuglément ce que génère l’algorithme – explique-t-il.

Mécanisme Économique Perverse

Lorsqu’on discute des données synthétiques, la question de l’authenticité doit également être soulevée, en particulier dans l’industrie publicitaire, où le succès des campagnes est souvent mesuré uniquement par des métriques numériques, rendant de plus en plus difficile de distinguer les réactions humaines réelles des signaux automatisés qui les imitent.

Knežević avertit qu’une telle approche peut créer une boucle fermée dangereuse.

– Dans un tel environnement, les marques qui mesurent le succès des campagnes uniquement par des métriques numériques telles que les impressions, les clics et les interactions risquent qu’une grande partie de ce qu’elles considèrent comme de l’engagement provienne en réalité de systèmes automatisés, et non de personnes qui achèteraient un jour leur produit. Cela crée un mécanisme économique pervers. Si l’industrie publicitaire s’appuie sur des profils synthétiques pour tester des campagnes et mesure ensuite leur performance sur des plateformes remplies de bots, une boucle fermée est créée dans laquelle la simulation est confirmée par la simulation. Une campagne qui est ‘réussie’ selon des métriques synthétiques peut être complètement invisible pour de vrais consommateurs. Paradoxalement, tous les acteurs de cette chaîne, de l’agence à la plateforme, peuvent rapporter des résultats positifs tandis que les ventes réelles stagnent – avertit Knežević.

Changement de Mentalité

Pour éviter un tel piège, les entreprises doivent diversifier leurs sources de données. Les métriques numériques doivent être combinées avec des indicateurs physiques tels que les ventes réelles, les visites aux points de vente ou les retours du service client. Il est tout aussi important d’utiliser des outils qui différencient le trafic humain des interactions automatisées et d’exiger des données claires sur la part des utilisateurs vérifiés provenant des plateformes. Dans le cadre réglementaire européen, de telles questions sont de plus en plus mises en avant. La loi sur l’IA de l’UE, qui entre progressivement en vigueur, introduit l’obligation d’étiqueter le contenu synthétique de manière lisible par machine. Selon Knežević, cela devrait à l’avenir permettre aux systèmes de suivi des campagnes de distinguer les interactions des vrais utilisateurs des profils synthétiques. Cependant, la réglementation seule n’est pas suffisante.

– Un changement de mentalité dans l’industrie est également nécessaire. Il faut cesser de fétichiser les métriques numériques et revenir à la question fondamentale : Avons-nous réellement atteint la vraie personne qui a un vrai besoin ? – dit-il.

Minorités Perdues

Une autre dilemme accompagnant le développement des populations synthétiques concerne leur capacité à représenter véritablement la société. Les modèles statistiques, peu importe leur sophistication, fonctionnent toujours sur le principe de généralisation. Ils apprennent des motifs dominants à partir des données disponibles et les reproduisent.

– Ce qui est rare, inattendu ou statistiquement marginal, qui sont précisément les voix minoritaires, les impulsions irrationnelles et les spécificités culturelles, est le premier candidat à la perte dans le processus de reproduction synthétique – déclare Knežević.

Les recherches suggèrent que ce problème n’est pas négligeable. Une étude de Paxton et Yang de 2024 a montré que la corrélation médiane entre les attitudes générées par de grands modèles de langage et les attitudes humaines réelles n’est que de 0,10. En d’autres termes, les modèles ne reproduisent qu’une petite partie des véritables motifs de la pensée humaine. Un exemple encore plus dramatique provient de l’analyse des élections parlementaires européennes de 2024, où les modèles de langage ont estimé la participation à 83 pour cent, tandis que la participation réelle était de 49 pour cent.

De telles divergences, prévient Knežević, ne sont pas seulement des erreurs statistiques mais des signes que les modèles comprennent parfois fondamentalement mal la réalité sociale. Le problème réside en partie dans la structure des données sur lesquelles les grands modèles de langage sont formés, qui reflètent de manière disproportionnée la partie anglophone, urbaine et orientée vers la technologie de la population. Lorsque ce modèle tente de simuler un consommateur d’un environnement local ou culturellement spécifique, il projette souvent des motifs dominants en utilisant des variables démographiques très superficielles. Pour cette raison, les populations synthétiques, souligne-t-il, peuvent être utiles pour tester des hypothèses sur le comportement moyen, mais elles ne suffisent pas pour des décisions qui affectent de vraies personnes.