Ce que notre expérience confirme (et nuance) sur les personas IA

“Les travaux récents montrent que les personas IA reproduisent des biais et des stéréotypes. Notre expérimentation confirme ces constats, tout en suggérant que leur construction joue un rôle déterminant dans la qualité des résultats.”

1. L'expérience en une phrase

Nous avons demandé à 100 personnes simulées (des « personas » générés par IA, représentatifs de la population française) de citer les trois domaines de leur vie qui les rendent heureux, puis malheureux. Leurs réponses ressemblent étonnamment à celles de 23 268 vraies personnes interrogées dans 29 pays par l'institut Ipsos pour son Happiness Index 2026… alors que nous ne leur avons jamais soufflé une seule réponse.

2. Pourquoi c'est intéressant (et pourquoi on se méfie, à juste titre)

L'idée de départ est simple : avec l'évolution des LLMs, il devient possible d'interroger des personas simulés plutôt qu'un panel humain, pour obtenir des résultats plus rapidement et à moindre coût. Mais les premières évaluations scientifiques de ces approches invitent à la prudence :

• Une étude majeure (Morocho et al., WWW Companion 2026) montre que les personas IA « déplacent les biais » au lieu de les corriger : ils reproduisent des distorsions, parfois même en les aggravant.
• Une autre (arXiv 2607.20429) constate que ces réponses s'effondrent autour de stéréotypes : plus on interroge de personas, plus on obtient les mêmes réponses convenues.

Autrement dit : la promesse « des milliers de répondants à la demande » vaut ce que valent les répondants. Et si les répondants simulés se ressemblaient tous et ne ressemblaient à personne ?

C'est la question que nous avons voulu tester nous-mêmes, avec une population différente de celle des personas IA génériques.

3. La différence : des personas ancrés dans les réalités de la population

Nos personas s’appuient déjà bien entendu sur un socle (Nemotron-Personas-France) qui utilise la stratification du recensement français (INSEE) : un million de profils représentatifs par âge, sexe, catégorie socio-professionnelle et lieu de vie.

Mais cela ne suffit pas.

Pris isolément, ces profils laissent une grande place au modèle de langage, qui tend à projeter ses propres biais dans les comportements et les réponses, et ce n'est pas le seul défaut de ce jeu de données, mais ce n'est pas le sujet qui nous intéresse pour le moment.

Nous les enrichissons donc avec des informations complémentaires issues de leur environnement, mais surtout avec des comportements et des traits psychologiques documentés par la littérature scientifique et les études, plutôt que générés par l’IA.

Le modèle de langage n’a alors plus à « inventer » un personnage : il incarne un profil déjà largement défini.

4. Le test

• 100 personas tirés de cette base (échantillon tiré de façon à être représentatif de la population).
• La question d'Ipsos, posée aux personas : « Quels sont les trois principaux domaines de votre vie qui contribuent à vous sentir heureux / malheureux ? », avec la même liste de 17 domaines (famille, santé, finances, situation du pays, etc.).
• Zéro donnée de l'étude Ipsos injectée : ni les chiffres, ni l'ordre des réponses, ni aucune indication sur ce que « devraient » répondre les personas, et encore moins enrichissement des personas avec les résultats de l'étude.
• Benchmark source : Ipsos Happiness Index 2026 (29 pays, 23 268 adultes, décembre 2025 – janvier 2026).

5. Les résultats

Des proximités parfois remarquables avec les résultats d’Ipsos

Écart en points de pourcentage entre nos personas et Ipsos (+ : sur-cité, − : sous-cité).

Sur l'ensemble des 17 domaines (bonheur et malheur confondus), la correspondance moyenne avec l'étude Ipsos atteint 88 % (écart moyen de 11,8 points).

Les limites, assumées

Tout n'est pas parfait — et nous le publions parce que c'est précisément le point :

• Nos personas sur-citent la santé mentale (37 % vs 30 %) et le sentiment de contrôle (48 % vs 17 %) comme sources de malheur.
• Ils sous-citent les déterminants intimes du bonheur : se sentir apprécié/aimé (7 % vs 37 % chez Ipsos, qui en fait le premier facteur), le contrôle de sa vie (2 % vs 25 %), le logement (0 % vs 20 %).
• Un seul benchmark testé, une seule question (à choix multiples, pas des questions de goût), un échantillon de 100 personas.

6. Ce que ça dit, honnêtement

1. La critique académique des personas IA est fondée et nos propres mesures le confirment : les personas traditionnels simulés « raisonnent » en analyste plutôt qu'en être humain, et sur-citent les grands sujets d'actualité.
2. Mais la représentativité change la donne : des personas construits sur une population réelle (recensement + traits issus d'études) reproduisent les ordres de grandeur réels des déterminants personnels du bien-être sans aucune calibration par benchmark. C'est exactement ce que les personas IA génériques ne font pas.
3. Les biais résiduels sont mesurés, documentés et réductibles : nous savons où nous nous écartons de la réalité (intimes sous-cités, santé sur-citée).

La littérature scientifique nous donne un cadre honnête : les données générées par IA sont « prometteuses en complément, mais pas encore un remplacement des données réelles » (arXiv 2605.27401).

Nous mesurons que nous pouvons aller au-delà de ce cadre, en partie avec des données et en améliorant le contrôle du modèle de langage, et cela conforte notre position : les personas synthétiques ne remplacent pas les utilisateurs, ils rendent la curiosité presque gratuite.

Pour un coût limité, on peut tester dix intuitions, comparer plusieurs formulations, explorer des segments qu'on n'aurait jamais osé interroger. On ne cherche alors plus seulement des réponses : on creuse le sujet, on compare, on remet en question une intuition, on découvre des possibilités qu'on n'avait jamais envisagées.

Testez vos idées avant de les lancer : cela n'a jamais été aussi facile.

Références

• Ipsos Happiness Index 2026 — 29 pays, 23 268 adultes < 75 ans, 24 déc. 2025 – 9 janv. 2026, « What makes us happy? » (p. 4). PDF Ipsos
• Morocho et al., Assessing the Reliability of Persona-Conditioned LLMs as Synthetic Survey Respondents, WWW Companion 2026 (arXiv 2602.18462).
• More Is Not More: What Matters for Diversity in LLM Opinions? (arXiv 2607.20429).
• Using Zero-Shot LLM-Generated Survey Data for Geographically Explicit Population Synthesis (arXiv 2605.27401).
• Not-quite-human tastes: the stylized omnivorousness of LLM survey surrogates (arXiv 2606.30085).

À lire aussi : La méthode derrière nos personas · Insights instantanés

Mirubiki interroge 25 profils représentatifs de la population française en quelques minutes — testez votre idée.