---
title: La méthode derrière nos personas : 30 sources, 7 benchmarks, 1 process
description: 30 sources, 7 benchmarks, un process : comment nous construisons une population synthétique calée sur le recensement — et où la convergence décroche.
---

# La méthode derrière nos personas : 30 sources, 7 benchmarks, 1 process

Publié le 2026-08-20

![Population calibrée — comparaison aux enquêtes humaines](/static/illustration-20260820.png)

Un panel de personas simulés par IA n'a de valeur que si ses réponses ressemblent à celles d'humains réels. Comment le prouver ? En construisant les personas à partir de données réelles, puis en comparant leurs réponses à des enquêtes existantes. C'est la méthode que nous décrivons ici : une population synthétique calée sur le recensement français, des comportements tirés d'enquêtes de référence, et des benchmarks qui mesurent la convergence avec les études humaines.

## Une population calée sur la France, pas sur un modèle

Tout commence par la structure de la population. Nos personas sont au nombre d'un million, définis par des variables structurées — âge, sexe, catégorie socio-professionnelle, territoire, revenu — dont les marges sont **calées sur les marges réelles de la population française** issues du recensement INSEE. C'est le principe du *calage sur marges*, formalisé par Deming & Stephan (1940) puis Deville & Särndal (1992) : on ajuste une population simulée pour que ses totaux de bord correspondent aux totaux connus de la vraie population.

Le résultat est direct : quand on tire 1 000 personas au hasard, leur structure socio-démographique est celle de la France — pas celle des données d'entraînement du modèle. C'est la différence fondamentale avec un persona « généré par prompt », qui reflète le groupe majoritaire des données d'entraînement du LLM (Santurkar et al., 2023).

Les profils narratifs de cette population — prénoms, noms, parcours, traits de personnalité — s'appuient sur le jeu de données **Nemotron-Personas-France** de NVIDIA (Langlais et al., 2026), aligné sur les distributions réelles de la France et construit à partir du recensement 2025 et de fichiers INSEE (prénoms, noms), SIREN et INED.

## Des comportements tirés d'enquêtes, jamais inventés

Une population représentative ne suffit pas : encore faut-il que chaque persona se comporte comme la personne qu'il représente. Pour chaque dimension de la vie — pratiques culturelles, sport, voyages, alimentation, numérique, opinions, valeurs — nous construisons des **matrices de probabilités par segment** : pour chaque persona, chaque comportement a une probabilité d'activation et une distribution d'intensité.

Chaque persona combine au total plus de 130 variables structurées : socio-démographie, comportements,valeurs, opinions, issues de plus de 30 sources de référence, pas d'un modèle génératif (INSEE,  CREDOC, ADEME...)

Ces variables couvrent un ensemble de dimensions étendu pour nos personas : Pratiques culturelles, alimentation, valeurs, habitudes de consommation...

Chaque taux a une **origine traçable**.

Le rôle du modèle de langage est alors strictement limité : il reçoit des faits établis et représentatifs, pour chaque persona.

## Les benchmarks : la preuve par la comparaison

Une méthode se juge à ses résultats. Nous comparons systématiquement les réponses de nos personas à des **enquêtes humaines existantes**, avec des protocoles miroirs : mêmes questions, mêmes options. Deux métriques : le MAE (écart moyen en points de pourcentage) et le ρ de Spearman (corrélation des rangs). La « correspondance » est définie comme 100 − MAE sur l'ensemble des paires comparables.

Exemples de benchmarks réalisés :

| Benchmark | Référence humaine | Résultat |
|---|---|---|
| Bien-être (17 domaines, 34 paires) | Ipsos Happiness Index 2026 (n = 23 268) | MAE 11,4-12,1 pts → **≈ 88 %** |
| Marques alimentaires (9 enseignes) | étude marques | MAE 0,4 pt → **99 %** de cohérence individuelle |
| Produits locaux | Ipsos 2025 (n = 1 097) | MAE 17,0 pts ; santé 93 %, savoureux 92 % |
| Pratiques culturelles (207 × 7 PCS) | INSEE FPORSOC23 | ρ moyen **+0,83** (avant calibration : −0,19) |
| Opinion redistribution | ESS France (n = 20 669) | KS **0,134** (avant module politique : 0,369) |
| Opinion assistanat | ESS France (n = 4 112) | KS 0,116 |
| Santé (13 questions) | IFOP/MEDEF 2022 (n = 1 008) | KS moyen 0,191 |
| Motivations → autopartage | ADEME 2025 | rejet privé 4-6 %, garanties sans effet |
| Motivations → garde d'enfants | DREES 2021 + Sénat | privé 0 % ; ρ = −0,25 solidarité→crèches |

### Où la convergence est forte (> 80 %) — et où elle ne l'est pas

**La convergence est forte sur les comportements ancrés et les opinions couvertes par un trait.** L'enseigne préférée d'un persona correspond à son profil calibré dans **99 %** des cas. Sur le bien-être, la correspondance moyenne atteint **88 %** — 20 des 34 mesures sont à moins de 10 points d'Ipsos. Sur les pratiques culturelles, la corrélation des rangs avec l'INSEE est de **+0,83** : le gradient social est dans le bon sens, un ouvrier de 58 ans en zone rurale et une cadre de 35 ans à Lyon n'ont pas les mêmes pratiques — exactement comme dans la réalité. Sur l'opinion de redistribution, la distribution de nos personas épouse celle des 20 669 répondants français de l'ESS (KS 0,134).

**Elle est en revanche faible, et nous le disons, sur deux types de questions.** Les perceptions collectives (« les produits locaux sont-ils bons pour la santé ? ») restent décalées : le modèle répond par son sens commun, pas par la norme sociale partagée. Les fréquences déclarées (« au moins une fois par an ») souffrent d'un biais de complaisance — mais les rangs restent bons (ρ lecture 0,96). Et les croisements par sous-groupe à petit échantillon sont instables : nous ne publions que des résultats confirmés à grande échelle.

**Une leçon d'honnêteté s'impose** : la « correspondance » est une moyenne, pas une promesse par question. Certains domaines sont à moins de 10 points d'Ipsos, d'autres à 30-40 points. Un article qui ne dirait que « 88 % » sans montrer les écarts par domaine serait trompeur — c'est pourquoi nous les indiquons quand ils sont significatifs ou révélateurs des limites.

## Ce que ça dit de nos personas

**La construction par données bat le prompt.** Les matrices calibrées apportent à elles seules +0,31 de corrélation par rapport au LLM seul (ρ 0,52 → 0,83), et un « roleplay naïf » plafonne à 41,2 points de MAE contre 28,2 pour la méthode calibrée.

**La convergence est réelle sur les comportements et les opinions couvertes** : 99 % (marques), 88 % (bien-être), ρ 0,83 (culture), KS 0,13 (opinion). C'est la preuve que des personas construits sur des données réelles peuvent reproduire des distributions humaines — conditionnellement à un calage démographique et comportemental explicite, comme le montre la littérature (Argyle et al., 2023).

**Les limites sont structurelles, et nous les documentons** : perceptions collectives, complaisance sur les fréquences, variance des petits sous-groupes.

**Et la règle d'or, en toutes lettres** : un persona synthétique ne remplace pas un utilisateur réel. C'est un point représentatif d'une distribution, pas une prédiction individuelle. Mirubiki est un outil d'exploration et de benchmark : il ne remplace pas un panel mais complète un arsenal d'étude et de test.

## Références

Argyle et al. (2023, arXiv:2209.06899) ; Aher et al. (2023, arXiv:2208.10264) ; Horton (2023, NBER 31122) ; Santurkar et al. (2023, arXiv:2303.17548) ; Bisbee et al. (2024, Political Analysis 32(4)) ; Deming & Stephan (1940) ; Deville & Särndal (1992).

**À lire aussi** : [Les biais des personas IA](/blog/2026-08-10-personas-ia-bien-etre) · [Des personas qui répondent aux sondages](/blog/2026-06-04-les-personas-synthetiques-pour-les-sondages)

*Mirubiki interroge 25 profils représentatifs de la population française en quelques minutes — [testez votre idée](/).*
```json
{"@context": "https://schema.org", "@graph": [{"@type": "Article", "headline": "La méthode derrière nos personas : 30 sources, 7 benchmarks, 1 process", "description": "30 sources, 7 benchmarks, un process : comment nous construisons une population synthétique calée sur le recensement — et où la convergence décroche.", "datePublished": "2026-08-20", "dateModified": "2026-08-20", "inLanguage": "fr-FR", "mainEntityOfPage": {"@type": "WebPage", "@id": "https://www.mirubiki.com/blog/2026-08-20-la-methode-derriere-nos-personas"}, "author": {"@type": "Person", "@id": "https://www.mirubiki.com/auteur#person", "name": "Bertrand Jesenberger", "url": "https://www.mirubiki.com/auteur"}, "publisher": {"@type": "Organization", "name": "Mirubiki", "logo": {"@type": "ImageObject", "url": "https://www.mirubiki.com/static/mirubiki-logo.png"}}}, {"@type": "BreadcrumbList", "itemListElement": [{"@type": "ListItem", "position": 1, "name": "Accueil", "item": "https://www.mirubiki.com/"}, {"@type": "ListItem", "position": 2, "name": "Blog", "item": "https://www.mirubiki.com/blog"}, {"@type": "ListItem", "position": 3, "name": "La méthode derrière nos personas : 30 sources, 7 benchmarks, 1 process", "item": "https://www.mirubiki.com/blog/2026-08-20-la-methode-derriere-nos-personas"}]}]}
```