Réponse honnête : elles sont fiables pour explorer un éventail de réactions plausibles, mais pas comme substitut chiffré d'un sondage. La recherche évaluée le montre, et la plupart des acteurs le masquent derrière un pourcentage d'exactitude auto-déclaré. Voici ce que dit la science, comment juger un outil, et la position de Kapari.
Une audience synthétique, c'est un panel de profils simulés par une IA qui réagissent à une question ou une décision. Sa fiabilité dépend entièrement de l'usage. Comme substitut chiffré d'un sondage, elle est fragile : sur un panel dont les moyennes semblaient correctes, 48 % des relations statistiques diffèrent du réel, dont 32 % à signe inversé (Bisbee et al., Political Analysis 2024), et l'erreur face à un vrai sondage va de 4 à plus de 23 points selon le sujet (rapports Verasight, 2025-2026). Les modèles écrasent aussi les minorités vers une opinion moyenne (Santurkar, ICML 2023 ; Wang, Nature Machine Intelligence 2025). En revanche, pour explorer l'éventail des réactions plausibles à une décision, repérer les objections, les lignes de fracture et les angles morts avant d'annoncer, une audience synthétique est utile et honnête, à condition de ne prétendre ni mesurer, ni prédire, ni représenter. La question n'est donc pas « est-ce exact à X % », mais « cet outil explore-t-il honnêtement, ou vend-il un faux chiffre ».
La littérature évaluée ne dit pas « c'est nul ». Elle dit quelque chose de plus subtil : la moyenne peut sembler juste pendant que tout le reste se dérobe.
Conséquence : la référence mondiale du sondage, le Pew Research Center, refuse le silicon sampling et n'interroge que de vraies personnes (2026). Cette science condamne l'usage d'un panel synthétique comme substitut de sondage. Elle ne condamne pas l'exploration honnête d'un éventail de réactions.
Le marché est financé (Simile a levé 100 M$, Aaru plus de 50 M$) et court vers l'exactitude chiffrée. La plupart des acteurs revendiquent 80 à 95 %, auto-déclaré et jamais validé par un benchmark public. Quatre critères séparent une preuve d'un argument marketing.
L'outil publie-t-il ses résultats sur des cas réels, avec la méthode et les preuves, de façon reproductible ? Le trou béant du marché : presque personne ne le fait.
Les cas de test sont-ils jamais utilisés pour calibrer l'outil ? Une note obtenue sur les cas d'entraînement surestime toujours. Seul le held-out est crédible.
L'outil affiche-t-il ses échecs autant que ses réussites ? Un acteur qui ne publie que ses bons cas cache la variance qui compte.
L'outil promet-il de lire l'avenir, ou d'éclairer un éventail de réactions ? La FTC a déjà sanctionné un acteur pour un claim d'exactitude non substantié. La sur-promesse est un risque, pas une garantie.
Kapari est un banc d'essai des décisions : un panel de voix incarnées réagit à une décision et Kapari en restitue l'éventail des réactions, les lignes de fracture et des pistes d'ajustement. Le moteur qui calcule est déterministe ; l'IA ne fait que donner leur texture aux voix. Kapari n'affiche aucun chiffre unique d'opinion et ne prétend pas prédire. Et il tient les quatre critères ci-dessus : sur 14 décisions de startups jamais utilisées pour le calibrer, il retrouve en moyenne 83 % des objections réellement documentées, sur 5 passes, chaque cas publié avec sa preuve, succès comme échec, dans un artefact versionné et horodaté. C'est exactement la case, étroite et exigeante, entre l'outil qui vend un faux chiffre et celui qui n'ose aucune preuve.
Non. Sur un panel synthétique aux moyennes correctes, 48 % des relations statistiques diffèrent du réel, dont 32 % à signe inversé (Bisbee et al., 2024). Un panel simulé sert à explorer un éventail de réactions plausibles, pas à mesurer une opinion à la place de vraies personnes.
Variable et souvent surestimée : de 4 points d'erreur sur un sujet très médiatisé à plus de 23 sur un sujet courant (Verasight, 2025-2026). La plupart des outils affichent 80 à 95 %, auto-déclaré et jamais validé par un benchmark public.
Un benchmark public rejouable, des cas held-out, une note publiée même mauvaise, et une discipline anti-prédiction. La FTC a déjà sanctionné un acteur pour un claim d'exactitude non substantié.
Kapari publie son exactitude, y compris mauvaise : sur 14 décisions held-out, il retrouve en moyenne 83 % des objections réellement documentées, chaque cas publié avec sa preuve. Il n'affiche aucun chiffre unique d'opinion et ne prétend pas prédire.
Kapari compose un panel de voix simulées et en explore la structure des réactions, pour aider à décider avant d'annoncer. Ce n'est ni un sondage, ni une mesure de l'opinion, ni un échantillon représentatif, ni une prédiction, et aucune personne réelle n'est interrogée. Nous citons la recherche pour éclairer nos limites, pas pour nous en réclamer.
Passez votre décision au banc d'essai : un panel de voix réagit, vous lisez l'éventail avant d'annoncer, sans faux pourcentage.