Temps de lecture : 16 minutes
Chaque organisation possède un gisement d’insights qu’elle n’exploite qu’en surface : les milliers de réponses aux questions ouvertes de ses enquêtes, les avis clients, les motifs de contact du support, les transcriptions d’entretiens. Ce gisement a désormais son industrie. Le marché mondial du text analytics atteint 18,81 milliards de dollars en 2026 et devrait plus que doubler pour atteindre 51,17 milliards en 2031, soit une croissance annuelle de 22,16 % (Mordor Intelligence, 2026). Son premier cas d’usage est précisément celui qui intéresse les équipes marketing : la gestion de l’expérience client, qui concentre à elle seule 29,72 % des revenus du secteur.
Si ce marché explose, c’est que les verbatims sont la donnée la plus riche et la moins exploitée du marketing. Les lire tous est matériellement impossible : un codeur humain met de 72 à 144 secondes par document selon la complexité du corpus (Chew et al., 2023), sans compter la fatigue et la dérive d’interprétation sur les grandes séries. Pendant des années, la seule alternative était des outils à base de lexiques, dont la précision restait très en dessous du jugement humain. Les grands modèles de langage (LLM) ont changé l’équation : les modèles GPT atteignent des corrélations de 0,59 à 0,77 avec des annotateurs humains sur la détection de sentiments et d’émotions, contre 0,20 à 0,30 pour les méthodes par dictionnaire (Rathje et al., PNAS, 2024).
Ce tutoriel s’adresse aux équipes marketing, CX et études qui veulent passer du principe à la pratique. Il détaille une méthode en six étapes — cadrer, constituer le corpus, outiller, coder, valider, restituer — pour transformer des verbatims bruts en tableau de bord d’insights défendable. Il s’inscrit dans notre exploration des insights augmentés par l’IA, dont l’analyse de verbatims est sans doute l’application la plus immédiatement rentable : nul besoin de nouveau terrain, la matière dort déjà dans vos fichiers.
1. Ce que le NLP fait vraiment à vos verbatims — et ce qu’il ne fera pas
Analyse de verbatims : traitement systématique des réponses textuelles libres recueillies auprès de clients ou d’utilisateurs — questions ouvertes d’enquêtes, avis en ligne, tickets de support, transcriptions d’entretiens — afin d’en extraire des thèmes, des sentiments et des intentions exploitables. Le NLP (Natural Language Processing, traitement automatique du langage) en est le socle technique ; les grands modèles de langage en sont, depuis 2023, l’accélérateur : ils classifient des textes à partir de simples instructions en langage naturel, sans entraînement préalable.
Quatre générations de techniques coexistent aujourd’hui, et les confondre est la première source de déconvenues. Un « outil d’analyse de sentiment » peut désigner un lexique des années 2010 comme un LLM de 2026 — avec un facteur deux à trois d’écart de fiabilité entre les deux.
| Génération | Principe | Forces | Limites |
|---|---|---|---|
| Lexiques et dictionnaires | Chaque mot porte une valence fixe | Simplicité, transparence, coût quasi nul | Corrélation faible avec le jugement humain (r = 0,20-0,30) ; ironie et négations invisibles |
| Topic modeling statistique (LDA) | Cooccurrences de mots regroupées en thèmes | Émergence de thèmes sans grille préalable | Thèmes parfois peu lisibles, réglages sensibles |
| Transformers fine-tunés (BERT, CamemBERT) | Modèle de langue ajusté sur des données annotées | Précision élevée sur une tâche stable, exécution locale possible | Exige des données annotées et des compétences ML |
| LLM génératifs (GPT, Claude, Mistral) | Classification zero-shot par instructions | r = 0,59-0,77 avec les annotateurs ; grille modifiable en cours d’étude | Coût par appel, variabilité, validation indispensable |
Les preuves de performance des LLM ne viennent pas des éditeurs mais de la littérature académique. Outre les corrélations mesurées par Rathje et ses collègues sur 47 925 textes annotés en 12 langues, une étude publiée dans PNAS montre que ChatGPT dépasse la précision de crowd workers rémunérés sur quatre tâches d’annotation sur cinq — pertinence, position, thèmes, cadrage — et que son accord inter-codeurs dépasse celui des crowd workers et des annotateurs entraînés, pour un coût inférieur à 0,003 dollar par annotation, environ vingt fois moins cher que le crowdsourcing via MTurk (Gilardi, Alizadeh et Kubli, PNAS, 2023). Précision utile : ces travaux portent sur les générations GPT-3.5 et GPT-4 de 2023-2024. Les modèles ont progressé depuis, mais c’est leur protocole de validation qui reste la référence — nous y reviendrons à l’étape 5.
Côté adoption, le basculement est acté : 95 % des chercheurs en études utilisent désormais l’IA régulièrement ou l’expérimentent, et 53 % l’utilisent régulièrement (Qualtrics, 2026 Market Research Trends, enquête auprès de plus de 3 000 professionnels dans 14 pays). Le même rapport chiffre le coût de l’immobilisme : les équipes qui en restent à une IA générique sont quatre fois plus susceptibles de perdre de l’influence organisationnelle que celles qui ont adopté des capacités dédiées aux études. La question n’est donc plus « faut-il y aller ? » mais « comment y aller sans sacrifier la rigueur ? ». Voici la méthode en six étapes que ce guide déroule :
- Cadrer la question d’étude et le périmètre du corpus.
- Constituer et nettoyer le corpus de verbatims.
- Choisir l’outillage adapté au volume et aux compétences.
- Construire la grille de codage et faire classifier par le modèle.
- Valider l’accord humain-machine catégorie par catégorie.
- Quantifier et restituer dans un tableau de bord d’insights.
2. Étapes 1 et 2 — Cadrer la question, puis constituer un corpus propre
Étape 1 : cadrer. Comme pour toute étude, la question précède l’outil. « Analyser nos verbatims » n’est pas une question ; « comprendre pourquoi les détracteurs NPS citent la livraison alors que nos délais s’améliorent » en est une. Ce cadrage détermine trois choix structurants : l’unité d’analyse (le verbatim entier, ou la phrase quand une même réponse mélange plusieurs sujets), la profondeur temporelle (une vague ponctuelle ou un baromètre continu) et le périmètre de sources. Les gisements classiques d’une équipe marketing : questions ouvertes des enquêtes NPS et CSAT, avis publics (Google, Trustpilot, app stores), motifs de contact et transcriptions du support, réponses libres des études ad hoc, et transcriptions d’entretiens qualitatifs augmentés par l’IA, qui produisent des volumes de texte inédits. Les conversations sociales relèvent d’une logique de collecte différente — c’est le territoire du social listening augmenté — mais rejoignent le même pipeline d’analyse.
Étape 2 : nettoyer et préparer. C’est l’étape la moins spectaculaire et la plus déterminante : un corpus mal préparé produira des thèmes précis, chiffrés… et faux. Le pas-à-pas :
- Dédoublonner et filtrer : doublons de soumission, réponses vides ou non informatives (« RAS », « rien à dire »), tests internes, spam — et, pour les avis publics, contenus suspects de fraude.
- Détecter la langue de chaque verbatim et router les langues vers le bon traitement plutôt que de tout analyser comme du français.
- Pseudonymiser avant tout envoi à une API tierce : noms, emails, téléphones, numéros de dossier. C’est une exigence RGPD (minimisation) et une hygiène contractuelle — vérifiez les clauses de rétention et de réutilisation des données de vos outils ; certains éditeurs, comme Lumivero pour NVivo, affichent une politique de non-rétention des données traitées par l’IA.
- Conserver les métadonnées de croisement : segment client, note attribuée, date, canal, produit. Un thème n’a de valeur décisionnelle que croisé avec ces variables.
- Standardiser le format : un verbatim par ligne, un identifiant stable, un fichier propre. Cet identifiant permettra de tracer chaque citation du rapport final jusqu’à sa source.
Ne sous-traitez pas mentalement cette étape à l’outil : la plupart des déceptions attribuées « à l’IA » naissent ici, dans un corpus pollué ou amputé de ses métadonnées.
3. Étape 3 — Choisir son niveau d’outillage
Le marché offre trois familles de solutions, qui correspondent moins à des niveaux de qualité qu’à des profils d’équipe et de volume. L’analyse de données textuelles figure à l’avant-garde de l’automatisation par l’IA dans les études (GRIT Insights Practice, 2024), mais Laura Pulito, VP Research chez Recollective, rappelle que l’adoption de cette automatisation dépend d’abord de son accessibilité et de la sensibilisation des équipes — autrement dit, du choix d’un outil que votre organisation saura réellement faire vivre.
| Niveau | Exemples vérifiés (2026) | Pour qui | Vigilance |
|---|---|---|---|
| Plateforme SaaS spécialisée | Caplena (analyse de feedback, 100+ langues) | Équipes marketing/CX sans data scientist, flux récurrents (NPS, avis) | Fonctionnement en boîte noire partielle : exiger les métriques de validation |
| Logiciel quali augmenté (CAQDAS) | ATLAS.ti (AI Coding), MAXQDA (AI Assist), NVivo (AI Assistant) | Chargés d’études, chercheurs, corpus d’entretiens | L’IA suggère, le chercheur arbitre ; moins adapté aux très gros volumes |
| Pipeline sur mesure | BERTopic, CamemBERT 2.0, API de LLM | Corpus volumineux, récurrents ou sensibles ; équipe data disponible | Coût de construction et de maintenance, gouvernance des prompts |
Les plateformes SaaS spécialisées industrialisent le cycle complet — import, codage, dashboard. Caplena, par exemple, revendique un codage des questions ouvertes « 95 % plus rapide à une précision de niveau humain » et environ deux heures pour analyser 10 000 réponses, avec des références comme IKEA, DHL ou Lufthansa (chiffres de l’éditeur, 2026). Ces promesses sont plausibles au regard de la littérature, mais restent des revendications commerciales : appliquez-leur le protocole de validation de l’étape 5 sur vos données avant d’y adosser des décisions.
Les CAQDAS augmentés (logiciels d’analyse qualitative assistée) ont intégré l’IA générative sans renoncer à leur philosophie : le chercheur reste le codeur en chef. ATLAS.ti propose un codage automatique et un « Intentional AI Coding » guidé par les objectifs de recherche ; MAXQDA, avec AI Assist, suggère codes et sous-codes, résume documents et segments codés ; NVivo positionne explicitement son AI Assistant comme un outil conçu pour « soutenir, pas remplacer, le chercheur ». C’est l’outillage naturel des équipes études qui traitent des dizaines d’entretiens plutôt que des centaines de milliers d’avis.
Le pipeline sur mesure combine des briques open source et des API : BERTopic pour faire émerger des thèmes par embeddings et clustering (Grootendorst, 2022), un modèle de langue français comme CamemBERT 2.0 — réentraîné par l’Inria sur 275 milliards de tokens, contre 32 milliards pour la version originale de 2019, et librement disponible (Antoun et al., 2024) — pour la classification fine-tunée en local, et un LLM généraliste pour le codage zero-shot. C’est l’option des corpus sensibles (santé, banque) qui ne peuvent pas quitter l’infrastructure, et des baromètres à fort volume où le coût par appel d’API devient un poste budgétaire. Rathje et ses co-auteurs soulignent d’ailleurs que ces technologies pourraient « démocratiser l’analyse automatisée de texte » : la barrière n’est plus la puissance des modèles, mais la méthode pour s’en servir. Pour un comparatif détaillé des plateformes du marché, notre benchmark des outils IA pour les études est en préparation.
4. Étapes 4 et 5 — Faire coder par le modèle, faire arbitrer par l’humain
Étape 4 : construire la grille et coder. Deux logiques se complètent. La grille déductive part des catégories métier (prix, livraison, SAV, qualité produit, parcours digital…) : c’est la voie des baromètres, car elle garantit la comparabilité entre vagues. La grille inductive laisse émerger les thèmes du corpus lui-même — via un topic modeling type BERTopic ou en demandant au LLM de proposer une typologie à partir d’un échantillon — et révèle ce que personne ne cherchait. En pratique, la meilleure grille est hybride : un socle déductif stable, enrichi des thèmes émergents détectés à chaque vague.
Le codage par LLM se joue ensuite dans la qualité du prompt, qui est l’équivalent moderne du « livre de codes » du chargé d’études. La recette éprouvée :
- Donner le rôle et le contexte : secteur, nature de l’enquête, qui répond, à quelle question.
- Définir chaque catégorie en une ou deux phrases, avec deux ou trois exemples tranchés — le passage du zero-shot au few-shot améliore surtout les catégories ambiguës.
- Fixer les règles de tranchement : un verbatim peut-il porter plusieurs étiquettes ? Que faire des cas limites ? Prévoir une catégorie « inclassable » explicite plutôt que de forcer le modèle à deviner.
- Imposer un format de sortie structuré (tableau ou JSON) : identifiant du verbatim, catégories, sentiment, et une justification courte — précieuse pour auditer les désaccords.
- Tester sur un lot réduit, ajuster, puis seulement lancer l’ensemble du corpus, avec une température basse pour limiter la variabilité.
Étape 5 : valider l’accord humain-machine. C’est l’étape qui sépare une méthode d’un acte de foi, et les données publiées montrent pourquoi. Dans l’étude de Chew et ses collègues (2023), l’accord humain-modèle mesuré par l’AC1 de Gwet atteint 0,85 sur un corpus de presse à cinq catégories, mais seulement 0,59 sur une taxonomie de 28 sous-catégories de discours climatosceptique ; sur un même corpus de tweets, il culmine à 0,96-0,98 pour les codes bien définis et s’effondre à 0,18 pour les plus ambigus. Le verdict global — « GPT-3.5 code souvent à des niveaux d’accord comparables aux codeurs humains » — cache donc une variance énorme entre catégories. Valider globalement ne suffit pas ; il faut valider code par code. Le protocole :
- Constituer un échantillon contrôle de quelques centaines de verbatims, représentatif des segments et des canaux.
- Doubler le codage : un ou deux codeurs humains d’un côté, le modèle de l’autre, en aveugle.
- Mesurer l’accord par catégorie — kappa de Cohen ou AC1 de Gwet, plus robuste sur les catégories rares — et non un score global qui noie les faiblesses.
- Statuer catégorie par catégorie : au-dessus du seuil fixé (0,8 est une exigence courante pour les décisions à enjeu), on déploie ; en dessous, on reformule la définition, on ajoute des exemples au prompt, ou l’on repasse la catégorie en codage humain.
- Documenter le tout : taux d’accord, périmètre validé, part du corpus codée automatiquement — ce sont ces chiffres qui rendront l’étude défendable en comité de direction.
L’investissement reste marginal au regard du gain : là où les codeurs humains de l’étude mettaient 72 à 144 secondes par document, GPT-3.5 en demandait 4 à 52 (Chew et al., 2023). On valide en jours ce qui économise des semaines — à condition, encore une fois, de traiter ces résultats 2023-2024 comme un plancher de performance et un protocole à répliquer, pas comme une garantie transférable à votre corpus.
5. Étape 6 — Du codage au tableau de bord d’insights
Un corpus codé n’est encore qu’une base de données. La valeur naît de trois opérations. Quantifier : fréquence de chaque thème, évolution entre vagues, croisements par segment, canal ou produit — et surtout lecture des thèmes par niveau de note, qui transforme un nuage de sujets en hiérarchie de leviers (« les détracteurs parlent de délais de remboursement trois fois plus que les promoteurs »). Croiser : les thèmes issus des verbatims prennent leur pleine valeur reliés aux données comportementales et transactionnelles de votre socle client — c’est précisément ce que permet une Customer Data Platform bien architecturée, où le « pourquoi » des verbatims rejoint le « quoi » des parcours. Restituer : un tableau de bord d’insights minimal viable tient en cinq composants — volumes et évolution par thème ; sentiment par thème ; verbatims exemplaires traçables (chaque citation reliée à son identifiant source) ; vue croisée thème × segment × note ; alertes sur les thèmes émergents ou en accélération.
Reste à éviter les pièges qui guettent tout déploiement — ils sont connus, documentés, et presque tous évitables :
| Piège | Symptôme | Parade |
|---|---|---|
| Déployer sans validation | Des scores précis dont personne ne connaît la fiabilité | Protocole d’accord de l’étape 5, catégorie par catégorie |
| Le « sentiment washing » | Le score de sentiment traité comme une vérité absolue | Afficher l’incertitude ; relire les verbatims sources avant toute décision |
| Confondre déclaratif et comportement | Des thèmes déclarés qui ne prédisent pas les actes | Croiser avec les données comportementales — le say-do gap est mesuré et massif |
| Synthèses IA non traçables | Des « citations » introuvables dans le corpus | Exiger l’identifiant du verbatim source pour toute citation restituée |
| Dérive silencieuse | Un accord qui se dégrade au fil des vagues | Re-valider à chaque changement de modèle, de prompt ou de vocabulaire marché |
Deux de ces pièges méritent un mot de plus. La traçabilité, d’abord : un LLM qui synthétise peut halluciner un verbatim plausible ; la règle « pas de citation sans identifiant source » coûte une colonne dans votre fichier et sauve votre crédibilité. Les biais, ensuite : biais linguistique (performances moindres sur certaines langues ou registres), biais de surface (survalorisation des réponses longues et articulées), biais hérités des données d’entraînement — nous leur consacrons une analyse dédiée sur les biais de l’IA dans les études marketing. Enfin, le plus beau tableau de bord ne décide rien : transformer un thème récurrent en action priorisée relève d’une méthodologie de l’insight actionnable à part entière.
6. L’approche Agalma : le NLP comme instrument, l’interprétation comme métier
Chez Agalma Études, l’analyse de verbatims par NLP n’est ni un gadget ni une religion : c’est un instrument de mesure, qui exige ce qu’on exige de tout instrument — étalonnage, conditions d’usage, marges d’erreur. Trois principes structurent notre pratique.
La question avant le corpus. Nous ne « passons pas les verbatims à l’IA » : nous instrumentons une question d’étude. Le cadrage de l’étape 1 est un travail de consultant, pas de technicien — c’est lui qui décide si le livrable éclairera une décision ou décorera une réunion.
La validation documentée. Chaque livrable explicite le protocole : taux d’accord humain-machine par catégorie, périmètre validé, part du corpus codée automatiquement, catégories restées en codage humain. Quand un chiffre s’affiche dans un comité de direction, sa traçabilité doit résister aux questions — celles d’un directeur financier comme celles d’un data scientist.
L’hybridation des preuves. Un verbatim reste un discours déclaratif : précieux pour comprendre les représentations, insuffisant pour prédire les comportements. Nos analyses NLP sont systématiquement triangulées avec les données comportementales et, quand l’enjeu le justifie, avec un terrain qualitatif qui va chercher ce que les clients ne savent pas dire.
Le mouvement ne fait que commencer : le text analytics augmenté par l’IA générative est le segment qui croît le plus vite du marché (+24,23 % par an d’ici 2031, Mordor Intelligence, 2026), et 78 % des chercheurs estiment que des agents IA géreront plus de la moitié des projets d’études de bout en bout d’ici trois ans — ils ne sont pourtant que 15 % à les utiliser aujourd’hui (Qualtrics, 2026). Plus l’analyse s’automatise, plus la valeur se déplace vers ce qui ne s’automatise pas : la question juste, le protocole honnête, l’interprétation courageuse.
Pour approfondir la transformation des études par l’intelligence artificielle, explorez notre pilier insights augmentés par l’IA ou découvrez nos expertises en études qualitatives et intelligence client.