Temps de lecture : 15 minutes
David Ogilvy, le légendaire publicitaire, l’avait formulé avec une lucidité brutale : « Les gens ne savent pas ce qu’ils ressentent, ne disent pas ce qu’ils savent, et ne font pas ce qu’ils disent. » Soixante ans plus tard, cette triple dissonance reste le paradoxe fondamental des études marketing — et la raison pour laquelle tant de lancements de produits, de campagnes publicitaires et de stratégies d’expérience client échouent malgré des études préalables rassurantes.
L’industrie mondiale des études de marché pèse 142 milliards de dollars (ESOMAR, 2024). Pourtant, une immense majorité de cette industrie repose sur ce que les gens déclarent — dans des questionnaires, des focus groups, des sondages en ligne. Or les sciences comportementales, de Kahneman à Thaler, ont démontré depuis des décennies que les décisions humaines sont gouvernées par des mécanismes largement inconscients, émotionnels et contextuels. Le biais déclaratif ne capture qu’une fraction — souvent déformée — de la réalité des comportements.
Chez Agalma Études, cette conviction fonde notre approche : pour comprendre les clients, il faut aller au-delà de ce qu’ils disent. Ce guide explore pourquoi les méthodes déclaratives classiques produisent des résultats biaisés, quels mécanismes cognitifs expliquent l’écart entre intention et action, et quelles méthodologies issues des sciences comportementales permettent de le dépasser.
1. Le say-do gap : un problème systémique, pas anecdotique
Qu’est-ce que le say-do gap (biais déclaratif) ? Le say-do gap — ou biais déclaratif — désigne l’écart systématique entre ce que les individus déclarent (intentions, préférences, attitudes) et ce qu’ils font réellement (achats, usages, comportements observables). Ce n’est pas un mensonge délibéré : c’est un phénomène cognitif documenté par plus de cinquante ans de recherche en psychologie sociale et en économie comportementale. Le biais déclaratif se manifeste dans toutes les formes de recueil basées sur l’auto-évaluation — questionnaires, entretiens, focus groups — et affecte systématiquement la fiabilité des données d’études marketing.
L’ampleur du phénomène est mesurable. Une étude conduite auprès d’acheteurs en ligne américains établit que 38 % des consommateurs n’agissent pas conformément aux comportements qu’ils avaient déclarés dans un contexte d’étude (Statista, 2023). L’écart est encore plus marqué sur les sujets à forte charge sociale : Ipsos a montré dans une expérimentation virtuelle que parmi les 31 % de consommateurs qui se déclarent acheteurs réguliers de produits « responsables », seuls 40 % passent effectivement à l’acte en situation réelle — et les taux de conversion doublent lorsqu’une signalétique dédiée est présente en rayon (Ipsos & Public Inc, 2025).
En janvier 2026, NielsenIQ (NIQ) a lancé un cadre d’analyse dédié au say-do gap, révélant que la déconnexion entre intentions déclarées et comportements d’achat observés a coûté à l’industrie plus de 13 milliards d’unités perdues sur cinq ans — soit des milliards de dollars de revenus fondés sur des prévisions biaisées par le déclaratif (NIQ, 2026).
Le say-do gap n’est pas un bruit de fond statistique. C’est un biais structurel qui déforme l’ensemble de la chaîne de valeur des études marketing : du brief au livrable, de l’insight à la décision stratégique.
2. Trois mécanismes cognitifs qui expliquent pourquoi les gens mentent (sans le savoir)
Les sciences comportementales identifient trois mécanismes fondamentaux qui alimentent le biais déclaratif en études marketing. Comprendre ces mécanismes est la condition préalable pour concevoir des méthodologies qui les contournent.
Mécanisme 1 — Le Système 1 et l’inconscient cognitif
Daniel Kahneman, prix Nobel d’économie en 2002, a modélisé la pensée humaine en deux systèmes dans son ouvrage Système 1 / Système 2 : Les deux vitesses de la pensée. Le Système 1 est rapide, intuitif, émotionnel et automatique. Le Système 2 est lent, analytique, délibératif et coûteux en énergie cognitive. La grande majorité de nos décisions quotidiennes — y compris les décisions d’achat — sont pilotées par le Système 1.
Gerald Zaltman, professeur à la Harvard Business School, estime que jusqu’à 95 % de la cognition impliquée dans les décisions d’achat se déroule dans l’inconscient — une estimation conceptuelle fondée sur la synthèse de recherches en neurosciences et en psychologie cognitive, largement reprise dans le secteur. Les consommateurs ne peuvent donc pas expliquer fidèlement leurs propres motivations, parce que celles-ci sont largement inaccessibles à leur conscience. Lorsqu’on leur demande de rationaliser un choix, ils construisent a posteriori un récit cohérent — mais ce récit est une reconstruction, pas un compte-rendu factuel.
Le neuroscientifique Antonio Damasio a montré, à travers ses travaux sur des patients présentant des lésions dans les zones cérébrales liées aux émotions, que ces patients éprouvent des difficultés majeures à prendre des décisions. L’émotion n’est pas l’ennemi de la raison : c’est son moteur. Des recherches récentes d’Ipsos vont plus loin : le modèle binaire « Système 1 puis Système 2 » serait en réalité un continuum, les deux systèmes fonctionnant souvent en parallèle et parfois en conflit — ce qui complique encore la fiabilité du déclaratif.
Mécanisme 2 — Le biais de désirabilité sociale
| Domaine | Sens du biais | Exemples |
|---|---|---|
| Consommation responsable | Sur-déclaration d’intention | « Je suis prêt à payer plus cher pour un produit éco-responsable » — mais 60 % ne le font pas en rayon |
| Alimentation et santé | Sous-déclaration des écarts | Consommation de produits gras/sucrés, fréquence de fast-food, quantité d’alcool |
| Usage des écrans | Sous-déclaration du temps réel | Les utilisateurs déclarent en moyenne 2h/jour ; les données mobiles mesurent 4h+ |
| Budget et dépenses | Sur-déclaration d’épargne | Déclaration d’habitudes de comparaison de prix ; observation : fidélité inertielle |
| Engagement citoyen | Sur-déclaration de participation | Vote, recyclage, bénévolat : déclarations systématiquement supérieures aux taux réels |
Le biais de désirabilité sociale est la tendance à répondre de manière socialement valorisée plutôt que véridique. Allen Edwards l’a formalisé en psychologie dès 1953, et la recherche l’identifie comme l’une des sources de biais les plus répandues dans les sciences sociales. Ce biais opère à deux niveaux : la gestion de l’impression (le répondant sait qu’il embellit) et l’auto-tromperie (il croit sincèrement à sa version idéalisée).
La recherche de l’Université d’Oxford (Saïd Business School) sur le say-do gap en consommation durable, présentée à la COP28, documente une déconnexion massive entre la sensibilisation déclarée au changement climatique et les changements effectifs de comportement. Les trois barrières identifiées — le manque de confiance dans les labels, la perception de sous-performance des produits verts et le prix — sont des freins comportementaux que le déclaratif ne capture pas.
Mécanisme 3 — L’écart temporel et le « soi futur idéalisé »
L’agence Irrational Agency a identifié un mécanisme particulièrement pernicieux dans les études marketing : quand on interroge un consommateur sur un achat futur, on s’adresse à une version idéalisée de lui-même. Ce « soi futur » ne ressent pas les contraintes de budget, ne subit pas la fatigue décisionnelle, n’est pas distrait au moment de faire les courses, et — surtout — veut se montrer sous son meilleur jour. Selon leur modèle, les consommateurs surestiment leur propension à l’achat d’un facteur pouvant atteindre 5, et déclarent des comportements vertueux environ deux fois supérieurs à la réalité.
Les recherches en économie comportementale montrent que la douleur d’une dépense future est « escomptée » : elle semble moins douloureuse dans l’hypothétique qu’au moment de sortir sa carte bancaire. C’est le biais d’actualisation hyperbolique : nous sur-pondérons le plaisir immédiat et sous-pondérons les coûts futurs.
La conséquence directe en études marketing : les intentions d’achat déclarées doivent être systématiquement corrigées à la baisse. Les scores d’intention d’achat « top box » (notes 4 et 5 sur 5) prédisent les ventes réelles avec un facteur de conversion qui varie entre 10 % et 30 % selon les catégories de produits — ce qui signifie que 70 à 90 % de ceux qui déclarent vouloir acheter ne le feront pas.
3. Les conséquences concrètes du biais déclaratif pour les entreprises
Le say-do gap n’est pas un sujet académique : il a des conséquences financières directes.
Des lancements produits fondés sur du sable. Selon Alberto Savoia (ex-Google), auteur de The Right It, la majorité des nouveaux produits échouent non pas parce qu’ils sont mal exécutés, mais parce qu’ils répondent à un besoin déclaré qui ne correspond pas à un comportement réel. Quand 85 % des lancements de biens de consommation échouent dans leurs deux premières années (Nielsen, 2014), une part significative de cet échec est attribuable à des données d’études biaisées par le déclaratif.
Des campagnes marketing hors cible. Si les segments d’audience sont construits sur des préférences déclarées plutôt que des comportements observés, les messages publicitaires manquent leur cible. La BVA Nudge Unit, désormais intégrée à Ipsos, documente des cas où l’intégration de principes comportementaux a multiplié les taux de réponse par 3 — dans un cas BNP Paribas, le taux est passé de 3 % à 10 % grâce à une refonte inspirée du behavioral design.
Des cartographies d’expérience client incomplètes. Les études de satisfaction reposent massivement sur le déclaratif (NPS, CSAT). Or les réponses sont contaminées par le biais de récence, le biais de halo et la désirabilité sociale. Selon le Market Guide for Customer Journey Analytics de Gartner (2025), 65 % des responsables marketing ont adopté des outils d’analyse du parcours client, mais n’utilisent en moyenne que 43 % de leurs capacités — signe que l’intégration des signaux comportementaux dans l’analyse CX reste largement sous-exploitée.
Un retard stratégique cumulatif. Chaque décision fondée sur des données biaisées amplifie l’écart entre ce que l’entreprise croit savoir de ses clients et ce qu’ils vivent réellement. BCG estime que les entreprises qui intègrent l’intelligence consommateur dans leur stratégie obtiennent des uplifts de 10 à 20 % en croissance de revenus, 15 à 25 % en réduction de coûts et 20 à 40 % en advocacy de marque (BCG, 2024).
4. Sept méthodes pour dépasser le déclaratif
Les sciences comportementales ne se contentent pas de diagnostiquer le problème : elles proposent un arsenal méthodologique pour le résoudre. Voici sept approches, de la plus accessible à la plus avancée, qui permettent de capturer ce que le déclaratif ne voit pas.
1. L’observation ethnographique (terrain physique et digital). Observer ce que les gens font plutôt que ce qu’ils disent reste la méthode la plus fiable pour contourner le biais déclaratif. L’ethnographie — immersion prolongée dans l’environnement naturel du consommateur — révèle les comportements inconscients, les routines et les frictions invisibles dans les questionnaires. Son extension digitale — la netnographie, théorisée par Robert Kozinets — analyse les comportements en ligne (forums, réseaux sociaux, avis) pour identifier les pratiques spontanées. Procter & Gamble, IKEA et Samsung ont historiquement investi massivement dans l’ethnographie consommateur pour nourrir leur innovation.
2. Les techniques projectives et indirectes. Plutôt que demander « Achèteriez-vous ce produit ? », les techniques projectives reformulent : « Quel type de personne achèterait ce produit ? » ou « Si cette marque était un animal, lequel serait-elle ? ». En projetant sur un tiers ou un objet symbolique, le répondant contourne ses filtres de désirabilité sociale. La méthode ZMET (Zaltman Metaphor Elicitation Technique) utilise les métaphores pour accéder aux pensées inconscientes. Les associations libres, les photo-sorts et les jeux de rôle sont d’autres variantes éprouvées.
3. Les mesures implicites (temps de réponse et associations). Le test d’association implicite (IAT), développé par Greenwald et al. en 1998, mesure les temps de réaction pour détecter des préférences dont le répondant n’a pas conscience. Les plateformes de recherche intègrent désormais des mesures de latence de réponse qui révèlent des écarts significatifs entre attitudes explicites et attitudes implicites — notamment sur des sujets comme la durabilité, la santé, la diversité ou les choix de marque.
4. L’expérimentation comportementale (A/B testing et fake door tests). Plutôt que de demander aux consommateurs s’ils utiliseraient une fonctionnalité, on crée une version simulée et on mesure le taux de clic réel. Alberto Savoia appelle cela le « pretotyping » : tester la réalité de la demande avec des données de comportement réel avant d’investir dans le développement. Les taux de conversion observés dans les fake door tests sont systématiquement inférieurs aux intentions déclarées — mais incomparablement plus prédictifs du succès commercial.
5. L’analyse comportementale des données digitales. Les données de navigation, les parcours d’achat, les taux d’abandon de panier, les heatmaps, le scroll tracking et les patterns d’engagement constituent un flux continu de données comportementales sans biais déclaratif. RealityMine rapporte que l’utilisateur moyen de smartphone effectue entre 250 et 650 interactions quotidiennes avec ses applications, chacune durant entre 9 secondes et 2 minutes — un flux de données comportementales que le déclaratif ne peut capturer (RealityMine, 2025).
6. Le nudge et le behavioral design comme outils de diagnostic. Le cadrage (framing) d’une question ou d’une offre modifie radicalement les réponses. En testant systématiquement des variations de formulation — aversion à la perte vs. gain potentiel, norme sociale vs. bénéfice individuel — on identifie les leviers comportementaux réels. L’expérimentation par nudge devient ainsi un outil de recherche, pas seulement un outil de conversion. Une méta-analyse de second ordre publiée en 2025, synthétisant 13 méta-analyses, 1 638 études primaires et environ 30 millions de participants, mesure un effet moyen du nudge à d = 0,27 avant ajustement pour le biais de publication (Hu et al., Journal of Behavioral Decision Making, 2025).
7. Les entretiens qualitatifs augmentés par les sciences comportementales. L’entretien semi-directif reste un outil puissant — à condition d’être conçu avec une grille de lecture comportementale. Intégrer des techniques de probing issues des sciences cognitives (reformulation projective, scénarisation de dilemmes, évocation par analogie) permet de déjouer les rationalisations post-hoc. L’IA conversationnelle amplifie cette capacité : les modérateurs IA ne souffrent ni de fatigue, ni de biais de confirmation, et peuvent poser des questions de relance systématiques sur les contradictions détectées dans le discours du répondant.
5. L’IA comme accélérateur des sciences comportementales
L’intelligence artificielle ne remplace pas les sciences comportementales : elle les rend scalables.
Détecter les contradictions à grande échelle
Les LLM sont capables d’analyser des milliers de verbatims en quelques minutes pour repérer les incohérences entre ce que les répondants déclarent et les indices comportementaux présents dans leur discours — hésitations, changements de registre, rationalisations circulaires, usage de formules socialement valorisées. Selon une étude de la Columbia Business School (Digital Twins Initiative), les personas IA atteignent 88 % de précision relative dans la reproduction des réponses humaines en test-retest — mais ne répliquent qu’environ 50 % des effets expérimentaux issus de l’économie comportementale, ce qui confirme que l’IA détecte les patterns mais ne comprend pas encore les mécanismes (Harvard Business Review, novembre 2025).
Le rapport GRIT (2024) confirme l’ampleur du virage : plus de deux tiers des entreprises d’études utilisent ou explorent déjà des solutions IA, et 80 % anticipent des gains de productivité significatifs. Cette capacité de détection des signaux faibles, appliquée à grande échelle, transforme l’analyse qualitative en un outil de diagnostic comportemental plutôt qu’un simple exercice de codage thématique.
Croiser déclaratif et comportemental en temps réel
Les plateformes d’intelligence comportementale (RealityMine, NIQ) combinent désormais données de sondage et données d’observation passive pour produire une « source unique de vérité ». L’IA permet de rapprocher en temps réel les intentions déclarées et les comportements observés, pour quantifier le say-do gap par catégorie, par segment, par moment du parcours client.
McKinsey a documenté que les anciens cadres d’analyse du comportement consommateur « ne s’appliquent plus » : en 2024, les consommateurs déclaraient vouloir réduire leurs dépenses dans la plupart des catégories discrétionnaires, mais les données transactionnelles réelles montraient une dépense stable voire en croissance (McKinsey, State of the Consumer 2025). Les entreprises qui pilotent sur des comportements observés plutôt que sur des déclarations prennent de meilleures décisions.
Personnalisation par les données comportementales
Les stratégies de first-party data permettent désormais de construire des profils clients fondés sur ce que les consommateurs font (achats, navigation, engagement) plutôt que sur ce qu’ils disent. McKinsey rapporte que les entreprises à croissance rapide tirent 40 % de revenus de plus de la personnalisation que leurs concurrentes — une personnalisation qui, pour être efficace, doit être fondée sur le comportement observé, pas sur le déclaratif (McKinsey, 2021).
6. L’approche Agalma : les sciences comportementales au service de l’intelligence client
Chez Agalma Études, le biais déclaratif n’est pas un problème à résoudre — c’est le point de départ de toute méthodologie d’étude. Notre conviction fondatrice, « les gens ne font pas ce qu’ils disent », n’est pas un slogan : c’est un principe méthodologique qui irrigue chacun de nos protocoles de recherche.
Notre approche repose sur trois dimensions complémentaires :
L’hybridation quali-comportemental. Chaque étude qualitative Agalma est conçue avec une double grille de lecture : les réponses déclarées et les indicateurs comportementaux. Nos guides d’entretien intègrent des techniques issues des sciences cognitives — probing projectif, scénarisation de dilemmes, détection des rationalisations — pour accéder aux motivations profondes que le déclaratif masque.
La sémiologie appliquée comme décodeur de l’implicite. Au-delà de ce que les consommateurs disent, nous analysons comment ils le disent : champs lexicaux, métaphores structurantes, systèmes de valeurs implicites, tensions narratives. La sémiologie est l’outil le plus puissant pour décoder les significations que le discours véhicule à l’insu de celui qui parle.
L’IA augmentée pour le diagnostic comportemental. Nos protocoles de recherche intègrent l’IA conversationnelle pour amplifier les capacités de relance, détecter les contradictions dans les verbatims et croiser les données qualitatives avec les signaux comportementaux issus de la data propriétaire de nos clients.
Découvrir notre expertise en sciences comportementales | Découvrir nos expertises