Habr AI : les LLM pourront reprendre la routine des études business, mais pas la stratégie

Une longue analyse de l'avenir des études produit et marketing se résume à une idée simple : les LLM ne sont pas aussi utiles pour tous les types de travail d'étude. Plus le cadre est rigide et défini d'avance (quoi mesurer, comment interroger et comment interpréter la réponse), plus ce travail est facile à automatiser.

Trois niveaux d'études

L'auteur propose de voir les études business non comme un ensemble de méthodes distinctes, mais comme un travail sur une « matrice de connaissance » : le système de différences par lequel l'entreprise décrit le marché, l'utilisateur et le produit. Au premier niveau, la matrice est déjà prête et le chercheur se contente de la remplir de données. Au deuxième, le cadre s'affine en cours de route : les catégories changent, les segments sont recomposés et le modèle de comportement de l'utilisateur est peu à peu ajusté à la réalité. Au troisième, c'est le cadre lui-même qui devient l'objet de l'analyse : la façon dont l'entreprise définit la valeur, le problème, la fidélité ou le succès.

De cette logique découle la principale conclusion du texte : la question n'est pas de savoir si « un LLM sait mener des études en général », mais à quel niveau se situe une tâche donnée. Si l'entreprise doit mesurer des paramètres prédéfinis, le modèle s'en acquittera bien plus tôt. S'il faut revoir les concepts mêmes avec lesquels l'équipe décrit le marché, les modèles de langage actuels ne suffisent pas à eux seuls. C'est pourquoi le débat sur le remplacement total des chercheurs paraît ici trop grossier : différentes classes de tâches seront automatisées à des vitesses différentes.

Là où les LLM sont déjà forts

Le candidat le plus évident à l'automatisation est l'étude de premier niveau. L'entreprise dispose déjà de métriques, de modèles de questions et de règles d'interprétation. Il ne s'agit pas de chercher une nouvelle logique d'étude, mais d'exécuter rapidement une procédure formalisée. C'est pourquoi l'auteur estime que bon nombre de ces tâches auraient pu, en principe, être automatisées plus tôt, et que les LLM se contentent d'en réduire fortement le coût et le ticket d'entrée.

• tunnels de vente, NPS, CSI et autres métriques aux règles de calcul fixes
• tests A/B ponctuels pour comparer des variantes prédéfinies
• études de prix comme Van Westendorp, Gabor-Granger et approches conjoint
• entretiens CustDev structurés et tests d'utilisabilité avec scénario rigide
• priorisation des fonctionnalités via des modèles comme Kano, MaxDiff et TURF

«

Les LLM ne créent pas une nouvelle classe de possibilités, ils suppriment seulement les coûts de la formalisation ».

Pour les tâches plus complexes du deuxième niveau, la situation est plus subtile. Un simple prompt ou du RAG ne suffit pas : le modèle doit non seulement traiter les réponses, mais aussi affiner peu à peu l'ensemble des différences sur lequel repose l'analyse. L'article cite LoRA et Representation Engineering parmi les approches adaptées : des méthodes qui modifient les poids ou les activations du modèle et permettent ainsi de corriger son champ sémantique.

Autrement dit, l'auteur admet que les LLM pourraient aider à segmenter des audiences complexes, à construire des modèles de décision et à affiner des catégories d'étude, mais il ne s'agit plus d'un « chat avec des documents » : c'est un réglage plus profond du système.

Où se situe la limite

La principale limite commence au troisième niveau, où l'étude ne doit ni remplir ni affiner un cadre existant, mais le démonter et le reconstruire. Ce sont des tâches où l'équipe ne demande pas « pourquoi le NPS baisse », mais « qu'appelons-nous exactement fidélité et pourquoi la jugeons-nous importante ». Relèvent aussi de ce niveau les études sur le langage de marque, les codes culturels, les discours organisationnels et les concepts stratégiques par lesquels l'entreprise perçoit ses problèmes et ses opportunités.

Selon l'auteur, l'architecture actuelle des LLM se heurte ici à une limite de principe. Le modèle peut générer des interprétations, débattre avec lui-même dans un montage multi-agents et même recourir à l'autoréflexion, mais tout cela reste un travail à l'intérieur d'un même système de différences. Une telle boucle peut améliorer une réponse, mais elle ne fait pas du modèle lui-même l'objet d'une transformation durable. Il peut donc soutenir le chercheur, suggérer des pistes et accélérer l'analyse, mais il ne remplace pas l'humain là où il faut reconstruire l'optique même de l'étude.

Ce que cela signifie

La conclusion pratique est dure : l'essentiel de ce qu'on appelle aujourd'hui études produit et marketing deviendra un service automatisable. La valeur des humains se déplacera là où il ne suffit pas de compter, de comparer et de coder des réponses, mais où il faut changer le langage de formulation du problème, repérer les cadres cachés et réunir business, culture et stratégie en un seul tableau d'étude.

D'où la prévision de l'auteur : au lieu de rôles strictement séparés comme UX researcher, responsable CX ou analyste marketing, la demande croîtra pour des chercheurs-curateurs capables de piloter un ensemble d'outils d'IA.