8,3 milliards d'humains virtuels : j'ai lu l'étude que tout le monde commente sans l'avoir ouverte
J'ai lu l'étude que tout le monde commente sans l'avoir ouverte. Le chiffre décisif n'est pas 8,3 milliards, c'est 98,3 % contre 27 %.
Par Patrick de Carvalho, CEO Apps Velocity
Ce que MatrAIx change vraiment pour un dirigeant de PME, et le chiffre que personne ne cite
Par Patrick de Carvalho, CEO et co-fondateur d'Apps Velocity
En bref — Des chercheurs de Harvard et du MIT ont déposé une méthode de simulation de 8,3 milliards de personas synthétiques, c'est-à-dire des profils de consommateurs générés par intelligence artificielle. Le chiffre qui compte n'est pas la taille de la population simulée mais l'écart entre modèles : 98,3 % de concordance pour l'un, 27 % pour l'autre, sur la même question. Une simulation ne mesure donc pas un marché, elle mesure d'abord le modèle qu'on a choisi.
Acte 1 : en 1998, savoir ce que voulaient mes lecteurs m'a coûté six mois
En 1998, je lançais planetepresse.com, l'un des tout premiers kiosques de presse en ligne en France. Vendre des journaux et des magazines sur Internet, à une époque où l'immense majorité des Français se connectait encore en RTC, c'est-à-dire par la ligne téléphonique, avec un modem qui grésillait pendant quarante secondes avant d'afficher une page.
À ce moment-là, je me posais exactement la même question que n'importe quel dirigeant se pose aujourd'hui : est-ce que les gens vont acheter ?
Pour y répondre, j'ai fait ce qu'on faisait à l'époque. J'ai appelé des kiosquiers. J'ai interrogé des lecteurs dans la rue. J'ai payé une petite étude qualitative sur une trentaine de personnes. J'ai passé des heures au téléphone avec des éditeurs de presse qui ne comprenaient pas pourquoi je voulais mettre leurs titres "sur l'ordinateur". J'ai construit une intuition à la main, personne après personne, conversation après conversation.
Six mois. Peut-être plus. Et à l'arrivée, j'avais un échantillon de quelques dizaines d'avis, biaisé par le fait que les seules personnes qui acceptaient de me parler d'un kiosque en ligne étaient déjà, par construction, des gens plutôt curieux de la technologie.
Je me souviens très bien de cette sensation : le sentiment de dépenser énormément d'énergie pour obtenir un signal faible, flou, et probablement faux.
Vingt-huit ans plus tard, une équipe de chercheurs de Harvard et du MIT publie un travail qui prétend compresser ces six mois en une nuit. Et le faire non pas sur trente personnes, mais sur une population virtuelle équivalente à celle de la Terre.
Le projet s'appelle MatrAIx. Il a été déposé le 4 août 2026 sur arXiv, la plateforme de publication scientifique en accès libre où les chercheurs déposent leurs travaux avant même la relecture par les pairs. Depuis, l'information tourne partout, souvent mal résumée, souvent amplifiée.
J'ai pris le temps de lire ce qui était réellement publié plutôt que ce qui en était dit. Voici ce que j'en retiens, et surtout ce que ça change pour vous si vous dirigez une PME en France.
Acte 2 : ce que MatrAIx est réellement, faits à l'appui
Commençons par poser les termes, parce que la moitié des malentendus vient de là.
Un agent IA, c'est un programme qui utilise un modèle d'intelligence artificielle pour accomplir une tâche de façon autonome, en enchaînant des décisions sans qu'un humain valide chaque étape. Ce n'est pas un chatbot qui répond à une question, c'est un exécutant qui poursuit un objectif.
Un LLM, pour Large Language Model ou grand modèle de langage, c'est le moteur d'intelligence artificielle entraîné sur d'énormes volumes de texte, capable de produire du langage cohérent. GPT, Claude, Gemini, Mistral sont des LLM. C'est la brique de base de tout ce dont on parle depuis trois ans.
Une persona, dans le vocabulaire du marketing, c'est un portrait-robot de client type. Vous en avez probablement dans un dossier quelque part : "Sophie, 42 ans, responsable achats dans une PME industrielle, sensible au prix, décide en trois semaines". Un document Word que personne ne relit jamais.
MatrAIx prend ces trois notions et les fait fusionner à une échelle qui n'avait jamais été tentée.
La base Persona 8B
Le coeur du système est une base de données appelée Persona 8B. Elle contient 8,3 milliards de profils individuels, un chiffre calibré pour correspondre à la population mondiale actuelle. Chaque profil est décrit selon 1 290 dimensions.
Mille deux cent quatre-vingt-dix. Prenez une seconde sur ce nombre.
On ne parle pas d'âge, sexe, catégorie socio-professionnelle. On parle de l'ensemble : contexte de vie, traits psychologiques, niveau de littératie technique, habitudes de consommation, tolérance au risque, style de décision, et jusqu'à des comportements très fins du type "combien de temps cette personne hésite-t-elle quand un prix augmente".
Sur ces 8,3 milliards de profils, environ un million a été rendu public. Et c'est un point important : sur ce million, 600 000 sont ancrés dans des données humaines réelles anonymisées, et 400 000 sont synthétiques, c'est-à-dire générés artificiellement à partir de graphes de dépendance qui garantissent la cohérence interne du profil.
Autrement dit, la majorité de l'échantillon public n'est pas inventée. Elle est dérivée de vraies personnes.
Les quatre environnements de test
Une persona reste un document mort tant qu'un modèle ne la fait pas parler. C'est le deuxième composant du système : les agents sont mis en situation dans quatre types d'environnements.
Des formulaires de sondage. Des interfaces de chatbot, c'est-à-dire de conversation avec une IA. Des navigateurs web, où l'agent parcourt réellement des pages. Et des applications, mobiles ou bureau.
Ce n'est pas anodin. Beaucoup de simulations précédentes se contentaient de poser des questions à une IA en lui demandant "que ferait cette personne". Ici, l'agent agit dans une interface. Il clique, il scrolle, il abandonne, il revient.
Les tâches d'évaluation
Le troisième composant, ce sont les tâches. Le travail publié fait état de plus de 1 000 tâches standardisées, réparties sur plus de 25 domaines : commerce, logiciel, finance, santé, cybersécurité, et d'autres.
Une de ces tâches mesure par exemple la volonté d'un utilisateur de continuer à faire confiance à un assistant IA après un premier échec. C'est un sujet directement lié à la fiabilité des agents autonomes, et c'est exactement le genre de question qu'on ne sait pas mesurer autrement qu'en observant de vrais utilisateurs sur des semaines.
La validation
Les chercheurs ont mené une expérience de contrôle sur 400 essais, mesurant l'adhérence des agents à dix attributs comportementaux qui leur avaient été assignés. Le comportement déclaré a été correctement exprimé ou correctement supprimé dans 366 cas, soit 91,5 %.
Des juges humains ont par ailleurs évalué la qualité des personas ancrées dans des données réelles à environ 4,1 sur 5.
Et le tout est publié en open source, terme qui signifie que le code source, c'est-à-dire les instructions du programme, est mis à disposition de tous, gratuitement, avec le droit de le modifier et de le réutiliser. Ici sous licence MIT, l'une des licences les plus permissives qui existent. Le dépôt s'appelle MatrAIx-Persona-8B, il est hébergé sur GitHub, la plateforme de référence pour le partage de code, et le jeu de données d'un million de profils est téléchargeable sur Hugging Face, la plateforme de référence pour le partage de modèles et de données d'IA.
Devise affichée sur le dépôt : Simulate Before Reality. Simuler avant la réalité.
Acte 3 : les garde-fous que je pose avant d'aller plus loin
Je vais faire quelque chose que la plupart des articles sur le sujet ne font pas. Je vais dire ce que MatrAIx n'est pas, parce que la crédibilité d'une analyse se joue là.
Non, personne ne simule 8,3 milliards d'humains en parallèle. Le travail décrit des évaluations menées sur des cohortes échantillonnées dans la base. Une cohorte, c'est un sous-groupe sélectionné selon des critères communs pour être observé. On tire quelques milliers ou dizaines de milliers de profils, on les fait agir, on analyse. Personne n'allume la Terre entière sur un serveur. Le chiffre de 8,3 milliards décrit la taille du réservoir, pas la taille de l'exécution.
Non, les 8,3 milliards de profils ne sont pas publics. Ce qui est disponible, c'est un échantillon d'un million, filtré sur la qualité. C'est déjà énorme. Ce n'est pas la même chose.
Non, ce ne sont pas des humains. Ce sont des distributions statistiques auxquelles un modèle de langage prête une voix. La nuance est fondamentale et j'y reviens dans un instant, parce que c'est là que se trouve le vrai sujet.
Et sur le nombre de chercheurs, prudence. Une partie de la presse annonce plus de 200 scientifiques, dont une quarantaine issus d'OpenAI, Anthropic, Google DeepMind et xAI. D'autres analyses, en allant compter directement les signatures sur le document déposé sur arXiv, en dénombrent 93, pilotés par Harvard et le MIT avec des contributions de Stanford. L'équipe est large, c'est certain. Le chiffre de 200 mérite d'être traité comme une estimation de presse et pas comme un fait établi tant qu'on ne l'a pas vérifié soi-même.
Je pose ces garde-fous parce que j'ai vu passer trop de posts LinkedIn qui transforment une publication de recherche en prophétie. Quand on veut être pris au sérieux par des dirigeants qui engagent leur argent, on préfère un argument qui tient au premier contradicteur.
Acte 4 : le chiffre que presque personne ne cite, et qui vaut toute l'étude
Maintenant, le passage qui m'a fait reposer mon café.
Les chercheurs ont mené une expérience de sensibilité au prix. Même page web, même produit, même hausse de prix, même cohorte de personas. Une seule variable change : le modèle d'IA qui joue les personnages.
Résultat.
Avec GPT-5.5 aux commandes, 98,3 % des personas ont hésité à acheter.
Avec Claude Opus 4.8 aux commandes, sur la même cohorte, la réticence tombe à 27 %.
Lisez-le encore une fois. Même population virtuelle. Même stimulus. Écart de plus de soixante-dix points.
Voilà. C'est ça, l'information de l'année en matière d'IA appliquée au business, et elle est enterrée au milieu des articles sous un titre sur la Matrice.
Pourquoi ce chiffre est plus important que les 8,3 milliards
Parce qu'il détruit l'illusion de neutralité.
Quand vous lancez une simulation, vous croyez interroger un marché. En réalité, vous interrogez un modèle qui interprète une description d'humain. Et chaque modèle a été entraîné différemment, aligné différemment, calibré différemment sur la prudence, l'enthousiasme, la propension à dire oui ou non.
Un biais, en intelligence artificielle, c'est une déformation systématique des résultats produite par les données d'entraînement ou par la manière dont le modèle a été ajusté. Ce n'est pas une erreur ponctuelle qu'on corrige. C'est une inclinaison structurelle.
Ce que montre l'expérience de prix, c'est que le biais du modèle sous-jacent peut peser plus lourd sur le résultat que l'ensemble des 1 290 dimensions du profil humain simulé.
Traduction pour un dirigeant : si vous décidez de votre grille tarifaire à partir d'une simulation, vous ne prenez pas une décision sur votre marché. Vous prenez une décision sur le fournisseur d'IA que votre prestataire a choisi ce jour-là. Peut-être parce qu'il était moins cher à l'appel d'API, l'interface technique qui permet à deux logiciels de se parler et qui est facturée à l'usage.
Vous voyez le problème.
Dans un cas, vous concluez que votre marché est ultra-sensible au prix et vous renoncez à augmenter. Dans l'autre, vous concluez qu'il y a de la marge et vous montez de 15 %. Deux stratégies opposées, une seule réalité, et le facteur déterminant n'a rien à voir avec vos clients.
Ce n'est pas une raison de jeter l'outil
Attention, je ne suis pas en train de dire que MatrAIx est inutile. Je dis exactement l'inverse.
Un thermomètre mal étalonné reste un thermomètre. Ce qui compte, c'est de savoir qu'il est mal étalonné, et de l'utiliser pour ce qu'il sait faire : mesurer des écarts, pas des valeurs absolues.
Si vous testez deux versions d'une page avec le même modèle, dans les mêmes conditions, la comparaison relative garde une valeur. C'est quand vous prenez le chiffre absolu au pied de la lettre que vous mettez votre entreprise en danger.
Cette distinction entre valeur absolue et écart relatif, c'est probablement la compétence la plus utile qu'un dirigeant puisse développer face à l'IA en 2026.
Acte 5 : ce que ça change concrètement pour une PME française
Passons au terrain. Vous dirigez une entreprise de trente, cent ou trois cents personnes. Vous n'avez pas de direction des études. Vous n'avez pas 80 000 euros à mettre dans un panel consommateur. Qu'est-ce que cette actualité vous apporte réellement ?
1. Un accès à quelque chose que vous n'aviez pas
Soyons clairs sur le point de départ. La grande majorité des PME françaises ne fait aucun test utilisateur. Zéro. Pas un mauvais test, pas un test biaisé : aucun test.
On lance une offre parce que le dirigeant y croit. On modifie un tarif parce que la marge s'effrite. On refond un site parce que l'ancien faisait vieux. Les décisions se prennent à l'intuition, à l'expérience, parfois au dernier commentaire client entendu au téléphone le mardi matin.
Une simulation biaisée vaut infiniment mieux que pas de test du tout, à une condition : que vous sachiez qu'elle est biaisée. C'est toute la différence entre un instrument et une croyance.
2. Une vitesse d'itération qui n'existait pas
Recruter un panel prend des semaines. Le refaire après avoir modifié le produit prend encore des semaines. C'est pour ça que dans la vraie vie, on ne le refait jamais. On teste une fois, on décide, on vit avec.
Avec une cohorte simulée, vous relancez le test après chaque modification. Le lundi vous testez la version A, le mardi vous corrigez, le mercredi vous retestez.
Cette capacité à itérer vite, c'est exactement ce que nous avons appliqué chez Apps Velocity sur Constrok, notre ERP destiné aux constructeurs de maisons individuelles et aux maîtres d'oeuvre du BTP. Un ERP, pour Enterprise Resource Planning, c'est le logiciel central qui pilote l'ensemble des processus d'une entreprise : devis, achats, chantiers, facturation, comptabilité. Historiquement, c'est un projet à dix-huit mois.
Nous l'avons développé et déployé en un mois et demi. Pas parce que nous sommes plus intelligents que les autres. Parce que nous avons compressé les cycles de retour. Chaque hypothèse était confrontée à la réalité en heures, pas en trimestres.
MatrAIx et les outils du même genre offrent à des équipes beaucoup plus petites que la nôtre un accès à ce type de compression.
3. Un pré-filtre, jamais une décision
Voilà la règle que j'appliquerais et que je recommande sans réserve.
Une simulation sert à éliminer les mauvaises idées, pas à valider les bonnes.
Si une cohorte simulée rejette massivement votre concept, quel que soit le modèle utilisé, quelle que soit la formulation, c'est un signal. Pas une condamnation, mais un vrai signal, et il vous a coûté une soirée au lieu de trois mois.
Si une cohorte simulée adore votre concept, cela ne prouve rigoureusement rien. Cela vous autorise à passer à l'étape suivante : parler à de vrais clients. Ce qui reste, et restera, la seule source de vérité.
C'est la logique du filtre : on met beaucoup à l'entrée, on ne garde que ce qui survit, et ce qui survit va au test réel.
Acte 6 : les trois pièges dans lesquels je vous garantis que des entreprises vont tomber
Piège 1 : le miroir qui vous ressemble
Le risque le plus insidieux n'est pas technique, il est humain.
Quand vous configurez une simulation, vous décrivez votre client cible. Vous décrivez donc votre représentation de votre client. Vous injectez vos hypothèses dans le système, et le système, obligeamment, vous les restitue habillées en données.
Vous croyez avoir mesuré votre marché. Vous avez mesuré votre propre point de vue, avec une couche de crédibilité statistique par-dessus.
C'est un biais de confirmation industrialisé. Et il est dangereux précisément parce qu'il produit des tableaux et des pourcentages, c'est-à-dire tout ce qui fait taire les objections en réunion.
La parade existe : faites tester vos hypothèses par quelqu'un qui n'a pas intérêt à ce qu'elles soient vraies. Faites configurer les personas par une personne qui n'a pas écrit le brief produit. Cherchez délibérément la cohorte qui devrait détester votre offre.
Piège 2 : la boucle fermée
Imaginez que ça se généralise. Vraiment.
Les entreprises conçoivent des produits testés sur des populations virtuelles. Ces produits arrivent sur le marché. Ils rencontrent des humains réels, qui produisent des données. Ces données servent à améliorer les modèles. Les modèles servent à générer de nouvelles personas. Sur lesquelles on teste les produits suivants.
À chaque tour de boucle, la part d'imprévu humain se réduit. On optimise pour un consommateur moyen statistique, qui n'existe nulle part, et qui devient progressivement la seule cible qu'on sache viser.
Ce que je crains dans ce scénario, ce n'est pas la disparition des humains. C'est la disparition de la surprise. Or l'innovation ne vient jamais du centre de la distribution. Elle vient des marges, des usages détournés, des clients qui font avec votre produit quelque chose que vous n'aviez pas prévu.
Un système qui simule parfaitement la moyenne est un système structurellement incapable de détecter ce qui va casser le marché.
Je préfère le dire simplement : si vous ne parlez plus jamais à un vrai client, vous n'apprendrez plus jamais rien que vous ne saviez déjà.
Piège 3 : les données personnelles
Rappel du chiffre : sur le million de profils publics, 600 000 sont ancrés dans des données humaines réelles anonymisées.
Anonymisées. Le mot mérite qu'on s'y arrête, parce que le RGPD, le Règlement général sur la protection des données, distingue très nettement l'anonymisation, qui rend l'identification impossible de manière irréversible, de la pseudonymisation, qui remplace des identifiants mais laisse une possibilité de réidentification.
La différence n'est pas cosmétique. Une donnée réellement anonymisée sort du champ du RGPD. Une donnée pseudonymisée y reste pleinement.
Or la recherche académique a montré à de nombreuses reprises qu'un profil comportant plus d'un millier d'attributs devient extrêmement difficile à anonymiser vraiment. Plus vous ajoutez de dimensions, plus chaque combinaison devient unique. C'est un problème mathématique, pas un problème de bonne volonté.
Je ne porte aucune accusation contre l'équipe de MatrAIx, qui a publié sa méthodologie et l'a soumise au regard de ses pairs, ce qui est exactement la bonne pratique.
Mais je dis ceci à tout dirigeant tenté de reproduire l'approche en interne : si vous construisez des personas à partir de votre base clients, avec des centaines d'attributs comportementaux, vous entrez dans un domaine où l'analyse juridique n'est pas optionnelle. Ce n'est pas un détail de conformité qu'on règle après. C'est une décision d'architecture qu'on prend avant.
Acte 7 : comment je m'en servirais lundi matin
Assez de principes. Voici ce que je ferais concrètement si je dirigeais une PME et que je voulais tirer quelque chose d'utile de tout ça, sans y consacrer un budget de grand groupe.
Étape 1 : choisir une décision réelle et coûteuse. Pas un exercice de démonstration. Une vraie décision en attente : une hausse de tarif, un changement de formule d'abonnement, un nouveau message d'accueil sur votre site, une réorganisation de votre parcours de commande. Quelque chose qui vous coûte de l'argent si vous vous trompez.
Étape 2 : écrire les hypothèses avant de tester. Sur une feuille, avant toute simulation, notez ce que vous pensez qu'il va se passer. Chiffré si possible. Cette feuille est votre protection contre le biais de confirmation. Sans elle, vous trouverez toujours le résultat de la simulation "cohérent avec votre intuition", parce que la mémoire est un narrateur complaisant.
Étape 3 : lancer le même test sur au moins deux modèles différents. C'est la leçon directe du 98,3 % contre 27 %. Un seul modèle vous donne une opinion. Deux modèles vous donnent un intervalle. Si les deux convergent, votre signal est solide. S'ils divergent violemment, vous venez d'apprendre que la question n'est pas décidable par simulation, et cette information a de la valeur.
Étape 4 : traiter les écarts, pas les valeurs. Ne retenez jamais "62 % de nos clients accepteraient cette hausse". Retenez "la version B est rejetée deux fois moins que la version A, et ce rapport se maintient sur les deux modèles testés". Le premier énoncé est une fiction. Le second est un outil de décision.
Étape 5 : confronter à cinq vrais clients. Cinq. Pas cinquante. Cinq conversations téléphoniques de vingt minutes avec des clients réels, choisis pour être différents les uns des autres. Si les vrais clients contredisent la simulation, les vrais clients ont raison, toujours, sans discussion.
Cette séquence tient en une semaine. Elle ne demande aucun recrutement d'équipe. Et elle transforme une décision prise à l'instinct en décision prise avec un instrument, ce qui n'est pas la même chose du tout.
Acte 8 : la distinction que je répète à chaque conférence
Il y a une distinction que je pose systématiquement devant les dirigeants, parce qu'elle sépare ceux qui vont tirer de la valeur de l'IA de ceux qui vont dépenser de l'argent pour rien.
L'IA opérationnelle automatise des tâches. Elle rédige un compte rendu, trie des courriels, génère un devis, relance un impayé. Le gain est réel, mesurable, immédiat. Il est aussi limité : vous gagnez du temps sur ce que vous faisiez déjà.
L'IA stratégique aide à décider. Elle éclaire un choix que vous n'auriez pas pu éclairer autrement, parce que l'information n'existait pas, ou coûtait trop cher à produire.
MatrAIx relève clairement de la seconde catégorie. C'est la première fois qu'un outil de cette nature devient accessible à des structures qui n'ont pas les moyens d'un département d'études.
Et c'est aussi pour cette raison qu'il est plus dangereux. Une IA opérationnelle qui se trompe vous fait perdre une heure. Une IA stratégique qui se trompe vous fait perdre une année, parce que vous avez engagé toute l'entreprise dans une direction fondée sur un chiffre creux.
Plus l'outil touche à la décision, plus l'expertise humaine qui l'encadre doit être solide. C'est mécanique.
J'ai une formule pour ça, et je la maintiens depuis le début : l'IA multiplie l'expertise existante, elle ne la remplace pas. Un dirigeant qui connaît son marché depuis quinze ans et qui ajoute la simulation à son arsenal devient redoutable. Un dirigeant qui ne connaît pas son marché et qui remplace cette connaissance par une simulation vient d'acheter un très beau générateur d'erreurs à grande vitesse.
C'est exactement le même raisonnement que je tiens sur le vibe coding, cette pratique qui consiste à faire produire du code par une IA à partir d'instructions en langage courant. Entre les mains de quelqu'un qui sait ce qu'est une architecture logicielle, c'est un accélérateur spectaculaire. Entre les mains de quelqu'un qui ne le sait pas, c'est construire une maison sans architecte ni maçon qualifié : ça tient debout jusqu'au premier hiver.
Acte 9 : la vraie leçon, et elle n'est pas technologique
Je reviens à 1998, une dernière fois.
Mes six mois d'enquête sur planetepresse.com ne m'ont pas servi à obtenir des chiffres. Ils m'ont servi à comprendre quelque chose que je n'aurais jamais deviné : les gens ne voulaient pas lire la presse sur un écran. Ils voulaient ne plus se déplacer.
Ce n'est pas la même chose. Et aucune étude quantitative ne me l'aurait donné, parce que je ne savais pas que c'était la question à poser.
Voilà ce que je crains le plus avec la généralisation des populations simulées. Ce n'est pas qu'elles donnent de mauvaises réponses. C'est qu'elles répondent parfaitement aux questions qu'on leur pose, et qu'elles ne vous diront jamais que vous posez la mauvaise question.
Le rôle du dirigeant, dans dix ans comme aujourd'hui, ce n'est pas de collecter des réponses. Il y en aura à profusion, instantanément, gratuitement. C'est de savoir laquelle chercher.
Toutes les grandes ruptures technologiques que j'ai traversées de l'intérieur, la bulle Internet, le mobile, le cloud, le logiciel en abonnement, et maintenant l'IA agentique, ont suivi la même trajectoire. Elles n'ont détruit ni les métiers ni les compétences qui les précédaient. Elles les ont forcés à muter.
L'étude de marché ne va pas disparaître. Elle va se déplacer. La partie mécanique, le recrutement, la passation, le dépouillement, va s'effondrer en coût et en délai. La partie noble, formuler la bonne question, interpréter ce qui ne se mesure pas, décider quand les données se contredisent, va prendre une valeur qu'elle n'a jamais eue.
Ceux qui pensent que MatrAIx remplace les études de marché n'ont pas compris ce qui se passe. Ceux qui pensent que ça ne change rien non plus.
Ce qui se passe, c'est que le coût d'avoir tort vient de baisser énormément. Et quand le coût de l'erreur baisse, la bonne stratégie change complètement : on arrête de chercher à avoir raison du premier coup, et on se met à tester beaucoup, vite, et à corriger encore plus vite.
C'est très exactement la philosophie sur laquelle je construis mes entreprises depuis toujours. L'idée vaut zéro, seule l'exécution compte. Et l'exécution, en 2026, c'est la capacité à boucler des cycles apprendre, corriger, relancer, plus vite que ses concurrents.
MatrAIx, pour un dirigeant lucide, c'est un accélérateur de ces cycles. Pour un dirigeant pressé, c'est une machine à fabriquer de fausses certitudes avec des décimales.
La différence entre les deux ne se joue pas dans l'outil. Elle se joue dans la tête de celui qui l'utilise.
FAQ
Qu'est-ce que MatrAIx ?
MatrAIx est une infrastructure d'évaluation publiée sur arXiv le 4 août 2026 par une équipe pilotée par des chercheurs de Harvard et du MIT. Elle combine une base de 8,3 milliards de profils individuels décrits selon 1 290 dimensions, quatre types d'environnements de simulation, et plus de 1 000 tâches réparties sur plus de 25 domaines. Le code est publié sous licence MIT.
Qu'est-ce qu'une persona synthétique ?
C'est un profil de consommateur généré artificiellement, que l'on fait ensuite jouer par un modèle d'intelligence artificielle placé en situation. Sur le million de profils rendus publics, environ 600 000 sont ancrés dans des données humaines réelles anonymisées et 400 000 sont entièrement synthétiques, produits à partir de graphes de dépendance qui garantissent la cohérence interne du profil.
Peut-on remplacer une étude de marché par une simulation ?
Non, et l'étude elle-même ne le prétend pas. Une simulation mesure de façon fiable des écarts relatifs entre deux options testées dans les mêmes conditions. Elle ne produit pas de valeur absolue sur laquelle fonder une grille tarifaire. La distinction entre écart relatif et valeur absolue est la compétence décisive face à ces outils.
Que signifie l'écart de 98,3 % contre 27 % ?
C'est le résultat d'une expérience de sensibilité au prix : même page, même produit, même hausse, même cohorte de personas, une seule variable changée, le modèle qui joue les personnages. Avec l'un, 98,3 % des personas hésitent à acheter ; avec l'autre, 27 %. Plus de soixante-dix points d'écart. La simulation ne mesure donc pas d'abord un marché, elle mesure le modèle choisi.
La méthode est-elle validée ?
Partiellement, et il faut le dire tel quel. Une expérience de contrôle sur 400 essais mesurant l'adhérence des agents à dix attributs comportementaux donne 91,5 % de comportements correctement exprimés ou supprimés, et des juges humains notent la qualité des personas ancrées autour de 4,1 sur 5. Il s'agit d'un dépôt sur arXiv, c'est-à-dire d'un travail rendu public avant relecture par les pairs.
Une PME peut-elle s'en servir aujourd'hui ?
Oui, à condition de fixer le protocole avant de lancer quoi que ce soit : un seul modèle, une seule version, des conditions identiques entre les variantes testées, et une lecture en écart et jamais en valeur absolue. Changer de modèle en cours de campagne invalide toute comparaison.
Y a-t-il un risque sur les données personnelles ?
Oui, et il est réel dès lors que vous ancrez des personas dans vos propres données clients. Le RGPD, règlement général sur la protection des données, s'applique à toute donnée permettant d'identifier une personne, directement ou indirectement. Une base de profils dérivés de clients réels reste une base de données personnelles tant que la ré-identification est possible.
Sources
- MatrAIx: Simulating the World with 8.3 Billion Persona Agents, préprint déposé sur arXiv le 4 août 2026 par une équipe pilotée par des chercheurs de Harvard et du MIT. arXiv:2608.04205. arxiv.org/abs/2608.04205
- Page de discussion du travail sur Hugging Face, qui agrège les échanges autour du préprint. huggingface.co/papers/2608.04205
- Dépôt de code MatrAIx-Persona-8B, publié sous licence MIT, devise affichée Simulate Before Reality. github.com/MatrAIx-ai/MatrAIx-Persona-8B
- Jeu de données Persona 1M, le million de profils rendus publics, téléchargeable sur Hugging Face.
- Reprise en français par Futura-Sciences, 19 août 2026.
Le dépôt sur arXiv est une publication antérieure à la relecture par les pairs. Les chiffres cités ici sont ceux annoncés par les auteurs et n'ont pas été répliqués de façon indépendante à la date de publication de ce dossier.
Ce que je vous propose
Si vous dirigez une PME et que vous vous demandez par où commencer avec l'IA, sans y perdre votre budget ni votre équipe, j'ai formalisé une méthodologie structurée qui s'appelle RAPID : Recenser, Analyser, Piloter, Itérer, Déployer. Cinq étapes, pensées pour des entreprises réelles, avec des contraintes réelles.
Et si vous voulez que ces sujets soient abordés devant vos équipes, votre comité de direction ou votre réseau professionnel, j'interviens régulièrement en conférence sur l'IA appliquée à la décision d'entreprise.
👉 patrickdecarvalho.com/fr/conferences
Je ne perds jamais. Soit je gagne, soit j'apprends.
Patrick de Carvalho CEO et co-fondateur d'Apps Velocity