Quand des chercheurs ont interrogé en 1998 un total de 1 690 adolescents américains de sexe masculin sur leur consommation de drogues et leur sexualité, le mode de questionnement a décidé du résultat : posée par un ordinateur au casque audio plutôt que sur une feuille de papier, la même question faisait grimper les taux de déclaration des comportements les plus sensibles d'un facteur 3 ou plus. L'étude est parue dans Science, un quart de siècle avant les premiers entretiens IA. Le mécanisme derrière ce résultat pèse plus lourd sur la qualité des données qualitatives que n'importe quel choix de modèle.
En plus de 20 ans, j'ai appris à reconnaître ce moment : l'entretien est terminé, l'enregistreur éteint, la main déjà sur la poignée de la porte, et le participant dit : "Une dernière chose..." Ce qui suit est souvent plus honnête que les 45 minutes qui ont précédé.
La raison est plus profonde que la sincérité de la personne. Dès qu'un humain écoute, nous répondons à deux questions en même temps : celle qui est posée et celle qui ne l'est pas, à savoir ce que notre interlocuteur pense de nous à cet instant. La seconde l'emporte plus souvent qu'on ne l'aimerait dans notre métier.
Pourquoi répond-on plus honnêtement à une IA ? Parce que le jugement social de l'interlocuteur disparaît. Dès qu'un humain écoute, on édite ses réponses vers ce qui est socialement désirable ; Tourangeau et Yan (2007) décrivent ce lissage des réponses (le biais de désirabilité sociale) comme un processus qui opère surtout en présence d'un interviewer. Quand l'évaluateur perçu disparaît, la réponse se rapproche de la vérité - un fait établi par méta-analyses depuis les années 1990 et l'avantage qualité central des entretiens menés par IA.
L'interviewer fait partie de la mesure
La recherche par sondage le sait depuis plus d'un demi-siècle : qui pose la question modifie la réponse. Schuman et Converse ont montré en 1971 que des répondants noirs de Detroit répondaient différemment selon qu'un interviewer noir ou blanc leur faisait face - l'écart était le plus net sur les questions politiquement les plus chargées, presque nul sur les simples questions factuelles.
Ces distorsions sont une propriété de la situation d'entretien, pas une erreur de métier. Âge, genre, allure, logo d'entreprise sur le badge : tout chez l'interlocuteur signale quelle réponse sera probablement bien reçue ; 50 ans de recherche par sondage n'ont pas réussi à effacer ce mécanisme par la formation.
J'ai vu ce phénomène de l'intérieur plus souvent qu'à mon tour. Quand le Product Owner assiste au test d'utilisabilité dans la même pièce, le verdict final est systématiquement plus aimable que les minutes qui précèdent, où la même personne vient d'échouer sur le produit.
Une ligne de recherche qui commence en 1969
La recherche a examiné bien avant ChatGPT si l'on se confie davantage à une machine qu'à un humain. Une première méta-analyse a synthétisé en 1996 ce que 39 études avaient mesuré depuis 1969 : quand un ordinateur posait les questions, les gens se dévoilaient davantage, et l'écart était le plus marqué face à l'entretien en face à face.
La preuve individuelle la plus dure vient de l'étude parue dans Science citée en ouverture. Les 1 690 adolescents y ont été répartis aléatoirement entre les modes de questionnement et ont reçu des questions identiques ; le groupe ordinateur a déclaré la consommation de drogues injectables et d'autres comportements hautement sensibles avec une fréquence supérieure d'un facteur 3 ou plus à celle du groupe papier.
Où se situe exactement le gain, Richman, Kiesler et leurs collègues l'ont mesuré en 1999 sur 61 études : entre ordinateur et questionnaire papier, presque rien en moyenne (taille d'effet de 0,05) ; la baisse des réponses socialement désirables apparaissait quand l'ordinateur remplaçait l'entretien en face à face (-0,19). L'ordinateur gagne contre l'humain qui observe, pas contre le papier.
Que l'étude de Science ait tout de même trouvé un facteur 3 contre le papier s'explique dans les détails : ses adolescents répondaient aux questions les plus sensibles qui soient, au casque plutôt que sur une feuille que parents ou interviewers présents dans la pièce pouvaient voir ; les comparaisons papier de Richman mesuraient surtout d'inoffensives échelles de personnalité. Plus la question est sensible et plus un lecteur potentiel est présent, plus l'écart se creuse.
Une méta-analyse de 2015 a retrouvé exactement cette stratification dans les données de 125 672 répondants : les effets les plus forts sur les sujets les plus sensibles et dans les passations individuelles. Pour la fonctionnalité préférée, le mode de recueil importe donc peu ; pour l'argent ou l'échec, il décide.
L'observateur dans la tête fait la différence
Une expérience de l'université de Californie du Sud (USC) a isolé le fonctionnement exact du mécanisme. Là, 239 adultes ont parlé avec l'intervieweuse virtuelle Ellie de sujets pesants comme la santé mentale ; la technique était identique pour tous. Seule variait la croyance des participants : une moitié tenait Ellie pour un ordinateur entièrement automatique, l'autre partait du principe qu'un humain observait et pilotait le personnage.
Ceux qui se croyaient seuls avec une machine montraient moins de peur d'être jugés, se mettaient moins en scène et laissaient passer davantage de tristesse ; des observateurs indépendants ont classé ces conversations comme plus ouvertes. Même logiciel, mêmes questions, autre public dans la tête.
Pour moi, c'est le résultat central de toute cette ligne de recherche : la distorsion naît du jugement humain perçu, la technique derrière est interchangeable. C'est pourquoi chaque montée de version du modèle agit au mauvais endroit tant que le dispositif place un évaluateur dans la pièce du répondant.
Où l'avantage bascule
Le réflexe social ne disparaît pas complètement, même devant un écran. Nass et Moon ont documenté en 2000 que les gens appliquent machinalement des règles sociales aux ordinateurs : ils sont polis avec les machines, mobilisent des stéréotypes, rendent la pareille pour un service. Le biais rétrécit, il ne tombe pas à zéro.
Et il revient dès que la machine reçoit un visage. Dans une expérience de laboratoire de Lind, Schober et leurs collègues (2013), 235 participants se sont montrés les plus ouverts face à une interface purement audio, davantage aussi que face à deux interviewers virtuels animés. La simple esquisse d'un visage qui observe suffisait à faire baisser l'ouverture.
S'y ajoute ce que les conversations humaines font tout simplement mieux. Dans un festival de musique, des chercheurs ont fait parler 286 visiteurs de sujets intimes, soit avec un chatbot, soit avec un humain : avec le bot, la peur d'être jugé était plus faible, mais les visiteurs accordaient plus de confiance à l'humain - et dans l'analyse codée, c'est à lui qu'ils confiaient même les choses les plus intimes. Le rapport, l'intérêt sincère, le sens du moment où le silence obtient plus qu'une relance : tout cela reste un terrain humain.
Nous connaissons tous ce débat, le plus souvent sous le titre "les entretiens IA n'ont pas d'âme". Pour les sujets qui demandent une relation, comme l'accompagnement du deuil ou le coaching de dirigeants, je continuerais d'envoyer un humain dans la conversation ; pour les sujets qui touchent à la honte, les données disent autre chose - et les plus grands angles morts en contexte produit et CX se trouvent précisément là : l'argent, la santé, l'échec, la frustration envers son propre employeur.
Ce que cela implique pour le design des entretiens IA
De cette recherche découlent des décisions de conception concrètes, et plusieurs ont directement nourri QUALLEE.
Nos entretiens sont délibérément une conversation en format texte, sans visage animé, sans avatar qui singe l'humain. L'étude de Lind en est la raison.
Les participants savent toujours qu'une IA pose les questions ; depuis le 2 août 2026, l'AI Act européen l'exige de toute façon, et l'expérience Ellie suggère que c'est précisément cette clarté qui crée l'avantage. Chez nous, l'analyse porte sur des patterns à travers toutes les conversations plutôt que sur des profils individuels nominatifs - car quiconque doit craindre que sa phrase atterrisse, avec son nom, chez son supérieur recommence à éditer ses réponses.
Les relances, elles, creusent le fond : adaptatives, concrètes, aussi longtemps qu'il faut pour que l'exemple soit sur la table. Pourquoi une conversation atteint des endroits qu'un champ de formulaire n'atteindra jamais, je l'ai décrit en détail ici.
Reste à savoir si les participants ont même envie de ce format. Dans un working paper de Chopra et Haaland qui analysait 381 entretiens texte menés par IA pour comprendre pourquoi les gens n'investissent pas en actions, 71 pour cent des répondants préféraient, après leur propre conversation, l'interviewer IA à un interviewer humain ; plus de 96 pour cent participeraient de nouveau à un tel entretien.
Le secteur discute beaucoup de modèles en ce moment : quel LLM relance mieux, comprend plus finement, résume plus proprement. Le levier plus ancien et plus puissant se trouve dans le dispositif lui-même. Aucune montée de version ne ramène une vérité que la politesse a fait disparaître de la conversation.
La conséquence inconfortable retombe au bout du compte sur nous, les researchers. Quand la version polie disparaît, nous recevons des réponses qui font mal : sur les produits, les processus, le management. La phrase qui ne tombait jusqu'ici qu'à la poignée de la porte figure alors dans le rapport - et la vraie question est de savoir si ton organisation est prête à la lire.
Questions fréquentes sur l'honnêteté dans les entretiens IA
Répond-on vraiment plus honnêtement à une IA qu'à un humain ?
Sur les sujets sensibles, oui : dès les méta-analyses des années 1990, les effets les plus nets apparaissaient là où un ordinateur remplaçait l'entretien en face à face - les gens se dévoilent davantage dès qu'aucun humain ne pose les questions. Sur les sujets quotidiens et anodins, la différence est en revanche faible, voire non mesurable.
Pourquoi le jugement social disparaît-il face à une IA ?
Les réponses sont surtout distordues par la peur d'être jugé, et cette peur tient à l'observateur humain perçu. Dans l'expérience de l'USC, la simple croyance qu'un humain regardait suffisait à renforcer la mise en scène de soi et à réduire l'ouverture - à technique identique.
Le biais de désirabilité sociale disparaît-il complètement face à une IA ?
Non. On transfère des réflexes sociaux comme la politesse jusque sur les machines ; l'effet rétrécit sans disparaître. Il remonte dès que l'interface reçoit un visage ou se donne des airs trop humains.
Où les entretiens menés par un humain restent-ils supérieurs ?
Partout où la relation et le rapport forment le cœur de la méthode : observation en contexte, co-création, accompagnement du deuil, coaching. Un interlocuteur humain sait captiver, consoler et se taire au bon moment ; un entretien IA marque des points là où cette présence sociale, précisément, fait baisser l'honnêteté.
Comment ces enseignements se traduisent-ils dans QUALLEE ?
Nous menons des entretiens en format texte sans avatar à visage, signalons l'IA de façon transparente, analysons des patterns plutôt que des profils individuels et laissons les relances creuser le fond. Chez nous, l'honnêteté des réponses est une décision de design.
Sources
- Weisband, S. & Kiesler, S. (1996): Self Disclosure on Computer Forms: Meta-Analysis and Implications. CHI '96.
- Turner, C. F. et al. (1998): Adolescent Sexual Behavior, Drug Use, and Violence: Increased Reporting with Computer Survey Technology. Science, 280(5365).
- Richman, W. L., Kiesler, S., Weisband, S. & Drasgow, F. (1999): A Meta-Analytic Study of Social Desirability Distortion. Journal of Applied Psychology, 84(5).
- Gnambs, T. & Kaspar, K. (2015): Disclosure of Sensitive Behaviors Across Self-Administered Survey Modes: A Meta-Analysis. Behavior Research Methods, 47(4).
- Tourangeau, R. & Yan, T. (2007): Sensitive Questions in Surveys. Psychological Bulletin, 133(5).
- Schuman, H. & Converse, J. M. (1971): The Effects of Black and White Interviewers on Black Responses in 1968. Public Opinion Quarterly, 35(1).
- Lucas, G. M., Gratch, J., King, A. & Morency, L.-P. (2014): It's Only a Computer: Virtual Humans Increase Willingness to Disclose. Computers in Human Behavior, 37.
- Lind, L. H., Schober, M. F., Conrad, F. G. & Reichert, H. (2013): Why Do Survey Respondents Disclose More When Computers Ask the Questions?. Public Opinion Quarterly, 77(4).
- Nass, C. & Moon, Y. (2000): Machines and Mindlessness: Social Responses to Computers. Journal of Social Issues, 56(1).
- Croes, E. A. J., Antheunis, M. L., van der Lee, C. & de Wit, J. (2024): Digital Confessions: The Willingness to Disclose Intimate Information to a Chatbot. Interacting with Computers, 36(5).
- Chopra, F. & Haaland, I. (2023): Conducting Qualitative Interviews with AI. CESifo Working Paper.
Essaie par toi-même
Ce que donne une conversation sans jugement social, le plus rapide est de le ressentir toi-même : 20 minutes, sans login, directement dans le navigateur. Et si tu veux ensuite mener tes propres entretiens : les trois premiers sont gratuits.
