Pour découvrir l’article complet de Harvard Business review : https://hbr.org/2026/04/how-ai-helps-scale-qualitative-customer-research

L’article récent de Harvard Business Review consacré à la manière dont l’IA aiderait à “scaler” la recherche qualitative a mis en valeur un contresens : croire que l’échelle signifie forcément gigantisme.

Le premier malentendu tient au mot même de “scale”. Beaucoup entendent derrière lui une course aux très grands nombres, comme si le qualitatif devait désormais prouver sa valeur en atteignant des volumes comparables à ceux du quantitatif. L’enjeu du Big Qual n’a jamais été de viser des échantillons astronomiques. Ce qui compte, c’est l’atteinte d’une masse critique suffisante pour faire apparaître des régularités, des contrastes, des exceptions, des récurrences symboliques ou culturelles.

Autrement dit, l’échelle n’a de valeur que si elle permet de voir plus finement la diversité des vécus, des contextes, des registres d’expression, des imaginaires et des systèmes de représentation. Dans cette perspective, l’échelle devient une condition de mise en visibilité de la complexité.

Une deuxième confusion traverse le débat : la tendance à identifier le qualitatif à sa forme la plus canonique, c’est-à-dire l’entretien humain approfondi, mené par un modérateur expérimenté. La tradition qualitative est aussi une tradition d’élargissement des matériaux : observations, récits, journaux, traces, textes, images, discours médiatiques, productions culturelles, interactions sociales, mises en scène marchandes, objets visuels, pratiques. Ce que nous appelons Big Quali, c’est précisément la capacité à articuler cette diversité de matériaux et à multiplier les angles et focales d’analyse comme l’explique Dominique Desjeux, Professeur émérite d’anthropologie à l’Université Paris Cité et à la Sorbonne, qui invite à combiner les « échelles d’observation ».

Ce que l’IA change réellement : une extension du terrain d’exploration

À cet égard, l’IA permet de travailler sur des masses documentaires, discursives, visuelles et symboliques qui excèdent les capacités de lecture manuelle traditionnelles. Le défi n’est donc pas de “scaler” le qualitatif comme on industrialise une procédure. Le défi est d’utiliser l’IA pour élargir le champ du visible, sans renoncer à ce qui fait la force du regard qualitatif : l’attention aux nuances, aux contextes et aux couches de signification.

En définitive, l’IA semble pertinente dans au moins deux grands registres du quali.
– Le premier est celui de l’auto-administré à grande échelle. Il permet de sortir d’un qualitatif artisanal, souvent contraint par un nombre limité de questions et d’interviewés, sans basculer vers des effectifs pléthoriques. L’auto-administré permet de demander à 20 personnes de réagir à 200 vidéos pendant un forum d’une durée de 15 jours. Le scale porte sur la taille du corpus plus que sur le nombre d’interviewés.
– Le second registre est celui de l’analyse de contenus et de la sémiologie. Textes, images, discours, contenus d’usagers (reviews), médias sociaux peuvent être observés, comparés et décryptés à une échelle bien plus large.

Lien vers l’article de Harvard Business Review Ouvrir →