MTCI - Recherche

Face à la présence croissante de l’intelligence artificielle générative (GenAI), les chercheurs en marketing ont commencé à l’intégrer comme partenaire d’interaction dans leurs études. Toutefois, des obstacles techniques et des lacunes méthodologiques freinent encore son adoption à grande échelle.
Cet article propose un guide complet pour mettre en œuvre des interactions avec la GenAI dans les recherches en marketing, en particulier au sein de la plateforme Qualtrics. Tout d’abord, une revue de littérature recense les différentes applications de la GenAI, allant de l’extension des méthodes qualitatives à la création de nouveaux paradigmes expérimentaux. Cette analyse distingue la GenAI en tant que méthode de recherche de la GenAI en tant qu’objet de recherche, afin d’aider les chercheurs à identifier de nouvelles opportunités scientifiques.
Ensuite, l’article présente un cadre décisionnel permettant de déterminer dans quels contextes la GenAI apporte une valeur ajoutée par rapport aux méthodes traditionnelles. Il décrit également l’architecture technique fondamentale (interface utilisateur, API et infrastructure backend) permettant de connecter tout modèle de GenAI à un dispositif de recherche. L’un des apports majeurs de cette contribution est de montrer comment les assistants de programmation basés sur l’IA peuvent transformer des instructions formulées en langage naturel en code fonctionnel, réduisant ainsi les barrières techniques pour les chercheurs non spécialistes de la programmation.
Enfin, des tutoriels détaillés présentent les bonnes pratiques émergentes à travers quatre cas d’usage couvrant les modalités textuelles et visuelles : assistants de recherche, intervieweurs automatisés, outils de co-création et dispositifs de communication hyperpersonnalisés. Ces exemples constituent des modèles adaptables permettant aux chercheurs de développer des solutions sur mesure pour répondre à leurs propres questions de recherche.
En maîtrisant les assistants de programmation basés sur l’IA plutôt qu’en reproduisant simplement du code existant, les chercheurs gagnent en autonomie méthodologique dans un environnement en constante évolution. Ce travail contribue ainsi à démocratiser l’intégration de la GenAI et ouvre la voie à des dispositifs expérimentaux jusqu’alors impossibles à mettre en œuvre.