Un jumeau numérique de client est une réplique simulée d'un client réel, construite par une intelligence artificielle à partir de données sur cette personne, que l'on interroge à sa place.
Un jumeau numérique de client est une réplique simulée d'un client réel, construite par une intelligence artificielle à partir de données sur cette personne, que l'on interroge à sa place. Le terme vient de l'ingénierie industrielle : la copie numérique d'un équipement, alimentée par ses capteurs, sur laquelle on simule une intervention avant de toucher au réel. Transposée au client, la promesse est simple : interroger ses clients à volonté, sans réinterroger personne, et remplacer les études répétées par un actif permanent. Les acteurs qui la portent forment une des trois familles de la carte du marché des audiences simulées par IA, avec le sondage synthétique et le banc d'essai de décisions. Le meilleur résultat scientifique du domaine est réel, et il se cite avec ses conditions : un agent construit sur 2 heures d'interview d'une personne réelle retrouve 85 % des réponses de cette même personne au General Social Survey re-posé (Park et al., Stanford, 2024). Chaque mot de cette phrase compte : deux heures d'interview, la même personne, un questionnaire re-posé. Une règle protège un budget d'études mieux que toutes les autres : ce qui est prouvé l'a été dans des conditions précises, et un score acheté hors de ses conditions ne décrit rien. Le reste de cette page donne de quoi vérifier lesquelles de ces conditions une offre remplit : d'où vient le mot et pourquoi il rassure, ce que vendent ces acteurs, ce que la science établit et n'établit pas, les cinq questions à poser à un vendeur, et la différence entre un jumeau et un panel de décision.
Le mot « jumeau numérique » vient d'un domaine où il est mérité : l'ingénierie industrielle. On y construit la copie numérique d'une turbine, d'un moteur ou d'une usine, nourrie en continu par des capteurs, pour simuler une intervention avant de toucher à l'équipement réel. Dans ce domaine, la copie se recale sur le réel à chaque écart, et le geste a fait ses preuves. C'est cette réputation que le vocabulaire transporte quand il passe de la turbine au client : acheter « un jumeau », c'est acheter l'idée d'une copie exacte, et le mot importe dans l'argumentaire la solidité d'une discipline d'ingénieurs, sans emporter l'appareil de mesure qui la fondait. Or ce que le transfert cache est précisément ce qui sépare une machine d'un humain. Une machine obéit à des lois stables et se mesure par des capteurs ; un client change d'avis sans prévenir, se contredit d'un jour à l'autre et répond autrement selon le contexte, trois mouvements qu'aucune copie figée ne capture. Le nom d'une technologie ne dit rien de sa preuve. La question utile n'est pas « est-ce un jumeau ? » mais « qu'est-ce qui a été mesuré, sur qui, et quand ? ».
Ce que vend cette famille d'acteurs tient en une phrase : une réplique interrogeable à volonté de vos clients. Plus besoin d'organiser un terrain ni de recruter des répondants : le jumeau répond le jour même, autant de fois qu'on le sollicite, et l'étude ponctuelle devient un actif permanent de l'entreprise. Pour un CMO ou une direction études, la séduction est réelle et il faut la dire sans ironie : le coût et le délai mettent l'étude à la portée de décisions qui n'en avaient jamais eu, et l'on teste autant de messages qu'on veut là où l'on n'en testait qu'un. C'est la promesse du sondage sans le terrain, de la mesure d'opinion sans répondants. Mais un déplacement s'opère sous les yeux de l'acheteur, et il doit le voir : la promesse transforme une question de méthode (que vaut la réponse ?) en question d'abonnement (combien de questions puis-je poser ?). Toute la valeur de l'offre repose alors sur un seul pilier : le score de fidélité de la réplique à la personne répliquée. D'où vient ce score, ce qu'il prouve et ce qu'il ne prouve pas : c'est l'objet des deux sections qui suivent.
Le meilleur papier du domaine mérite d'être dit franchement, parce qu'il est solide. Park et al. (« Generative Agent Simulations of 1,000 People », Stanford, 2024) ont interviewé 1 000 personnes réelles pendant 2 heures chacune, puis construit un agent d'IA par interview. Résultat : chaque agent retrouve 85 % des réponses de sa propre personne au General Social Survey re-posé. C'est une fidélité individuelle, à la même personne, obtenue par interview. Il faut l'assumer sans réserve : un jumeau fidèle d'un individu est possible quand on paie le prix de l'interview, et c'est le résultat le plus solide de toute la famille. Mais chaque mot des conditions compte. Deux heures d'interview : pas un historique d'achat. La même personne : pas un segment, pas un groupe. Un questionnaire re-posé : pas une décision d'entreprise. Retirer une seule de ces conditions, et le chiffre ne décrit plus rien de publié. Quand un argumentaire commercial cite 85 %, la question à poser tient en une ligne : votre méthode repose-t-elle, elle aussi, sur deux heures d'interview par client réel ? Pour le lecteur qui veut l'ensemble des preuves du domaine, la fiabilité au fond les rassemble, sources datées à l'appui.
Entre le protocole de Stanford et le jumeau vendu sur catalogue, l'argumentaire commercial saute une chaîne de transpositions, maillon par maillon. Premier maillon, les données passives : un jumeau bâti sur du CRM, des historiques d'achat ou des étiquettes démographiques n'a interviewé personne pendant 2 heures ; le 85 % mesuré par Stanford l'a été sur des agents construits sur 2 heures d'interview, fidèles aux réponses de la même personne au General Social Survey re-posé (Park et al., 2024) : il appartient à ce protocole, pas à ces jumeaux-là. Deuxième maillon, l'agrégation : dès qu'on passe de l'individu au groupe, la moyenne peut sembler juste pendant que la carte se dérobe ; sur un panel synthétique aux moyennes correctes, 48 % des relations statistiques diffèrent du réel, dont 32 % à signe inversé (Bisbee et al., Political Analysis 2024). Troisième maillon, l'écart au terrain : face à un vrai sondage, l'erreur d'un panel simulé va de 4 à plus de 23 points selon le sujet, et les croisements de sous-groupes sont jugés quasi inutilisables (rapports Verasight, 2025-2026). Quatrième maillon, le lissage : les modèles ramènent les minorités et les positions tranchées vers une opinion moyenne (Santurkar et al., ICML 2023 ; Wang, Nature Machine Intelligence 2025) ; l'institut de référence du métier en a tiré sa règle, le Pew Research Center refuse le silicon sampling et n'interroge que de vraies personnes (2026). Reste une limite de principe, qu'aucun progrès technique ne lèvera : un jumeau répond « ce que dirait ce client » ; il ne répond pas « comment cette annonce atterrit sur l'écosystème entier », clients, salariés, partenaires et payeurs à la fois. Rien de tout cela ne dit qu'un jumeau ne marche pas. Cela dit exactement ce qui n'est pas prouvé, et où s'arrête la preuve qu'on vous vend.
Le bon départage n'est pas l'outil, c'est la question posée. Un jumeau numérique de client est le bon outil quand la question est : que dirait ce segment que j'ai vraiment documenté ? Il suppose une connaissance fine d'un client qu'on a les moyens d'ancrer dans des données réelles, idéalement par des interviews, la seule voie dont la science ait validé la fidélité individuelle (Park et al., Stanford, 2024, agents construits sur 2 heures d'interview de la même personne). Un panel de décision est le bon outil quand la question est : comment cette annonce, cette hausse de prix, cette réorganisation atterrit-elle sur mes parties prenantes ? Là, on ne clone personne : on compose des voix contrastées, clients, salariés, partenaires, payeurs, et on les fait réagir à une décision précise ; la taille et la composition d'un panel se raisonnent, elles ne se décrètent pas. Deux gestes, deux questions : cloner puis interroger, ou composer puis faire réagir. Aucun des deux ne remplace l'autre, et acheter l'un pour la question de l'autre, c'est payer un score hors contexte. La position de Kapari tient en une phrase honnête : Kapari ne vend pas de jumeaux numériques individuels ; son banc d'essai des décisions compose un panel de parties prenantes ancrées dans des données documentées pour faire surgir les objections et les lignes de fracture avant l'annonce, et ce n'est ni un sondage, ni une mesure d'opinion, ni une prédiction.
La seule fidélité individuelle prouvée du domaine vient d'agents construits sur 2 heures d'interview par personne réelle, fidèles à 85 % aux réponses de la même personne au General Social Survey re-posé (Park et al., Stanford, 2024) ; la même étude observe que les agents bâtis sur de simples descriptions démographiques ressortent plus biaisés et plus stéréotypés. Un jumeau nourri d'étiquettes ou de données passives n'a pas cet ancrage. Si la réponse est « nos données propriétaires », demandez lesquelles, de quand elles datent, qui les a recueillies auprès du client lui-même, et si un tiers peut les consulter.
Le 85 % de Stanford mesure la fidélité d'un agent aux réponses de la même personne, interviewée 2 heures, au General Social Survey re-posé (Park et al., 2024) : ce chiffre appartient à ce protocole, pas à un produit qui ne reproduit pas sa méthode. Un score maison invérifiable rassure sans renseigner : la FTC a sanctionné Workado en 2025 pour allégation d'exactitude non étayée, produit retombé autour de 74 % une fois testé. Exigez un score mesuré sur vos clients, avec un protocole écrit avant le test et publié avec le chiffre.
Une turbine se recalibre en continu par ses capteurs ; un client change d'avis sans prévenir personne, et c'est toute la différence avec l'équipement industriel dont le mot est tiré. Demandez ce qui déclenche une mise à jour du jumeau, à quelle fréquence, avec quelles données fraîches, et ce que coûte la réinterrogation. Un jumeau jamais rafraîchi répond avec l'opinion d'hier sur le ton assuré d'aujourd'hui, et c'est sur le client d'aujourd'hui que vous décidez.
La littérature évaluée en documente au moins trois : à l'agrégation, 48 % des relations statistiques d'un panel synthétique aux moyennes correctes diffèrent du réel, dont 32 % à signe inversé (Bisbee et al., Political Analysis 2024) ; face à un vrai sondage, l'erreur va de 4 à plus de 23 points selon le sujet (rapports Verasight, 2025-2026) ; et les modèles lissent les minorités et les positions tranchées (Santurkar et al., ICML 2023 ; Wang, Nature Machine Intelligence 2025). Un vendeur qui n'écrit aucune de ces limites à l'écran ou au contrat vous laisse les découvrir sur vos propres décisions.
Sans rejouabilité, même dossier, même résultat, vérifiable par quelqu'un d'autre, toute exactitude annoncée reste une déclaration. L'institut de référence du sondage a tranché pour son propre métier : le Pew Research Center refuse le silicon sampling et n'interroge que de vraies personnes (2026). Demandez l'examen publié, des cas de test jamais servis à calibrer l'outil, et les mauvaises notes affichées avec les bonnes. Un refus sur ce point est déjà une réponse.
Si votre question est une décision à faire réagir plutôt qu'un client à copier, lisez l'esprit du jumeau numérique appliqué à tout un écosystème, la façon dont Kapari s'en sert.
Si la question qui vous amène ici est celle d'une annonce à tester plutôt que d'un client à cloner, le banc d'essai des décisions s'essaie gratuitement sur une vraie décision. Sa méthode est adossée à l'examen public contre le réel, méthode publiée, chaque copie affichée, la pire comprise. Vous jugerez sur pièces, pas sur promesse.
Le banc d'essai des décisions fait surgir les objections et les lignes de fracture avant l'annonce ; son panel reste simulé, il n'interroge personne, ne mesure aucune opinion réelle et ne prédit rien.
Essayez la démo sur une décision d'entreprise, sans créer de compte : 60 secondes suffisent pour voir si ça vous parle.
Kapari mesure son audience avec Google Analytics, pour savoir combien de personnes lisent ces pages. Rien n'est déposé sur votre appareil tant que vous n'avez pas accepté.