Kapari
Comment ça marche Cas d'usage La preuve Le Hub Tarifs Partenaires
Démos
Démo dirigeant Démo président English version Se connecter Demander un accès
Méthode · Le refus du chiffre

Pourquoi nous ne vous donnerons jamais un chiffre

Tous les simulateurs d'opinion se vantent d'un pourcentage d'exactitude. La recherche montre que ce pourcentage est fragile, parfois trompeur. Kapari n'en affiche aucun. Ce n'est pas un manque, c'est le cœur de notre honnêteté.

iKapari explore la structure des réactions sur un panel simulé, ce n'est ni un sondage, ni une mesure de l'opinion.
La course à la précision

Tout le marché vend un pourcentage

La simulation d'audiences par IA est devenue un marché, et il court tout entier vers le même argument : l'exactitude chiffrée.

Aaru (valorisé un milliard de dollars) se dit « plus précis qu'un sondage ». Viewpoints AI vend « 88 % d'exactitude validée par Stanford ». Synthetic Users, pourtant le plus prudent, bétonne sa crédibilité sur « 85 à 92 % de parité ». Le chiffre est partout, parce qu'il rassure. Le problème, c'est qu'il ne tient pas.

En vidéo

Le refus du chiffre, en deux minutes

Pourquoi un panel d'agents ne se lit pas comme un sondage, et ce que Kapari regarde à la place.

▶Le marché vend la précision, la science la dément, Kapari cartographie plutôt que de mesurer.
Ce que dit la science

Le chiffre synthétique est fragile, et parfois trompeur

Nous avons rassemblé la littérature sur les panels synthétiques. Elle ne dit pas « c'est nul », elle dit quelque chose de plus subtil : la moyenne peut sembler juste pendant que tout le reste se dérobe.

32 %
Sur un panel synthétique dont les moyennes semblaient correctes, près d'un tiers des relations statistiques s'inversaient : la conclusion se retournait.
Bisbee et al., Political Analysis 2024
4 à 23 pts
L'erreur d'un panel LLM face à un vrai sondage va de quatre points sur un sujet ultra-médiatisé à plus de vingt sur un sujet courant. Les croisements de sous-groupes sont jugés quasi inutiles.
Rapports Verasight, 2025-2026 (institut, non revu par les pairs)
le lissage
Les modèles écrasent les minorités et les positions extrêmes vers une opinion moyenne, et captent mal les groupes, même quand on les oriente explicitement.
Santurkar (ICML), Wang (Nature Machine Intelligence)
Bisbee, Clinton, Dorff, Kenkel, Larson (2024). Synthetic Replacements for Human Survey Data? The Perils of Large Language Models. Political Analysis.revu par les pairs
Les moyennes collent, mais 48 % des relations diffèrent du réel, dont 32 % à signe inversé, et le panel dérive dans le temps. doi.org/10.1017/pan.2024.5
Santurkar, Durmus, Ladhak et al. (2023). Whose Opinions Do Language Models Reflect? ICML.revu par les pairs
Désalignement substantiel avec 60 groupes réels, qui persiste même quand on oriente le modèle vers un groupe. proceedings.mlr.press
Wang, Morgenstern, Dickerson (2025). Large language models that replace human participants can harmfully misportray and flatten identity groups. Nature Machine Intelligence.revu par les pairs
Les LLM déforment et homogénéisent les groupes, au détriment des plus marginalisés. arxiv.org/abs/2402.01908
Argyle, Busby, Fulda et al. (2023). Out of One, Many: Using Language Models to Simulate Human Samples. Political Analysis.revu par les pairs
Le papier fondateur, honnête sur la promesse : un modèle conditionné génère des voix plausibles corrélées à des profils. doi.org/10.1017/pan.2023.2
Morris et al. (2025-2026). The Limits of Synthetic Samples in Survey Research. Verasight.rapport d'institut
Source du « 4 à 23 points » : 12,1 points d'erreur en politique, 23,4 en santé, et des croisements de sous-groupes inexploitables. verasight.io
Pew Research Center (2026). Q&A: Do AI and bogus respondents threaten polling's future?institutionnel
La référence mondiale du sondage refuse le silicon sampling et n'interroge que de vraies personnes. pewresearch.org

Trois niveaux de preuve, jamais confondus : revu par les pairs (le plus solide), rapport d'institut (Verasight, recherche appliquée non revue par les pairs, source du chiffre 4 à 23 points), communication institutionnelle (Pew). Nous ne présentons jamais un rapport d'institut comme un résultat académique. Bibliographie complète et vérifiée dans notre dossier de sources.

Ce que Kapari fait à la place

Cartographier, pas mesurer

Aucun chiffre d'opinion

Kapari n'affiche aucun pourcentage d'opinion, aucun score de popularité, aucun taux d'adhésion. Là où un acteur qui promet l'exactitude s'effondre le jour où une prédiction rate publiquement, nous ne vendons aucun nombre sur votre public. Ce que Kapari rend, un verdict et des objections, nous le confrontons nous-mêmes aux faits, ratés compris. Nous ne fabriquons pas de chiffre d'opinion parce qu'aucun panel simulé n'en produit un fiable, et nous publions la recherche qui le dit.

Une structure, pas une moyenne

Ce que nous restituons n'est pas une valeur, c'est une carte : qui adhère, qui doute, qui se braque, sur quel angle mort, quelle formulation clive le moins. C'est l'Agent What-If, le « et si » de la planification par scénarios, joué par des agents plutôt que par des lignes de tableur, sur la dimension humaine d'une décision.

La science ci-dessus condamne l'usage d'un panel synthétique comme substitut de sondage. Elle ne condamne pas l'exploration honnête d'un éventail de réactions plausibles, qui ne prétend ni mesurer, ni prédire, ni représenter. C'est exactement la case, étroite et exigeante, que Kapari a choisie.

Des comptes à rendre

Nous nous imposons la même exigence

Refuser de publier un chiffre d'opinion, ce n'est pas refuser d'être noté. Kapari publie des notes mesurées, et ce sont des notes d'une autre nature : elles jugent le passé, jamais votre public.

Nous avons pris 43 décisions françaises célèbres du passé, de la campagne Balenciaga à la hausse des taxes sur les carburants, et soumis chacune à Kapari sans lui donner la fin de l'histoire. Le corrigé : 185 objections réellement exprimées à l'époque, vérifiées une à une dans des articles datés. Trois passes indépendantes par cas. Un juge d'une autre maison que le modèle des voix (openai/gpt-4.1-mini), à température zéro, a corrigé les copies objection par objection.

74 %
Couverture moyenne des objections réellement soulevées à l'époque.
117/185
Objections retrouvées explicitement par le panel, nommées comme telles.
37/43
Cas où le cran de la réponse est resté le même à toutes les passes.
37/41
Verdicts justes ou dans la marge admise face à ce que la décision a réellement donné, dont 12 exactement justes. Parmi les quatre verdicts à contresens figurent deux feux verts sur des objectifs manqués : Ÿnsect et les protections périodiques gratuites. Deux cas restent hors mesure, faute de résultat connu. Cette grille de réussite a été écrite le 26 septembre 2026, après les rejeux du 15 août, et nous l'annonçons comme telle.

Passe par passe sur l'ensemble de l'examen, les trois passes indépendantes font 76 %, 74 % et 73 %. Nous publions la moyenne, pas le meilleur essai. Le run derrière ces chiffres est daté du 15 août 2026, joué sur la base de connaissance française actuellement en production, et scellé à sa version de moteur : voix mistralai/mistral-large-2512, juge openai/gpt-4.1-mini. Toutes les copies sont publiques, bonnes et mauvaises, et l'examen est rejouable.

Voir l'examen complet et télécharger les copies →

i

Kapari compose un panel de voix simulées et en explore la structure des réactions, pour aider à décider avant d'annoncer. Le panel est simulé : personne n'est interrogé, rien n'est prédit, et ces voix ne mesurent aucune population réelle. Nous citons la recherche pour éclairer nos limites, pas pour nous en réclamer.

Une décision honnête ne se cache pas derrière un chiffre.

Passez la vôtre au banc d'essai : un panel de voix réagit, vous lisez l'éventail avant d'annoncer, sans faux pourcentage.